Wenn KI-Agenten Produkte suchen, vergleichen und auswählen, verändern sich die Anforderungen an Produktdaten grundlegend.
Vor langer Zeit waren Produktdaten notwendig um Menschen zum Kauf zu bewegen. Dann kam Google und plötzlich musste ein Produkt gefunden werden. Produktdaten wurden zur Grundlage für SEO, Filter, Kategorien und strukturierte Suche. KI-Systemen suchen nicht nur, sie verstehen, vergleichen und empfehlen und wählen nach Anforderung.
Maschinen lesen anders
Ein Mensch kann mit Unschärfe gut umgehen. Er erkennt aus einem Bild, dass ein Produkt schwarz ist. Er versteht aus einem Fließtext, dass ein Waschbecken für die Wandmontage geeignet ist. Eine Maschine braucht eindeutige Informationen.
Für einen KI-Agenten ist ein Satz wie „unser leistungsstarker Klassiker für höchste Ansprüche“ kaum nutzbar. Wichtiger sind konkrete Eigenschaften:
- Leistung: 1.200 Watt
- Spannung: 230 Volt
- Schutzart: IP44
- Montageart: Wandmontage
- Material: Edelstahl
- Lieferzeit: 2–3 Werktage
Je strukturierter, eindeutiger und vergleichbarer diese Informationen vorliegen, desto besser kann eine KI beurteilen, ob ein Produkt zu einer Anfrage passt. Saubere strukturierte Produktdaten werden damit zur Voraussetzung für maschinenlesbare Produktkommunikation.
Ein Produkt besteht nicht nur aus Fakten
Strukturierte Daten allein reichen nicht. Eine KI muss nicht nur wissen, was ein Produkt ist, sondern auch wofür es eingesetzt werden kann. Bei einer Bohrmaschine lassen sich Leistung, Gewicht, Drehzahl und Bohrfutterdurchmesser sauber als Attribute beschreiben. Damit ist noch nicht beantwortet, ob sie für das Bohren in Beton, für gelegentliche Heimwerkerarbeiten oder für den professionellen Dauereinsatz geeignet ist.
Für eine gute Produktempfehlung braucht die KI Antworten auf Fragen wie:
- Für welche Anwendung ist das Produkt geeignet?
- Welches Problem löst es?
- Für welche Umgebung oder Einbausituation ist es gedacht?
- Welche Voraussetzungen müssen erfüllt sein?
- Mit welchen Produkten ist es kompatibel?
- Welches Zubehör wird benötigt?
- Welche Alternativen gibt es?
- Für welche Zielgruppe ist das Produkt geeignet?
- Welche Einschränkungen gibt es beim Einsatz?
- Welche Produkte können gemeinsam verwendet werden?
Nutzer suchen nicht nach einem konkreten Produkt, sondern beschreiben ein Problem
- „Welche Leuchte eignet sich für mein Badezimmer?“
- „Welche Armatur passt zu diesem Waschtisch?“
- „Welches Kabel brauche ich für diese Maschine?“
Das PIM muß die Brücke von den Produkteigenschaften über die Einsatzgebiete zu den Anforderungen der Kunden schlagen.
Das PIM wird zur Product Knowledge Base
Das klassische PIM verwaltet Informationen über Produkte:
- Namen
- Beschreibungen
- technische Merkmale
- Bilder und Assets.
Für KI-Anwendungen werden Beziehungen und Anwendungswissen wichtiger.
- Welches Problem löst ein Produkt?
- Womit ist es kompatibel?
- Welches Zubehör wird benötigt?
- Welche Alternative passt?
- Welche Kombinationen funktionieren?
Damit entwickelt sich das PIM von einer Product Information Base zu einer Product Knowledge Base.
Das Ziel ist, Produktwissen so strukturiert aufzubauen, dass Maschinen daraus verlässliche Antworten und Empfehlungen ableiten können.
Das Datenmodell der Zukunft besteht deshalb nicht nur aus Attributen.
Anwendungsfälle, Beziehungen, Klassifikationen und semantische Zusammenhänge werden Teil des Produktwissens. Wenn KI zwischen Unternehmen und Kunden tritt, braucht sie eine verlässliche Quelle für dieses Wissen.
Schema.org macht Produktwissen maschinenlesbar
Damit Maschinen dieses Wissen nutzen können, muss es strukturiert ausgegeben werden. Ein etablierter Ansatz ist schema.org.
Schema.org stellt ein gemeinsames Vokabular bereit um Produkte, Eigenschaften, Angebote und weitere Informationen eindeutig beschrieben zu können. Ein Produkt ist für eine Maschine dann nicht mehr nur eine Überschrift, ein Text und eine Tabelle auf einer Webseite sondern wird mit allen seinen Fakten abgebildet. Dabei ist schema.org kein starres Konzept sondern liefert das Werkzeug um eigene Themen zum Produkt abzubilden und dem KI-Agenten zur Verfügung zu stellen.
Technisch kann dies zum Beispiel über JSON-LD in eine Webseite eingebunden werden.
Aus dem Satz „Unsere Armatur Modell X ist in Schwarz erhältlich und eignet sich für kleine Waschtische“ können maschinenlesbare Aussagen entstehen:
- Produkt: Modell X
- Produkttyp: Waschtischarmatur
- Farbe: Schwarz
- geeignet für: kleine Waschtische
Schema.org schafft die Struktur für die Ausgabe. Die Inhalte müssen vorher vorhanden sein. Wenn im PIM nicht hinterlegt ist, für welchen Anwendungsfall ein Produkt geeignet ist, kann diese Information auch nicht strukturiert ausgegeben werden. Maschinenlesbarkeit beginnt deshalb im Datenmodell.
Der nächste Kunde ist vielleicht kein Mensch. Aber auch er muss verstehen, was dein Produkt kann.