Optimierung des Produktdaten-Managements: Mit KI auf KI reagieren

Künstliche Intelligenz erobert das digitale Einkaufen. Martin Gliesche vom Produktdaten-Spezialisten Syndigo umreißt die Dinge, die auf Online-Händler zukommen – und die Chancen, die KI ihnen bietet, um mit Effizienz und verbesserter Sichtbarkeit darauf zu reagieren.

Diesen Artikel teilen

Künstliche Intelligenz (KI) wird mehr und mehr fester Bestandteil des digitalen Einkaufens. So erstellt Googles AI Overview bei Suchanfragen mittlerweile automatisch Zusammenfassungen relevanter Website-Inhalte und platziert sie prominent über den Suchergebnissen. Der AI Mode von Google mit seinem Einkaufsassistenten geht noch weiter: Er analysiert Preise, erkennt Verfügbarkeiten, empfiehlt Produkte – und entscheidet sogar eigenständig, welche Angebote sichtbar werden. Auch generative Sprachmodelle wie ChatGPT oder Perplexity verändern die Art, wie Verbraucher auf Produkte stoßen, sie bewerten oder sie sogar direkt kaufen.

Um von solchen KI-Tools gefunden zu werden, braucht es allerdings zwei Dinge: gut gepflegte maschinenlesbare Produktinformationen und effiziente Prozesse entlang der gesamten Produktdaten-Wertschöpfungskette. Wer sich dafür nicht auch KI-Lösungen zunutze macht, hat schon bald das Nachsehen.

Trotzdem setzen viele Unternehmen bei der Aufbereitung von Produktdaten nach wie vor auf manuelle oder teilautomatisierte Prozesse. Doch die stoßen schnell an ihre Grenzen. Denn je mehr Kanäle, Märkte, Varianten und eben neue Technologien wie KI-Tools zu bedienen sind, desto aufwändiger und fehleranfälliger wird es, die Daten per Hand aktuell zu halten.

Wie sensibel Konsumenten auf fehlerhafte Daten reagieren, zeigt eine aktuelle Studie von Syndigo: Ihr zufolge bewerten 75 Prozent der europäischen Verbraucher eine Marke negativ, wenn die dazugehörigen Produktinformationen unvollständig oder falsch sind. Bei rund 30 Prozent der Befragten wurden die Erwartungen innerhalb der vergangenen sechs Monate aufgrund mangelhafter Angaben enttäuscht – 20 Prozent schickten das Produkt sogar zurück.

Genau deshalb sollten Unternehmen ihre Content-Prozesse jetzt standardisieren und automatisieren. Ziel ist ein konsistenter Markenauftritt über alle Kanäle hinweg. Und das bei minimalem manuellem Aufwand. Und hier kommt Künstliche Intelligenz (KI) ins Spiel: Sie hilft beim Anreichern, Prüfen und Ausspielen von Daten – vollautomatisiert und in Echtzeit.

1. Smarte Stammdatenverwaltung (MDM)
Stammdaten wie Artikelnummern, Maße, Gewicht und Herstellerdaten sind das Rückgrat jeder Produktkommunikation – und zugleich eine der größten Baustellen. Denn wer Informationen aus verschiedenen Quellen manuell zusammenführt, muss sich oft mit Dubletten, Inkonsistenzen und veralteten Einträgen herumschlagen.

KI-gestütztes Master Data Management (MDM) jedoch bereinigt, klassifiziert und ergänzt Datensätze automatisch, passt sie an Standards wie GS1 oder ETIM an und konsolidiert sie an zentraler Stelle. Das spart nicht nur Zeit, sondern reduziert auch Fehler und sorgt format- und quellenunabhängig für konsistente und aktuelle Daten.

KI im MDM schafft eine konsistente Basis dafür, Inhalte automatisiert und zielgerichtet weiterzuverarbeiten – und die Produktdatenqualität nachhaltig zu sichern. Vor allem aber erschließen Unternehmen sich damit auch neue Anwendungsfelder wie automatisierte Produktempfehlungen, personalisierte Bundles oder zielgruppenspezifische Produktbeschreibungen.

Auch Generative KI wie ChatGPT, Perplexity oder Google Gemini stellt wachsende Ansprüche an die Datenqualität. Denn solche Plattformen sind längst mehr als ein Recherche-Gadget – sie werden zu digitalen Einkaufsassistenten.

Während Perplexity dank KI-Integration bereits einen direkten Produktkauf und Checkout innerhalb der Plattform ermöglicht, liefert ChatGPT aktuell nur Produktempfehlungen und Händlerverlinkungen, da sich die vollständige Einkaufsabwicklung im Chat noch in der Entwicklung befindet.

Doch was von solchen Systemen gefunden und empfohlen wird, hängt maßgeblich davon ab, wie vollständig, konsistent und maschinenlesbar die Produktinformationen vorliegen. Unternehmen müssen ihre Datenfeeds daher zunehmend auch für diese neuen Kanäle strukturieren – nicht nur für klassische Marktplätze oder Suchsysteme.

2. Smartes Product Information Management (PIM)
Während MDM vor allem auf die Pflege zentraler Stammdaten zielt, geht es im PIM um diejenigen Inhalte, die beim Kunden landen: Produktbeschreibungen, Bilder und technische Attribute.

KI-gestützte PIM-Systeme bereiten die Stammdaten auf, reichern sie mit weiteren produktrelevanten Inhalten an und sorgen für eine kanalübergreifende Strukturierung – und all das automatisiert. Dabei erkennen sie sogar fehlende oder veraltete Angaben. Zudem gleichen sie Lagerhaltungseinheiten (SKUs) ab, taggen Bilder und Videos, erkennen darin relevante Merkmale wie Farben oder Materialien und nutzen diese für die automatische Kategorisierung.

Derart automatisierte Workflows ermöglichen es, Inhalte SEO-optimiert sowie kanal-, plattform- und länderspezifisch auszuspielen – inklusive laufender KI-Analyse der Nutzungsdaten, die es erlaubt, Inhalte dynamisch zu verbessern.

So entstehen konsistente, zielgerichtete Produktdarstellungen – ohne unnötige manuelle Eingriffe. Der Clou: Die Kunden profitieren von einem einheitlichen und überzeugenden Produkterlebnis, und zwar unabhängig davon, wo sie kaufen.

3. KI-gestützte Syndication von Produktdaten
Sind Produktinformationen einmal im PIM-System strukturiert hinterlegt, beginnt die eigentliche Herausforderung: ihre fehlerfreie Verteilung (Syndication) an Webshops, Marktplätze, Händler oder Social-Media-Kanäle – natürlich jeweils im passenden Format.

KI erkennt selbstständig Änderungen im zentralen System, bereitet die Informationen plattformgerecht auf und spielt sie in Echtzeit aus – konsistente Daten auf allen Touchpoints inklusive. Zudem passt sie Inhalte an kanal- oder zielgruppenspezifische Anforderungen an, steuert Preise dynamisch und gibt personalisierte Produktempfehlungen ab. Dabei lassen sich sogar A/B-Tests und KI-gestützte Layout-Empfehlungen integrieren, um die Conversion gezielt zu steigern.

Das Resultat: ein durchgängiger, automatisierter Workflow von der Erstellung bis zur Veröffentlichung – einschließlich konsistenter Markenpräsenz auf allen Touchpoints. Insbesondere bei wachsender Sortiments- und Kanalvielfalt bedeutet eine solche automatisierte Aktualisierung einen echten Effizienzgewinn.

4. Digital Shelf Analytics
Das digitale Regal (digital shelf) ist der virtuelle Verkaufsraum, in dem sich Produkte online behaupten müssen. Doch Sichtbarkeit, Relevanz und Conversion entstehen hier nicht von allein. Genau deshalb setzen immer mehr Unternehmen auf Digital Shelf Analytics (DSA).

DSA-Tools analysieren die Produktperformance, decken falsche oder unvollständige Inhalte auf und zeigen, wie sich Listings, Attribute oder Bilder verbessern lassen. Unternehmen sollten genau hier ansetzen: Mit KI-gestützter Analyse lassen sich Nutzerverhalten, Absprungraten, Keyword-Performance und Wettbewerbsaktivitäten in Echtzeit auswerten – konkrete Vorschläge zur Optimierung inklusive.

Gerade im Hinblick auf die wachsende Rolle von KI-Suchtools im Shopping-Prozess gewinnt die datengetriebene Optimierung des digitalen Regals zusätzlich an Bedeutung.

Und selbst nach der Veröffentlichung der Produktinformationen bleibt KI nicht stehen: Sie misst die Performance einzelner Listings kontinuierlich, erkennt Optimierungspotenziale, lernt aus Interaktionen und generiert auf dieser Basis neue, passgenaue Handlungsempfehlungen.

Ausblick: KI-Agenten als nächste Evolutionsstufe
KI hört nicht beim punktuellen Automatisieren auf: Mit KI-Agenten steht die nächste Evolutionsstufe bereits in den Startlöchern. Dabei handelt es sich um autonome, selbstlernende Systeme, die Produktdaten aktiv verwalten – von der Kategorisierung über die Anreicherung von Daten und Content bis hin zu deren kanaloptimierten Ausspielung.

Das heißt: Dynamische KI-Agenten können Aufgaben wie Datenkorrektur, Klassifizierung und Syndication noch präziser und schneller machen und dabei Nutzungsverhalten, Suchtrends und Wettbewerb direkt mitberücksichtigen. Somit lässt sich Produktdatenmanagement zunehmend effizienter und einfacher in bestehende Workflows integrieren oder mit neuen Workflows optimieren – beispielsweise über Chatbots oder automatisch ausgelöste Events. Für Unternehmen bedeutet das: mehr Geschwindigkeit, höhere Skalierbarkeit und bessere Produkterlebnisse für die Kunden.

Fazit: KI macht Daten zu Markenbotschaftern
Produktdaten sind weit mehr als reine Verkaufsinformationen – sie prägen das Markenbild, stärken das Vertrauen, und entscheiden über Kauf oder Absprung. Doch damit sie wirken, müssen sie korrekt, aktuell, aber ebenso skalierbar, personalisiert und kanalübergreifend nutzbar sein. Hier spielt KI ihre Stärken aus: Sie automatisiert, analysiert, lokalisiert – und das schnell und präzise.

Dennoch bleibt der Mensch in der Verantwortung, etwa durch redaktionelle Freigaben oder strategische Steuerung. Unternehmen, die diese Zusammenarbeit gezielt organisieren, sichern sich Effizienz ebenso wie Sichtbarkeit, Relevanz und Markenbindung.

Entscheidend ist dabei, Produktdatenmanagement nicht als einmalige Initiative zu betrachten, sondern als kontinuierlichen Prozess, der gemeinsam mit KI stetig weiterentwickelt werden muss. Nur so lässt sich der volle Wert aus den verfügbaren Daten schöpfen – bis hin zum digitalen Regal.