KI-gestützte Produktkatalog-Anreicherung: Marken, Typen, Wettbewerber-Matching

Der unvollständige Produktkatalog: ein strukturelles Problem, kein Versehen

Fragen Sie ein beliebiges Retail-Datenteam, ob ihr Produktkatalog vollständig ist. Die Antwort ist fast immer dieselbe: „Mehr oder weniger. Bei einigen Produktfamilien fehlen wenige Attribute, bei Produkten kleinerer Lieferanten sind keine Marken hinterlegt, und Wettbewerber-Äquivalente sind nur für die ersten 200 SKUs identifiziert."

„Mehr oder weniger" ist das Problem.

In einem Katalog mit 30.000, 100.000 oder 500.000 Artikeln bedeutet „mehr oder weniger" konkret, dass Tausende von Produkten für Ihre Pricing-Algorithmen unsichtbar sind, in Ihren Wettbewerbspositionierungsanalysen fehlen und in Ihren Performance-Berichten falsch gruppiert werden. Die auf dieser Grundlage getroffenen Entscheidungen sind nicht falsch; sie sind unvollständig. Und in einem wettbewerbsintensiven Markt hat Unvollständigkeit dieselbe Wirkung wie ein Fehler.

Das Problem liegt nicht am fehlenden Engagement der Teams. Es liegt am Umfang. Jedes Produkt hat theoretisch eine GTIN (Global Trade Item Number), die als gemeinsamer Schlüssel zwischen Systemen dienen sollte. In der Praxis kommen Lieferantenbezeichnungen in Dutzenden inkonsistenter Formate an, Markenfelder bleiben bei Eigenmarken und Regionalprodukten leer, und kein System korrigiert diese Lücken automatisch. Die manuelle Anreicherung eines Retail-Produktkatalogs in dieser Größenordnung erzeugt strukturelle Datenschulden: Für jeden bearbeiteten Artikel treffen drei neue mit denselben fehlenden Attributen ein. Weder Ihr PIM noch Ihr ERP korrigiert diese Lücken automatisch; beide speichern, was sie empfangen. Wie wir in unserer Analyse der Produktdatensilos im Einzelhandel zeigen, ist die Unvollständigkeit der Produktstammdaten oft ein Symptom einer unzureichenden Integrationsarchitektur, nicht eines Mangels an personellen Ressourcen.

Vier Produktkatalog-Lücken, die Ihre Entscheidungen in der Praxis beeinflussen

Ein unvollständiger Produktkatalog ist kein abstraktes Problem. Fehlende Daten haben präzise, messbare operative Konsequenzen, die sich direkt auf die Qualität Ihrer Pricing-, Merchandising- und Sortimententscheidungen auswirken. Diese vier Lücken treten regelmäßig im Lebensmitteleinzelhandel, im Drogeriemarkt und im Baumarkt auf, mit ihren konkreten Auswirkungen.

1. Die fehlende Marke, die Ihre Positionierungsanalyse verzerrt

Nehmen wir ein konkretes Beispiel. In Ihrem Katalog ist für das Produkt „H-MILCH 1,5% FETT 1L" eines regionalen Lieferanten keine Marke hinterlegt. Für Ihre Pricing-Engine gehört dieses Produkt zu keiner Marke, sodass es in Markenpositionierungsvergleichen ausgeschlossen oder falsch gewichtet wird. Für Ihre Merchandising-Berichte ist es in der Marktanteilsanalyse nach Kategorie unsichtbar. Dieses Problem betrifft besonders Eigenmarken und Regionalprodukte, die mit den wenigsten strukturierten Attributen ankommen.

Das ist kein Randprodukt. Es ist möglicherweise einer Ihrer umsatzstärksten Artikel in der Kategorie. Aber ohne hinterlegte Marke existiert es in Ihrer Produktintelligenz faktisch nicht.

2. Der nicht standardisierte Produkttyp, der jeden Vergleich verhindert

Ein Lieferant nennt das Produkt „WEIHENSTEPHAN HALTBARMILCH 1,5% 2L". Ein anderer referenziert es als „H-Milch 1,5% Fett 2 Liter Weihenstephan". Ein dritter verwendet „WEIHENSTEPHAN fettarme H-Milch 2L". Es handelt sich um dasselbe Produkt (oder direkt vergleichbare Produkte), aber in Ihrer Datenbank haben sie keine gemeinsame Grundlage, die ein Algorithmus nutzen kann. Ergebnis: Sie können keine Verkäufe nach diesem Referenztyp aggregieren und keine kohärente Preisstrategie für die Kategorie entwickeln.

3. Der fehlende Verwendungsanlass, der Ihre Sortimentsempfehlungen untergräbt

Ein Kunde kauft Kaffeekapseln. Je nach Format kauft er eine Packung mit 10, 36 oder 60 Kapseln. Diese drei Artikel sind unterschiedliche Antworten auf denselben Bedarf, aber wenn Ihr Katalog sie nicht explizit unter demselben Verwendungsanlass gruppiert, behandelt Ihre Empfehlungsmaschine sie als unabhängige Produkte. Ihre Substitutionsempfehlungen sind ungenau. Ihre Kannibalisierungsanalyse über Packungsgrößen hinweg ist unmöglich. Und Ihre Sortimententscheidungen basieren auf Daten, die das tatsächliche Kaufverhalten nicht widerspiegeln.

4. Das fehlende Wettbewerber-Matching, das Ihr Pricing blind agieren lässt

Ihre Pricing-Engine muss für jeden SKU in Ihrem Katalog wissen, welche Produkte bei Ihren Wettbewerbern äquivalent sind. Ohne dieses Matching kann sie Ihre relative Positionierung nicht berechnen und zum richtigen Zeitpunkt keine adäquaten Anpassungen auslösen. Der manuelle Aufbau dieses Wettbewerber-Matchings im Einzelhandel für einige hundert Schlüsselpositionen ist machbar. Über 30.000 Produkte hinweg, bei REWE, Edeka, Kaufland und den großen Discountern, mit gemeinsamen Lieferanten aber unterschiedlichen Bezeichnungskonventionen je Händler, ist das eine Aufgabe, die kein menschliches Team aktuell halten kann.

Wie KI Ihre Produktdaten automatisch anreichert und normalisiert

Produktdaten automatisch anreichern und normalisieren: das ist kein neues Konzept. Was sich geändert hat, ist die Reife der Large Language Models (LLMs) und der Techniken der vektoriellen semantischen Suche. Diese Modelle erzeugen dichte numerische Repräsentationen von Produktbezeichnungen (Embeddings), die semantische Nähe über Bezeichnungsvarianten, Sprachen und Eingabekonventionen hinweg erfassen. In Kombination mit Fortschritten in der Verarbeitung natürlicher Sprache (NLP) ermöglichen sie es, die Anreicherung fehlender Attribute im großen Maßstab zu automatisieren: Werte aus dem Kontext ableiten, Matches zwischen Katalogen identifizieren ohne buchstabengleiche Referenzen, und Lieferantenbezeichnungen in mehreren Sprachen gleichzeitig verarbeiten. Wo ein regelbasierter Ansatz an Volumen und Formatvielfalt scheitert, behandelt KI die Attributvollständigkeit als kontinuierlichen Prozess, nicht als einmaliges Projekt.

Wie die Forrester-Analyse zur generativen KI im Handel bestätigt, ist die Produktdaten-Anreicherung eine der ersten konkreten Chancen der GenAI für Einzelhandelsorganisationen, weit vor verbraucherorientierten Anwendungsfällen. Ein besser angereicherter Katalog verbessert auch die SEO-Auffindbarkeit und die E-Commerce-Konversionsrate: Strukturierte und vollständige Attribute ermöglichen es, Ihre Produkte korrekt zu facettieren, zu filtern und zu indexieren, sowohl in Ihrer internen Suchmaschine als auch bei Google.

Was Kataloganreicherung für Ihre Teams ermöglicht

Ein zuverlässig und umfassend angereicherter Produktkatalog ist kein Selbstzweck. Was er ermöglicht, ist entscheidend.

Auswirkungen nach Team: vor und nach der Kataloganreicherung

Dies ist dasselbe Prinzip, das wir in unserer Analyse der KI-gestützten dynamischen Pricing-Strategien beschreiben: Entscheidungsagilität ist nur möglich, wenn Daten zum Zeitpunkt der Entscheidung bereits vorbereitet, angereichert und zuverlässig sind. Ein angereicherter Katalog ist auch die Voraussetzung für ein operatives MDM (Master Data Management). Ohne zuverlässige und standardisierte Attribute ist keine skalierbare Produktdaten-Governance möglich.

Die Herausforderung von Umfang und Aktualität der Produktdaten

Was effektive Kataloganreicherung von einem einmaligen Projekt unterscheidet, ist die Fähigkeit, sie im Laufe der Zeit aufrechtzuerhalten. Jede Woche treffen neue Produkte ein. Lieferanten aktualisieren ihre Bezeichnungsformate. Wettbewerber erneuern ihre Sortimente. Ein zu einem bestimmten Zeitpunkt angereicherter Katalog verschlechtert sich schrittweise ohne eine kontinuierliche Pipeline.

Die meisten manuellen oder halbautomatisierten Ansätze können das Tempo langfristig nicht aufrechterhalten. Der Rückstand bei der Produktdaten-Normalisierung wächst schneller als Teams ihn bearbeiten können, weil Anreicherung als Projekt und nicht als Prozess behandelt wird. Jedes neue Lieferanten-Onboarding, jede Sortimenterneuerung, jede saisonale Produkteinführung setzt die Vollständigkeitsuhr zurück.

Der Aufbau dieser Kapazität intern ist möglich, aber wie wir in unserer Analyse der Produktdatensilos im Einzelhandel zeigen, liegt das Problem nicht in der Kompetenz der Datenteams: Es liegt daran, dass diese Arbeit nie endet und qualifizierte Analysten von wertvollerer analytischer Arbeit ablenkt.

Was Mercio konkret tut: KI-gestützte Kataloganreicherung in der Praxis

Bei Mercio ist die automatisierte Kataloganreicherung eine permanente Schicht unserer Infrastruktur, kein einmaliges Migrationsprojekt. So bauen und betreiben wir Ihre angereicherten Produktstammdaten, mit vollständiger Nachvollziehbarkeit über den gesamten Produktlebenszyklus.

Audit der priorisierten Datenlücken vor jeder Intervention

Vor dem Start der Anreicherung führt Mercio eine vollständige Diagnose Ihres Katalogs durch: Attributabdeckungsgrad nach Familie (Marke, Produkttyp, Verwendungsanlass), Prozentsatz der SKUs ohne Wettbewerber-Matching und Produktkategorien mit den meisten Normalisierungsinkonsistenzen. Sie wissen genau, wo die kostspieligsten Lücken sind und in welcher Reihenfolge sie für maximale Auswirkungen auf Ihr Pricing und Merchandising behoben werden sollten.

Produkttyp-Normalisierung im großen Maßstab, ohne manuelle Regeln

Unsere Modelle analysieren jede Produktbezeichnung im Kontext via Gemini AI im Batch, unter Querverweisungen von Kategorie, Lieferant, benachbarten Produkten und Verkaufshistorie, um den entsprechenden standardisierten Produkttyp abzuleiten. „WEIHENSTEPHAN HALTBARMILCH 1,5% 2L" und „H-Milch 1,5% Fett 2L Weihenstephan" werden automatisch zum selben standardisierten Typ, aggregierbar und vergleichbar. Diese Verarbeitung gilt für den gesamten Katalog und aktualisiert sich bei jedem neuen Lieferanteneintrag.

Imputation fehlender Marken mit Konfidenz-Scoring

Für jeden SKU ohne hinterlegte Marke kreuzt Mercio die Produktbezeichnung, den Lieferantencode, die Kategorie und benachbarte Produkte, um eine Imputation mit einem Konfidenz-Score vorzuschlagen. Imputationen oberhalb des Konfidenzschwellenwerts werden automatisch angewendet. Fälle darunter werden einer einfachen menschlichen Validierungsoberfläche vorgelegt, auf der Ihre Teams in wenigen Klicks bestätigen oder korrigieren, ohne ERP oder PIM öffnen zu müssen.

Aufbau und Pflege des Wettbewerber-Matchings für den gesamten Katalog

Mercio erstellt Matches zwischen Ihren SKUs und äquivalenten Wettbewerberreferenzen durch eine Kombination aus mehrsprachiger semantischer Suche, Attributähnlichkeit und Preisplausibilitätsprüfungen, um falsche Positive auszufiltern, deren Preise zu weit auseinanderliegen, um tatsächlich vergleichbar zu sein. Das Matching deckt den gesamten Katalog ab, wird bei jedem neuen Wettbewerber-Crawl aktualisiert und gibt einen Konfidenz-Score pro Match aus. Ihre Pricing-Teams wissen genau, worauf jeder Wettbewerbsvergleich basiert.

Verwendungsanlass-Empfehlungen mit Geschäftsvalidierung

Mercio identifiziert automatisch Verwendungsanlass-Gruppierungen (Packungen mit 10, 36 und 60 Kapseln derselben Kaffeeserie; 500-ml-, 1-L- und 2-L-Formate derselben Milchsorte) und reicht sie vor der Anwendung zur Validierung ein. Nach der Validierung fließen diese Gruppierungen direkt in Ihre Sortimentsempfehlungsmaschinen, Ihre Kannibalisierungsanalyse und Ihre Sortimentserweiterungsentscheidungen ein.

Eine kontinuierliche Anreicherungspipeline, kein Projekt mit festem Datum

Jedes neue in Ihren Katalog aufgenommene Produkt wird automatisch der Mercio-Pipeline übergeben: Typ-Normalisierung, Marken-Imputation falls fehlend, Wettbewerber-Matching-Versuch, Verwendungsanlass-Vorschlag. Der Katalog verschlechtert sich nicht zwischen Aktualisierungsprojekten. Er verbessert sich kontinuierlich, auf messbare und nachvollziehbare Weise.

Ein umfassender, standardisierter und kontinuierlich angereicherter Produktkatalog ist die Voraussetzung dafür, dass Ihre Pricing-, Merchandising- und Sortimentswerkzeuge zuverlässige Empfehlungen für alle Ihre Artikel liefern, nicht nur für die wenigen hundert, die Ihre Teams manuell verarbeiten konnten.