KI im Produktdaten-Feed: Attribute anreichern, Titel optimieren, skalierbar

Jede Katalog-Kampagne ist nur so gut wie die Daten, aus denen sie gebaut wird. Titel, Attribute, Kategorien, Bilder – daraus entstehen Dynamic Product Ads, danach sortiert Advantage+ Shopping dein Sortiment, darauf baut jedes Retargeting auf. Das Problem: Bei großen Sortimenten ist saubere Feed-Pflege manuell schlicht nicht zu leisten. Genau hier setzt KI an – nicht als Zauberstab, sondern als Werkzeug, das Sprach- und Strukturarbeit in einer Menge erledigt, die kein Team von Hand schafft. Dieser Artikel zeigt die Anwendungsfälle, die sich in der Praxis bewähren, die Leitplanken, ohne die es riskant wird, und einen Workflow, der beides verbindet.

Der Feed ist die Datenbasis – nicht das Anhängsel

Im Katalog-Marketing gilt eine unbequeme Wahrheit: Deine Anzeige wird nicht gestaltet, sie wird aus Daten gebaut. Der Produktkatalog liefert Titel, Bild, Preis und Attribute – und jede Schwäche darin wird tausendfach ausgespielt. Dynamic Product Ads zeigen Nutzern exakt die Produkte, die dein Feed beschreibt; wie dieses Fundament aussieht, haben wir im Artikel Dynamic Product Ads & Katalog-Setup beschrieben. Advantage+ Shopping entscheidet anhand derselben Daten, welche Produkte es wem zeigt. Und auch das Retargeting greift auf den Katalog zurück, wenn es angesehene Produkte zurück ins Gedächtnis holt.

Der Feed ist damit kein technisches Anhängsel, sondern die gemeinsame Datenbasis aller Katalog-Kampagnen. Verbesserst du ihn, verbesserst du jede dieser Kampagnen gleichzeitig – deshalb behandeln wir Feed Hacking als eigene Disziplin, die Produktdaten mit echten Performance-KPIs verbindet und daraus dynamische Segmente baut. Die Voraussetzung dafür ist allerdings, dass die Basisdaten stimmen: vollständige Attribute, verkaufende Titel, konsistente Kategorien. Und genau daran scheitern große Sortimente regelmäßig.

Warum manuelle Feed-Pflege nicht skaliert

Bei fünfzig Produkten kannst du jeden Titel von Hand schreiben. Bei fünftausend nicht. Varianten multiplizieren das Problem – jede Größe, jede Farbe ist ein eigener Datensatz, der stimmen muss. Dazu kommt die Dynamik: Sortimente wechseln, Saisonware kommt und geht, Lieferanten liefern Rohdaten in höchst unterschiedlicher Qualität. Der eine schickt saubere Attribute, der nächste packt alles Wichtige in einen Fließtext, der dritte kürzt Farbnamen nach interner Logik ab.

Das Ergebnis sieht in vielen Shops gleich aus: Die Top-Seller sind gepflegt, der Long Tail verwahrlost. Dort fehlen Materialangaben, Titel beginnen mit Artikelnummern, Kategorien widersprechen sich. Für die Ausspielung heißt das: Ein Teil des Sortiments tritt mit angezogener Handbremse an, weil die Plattform ihn nicht sauber zuordnen kann.

Der klassische Ausweg – ein Content-Team, das den Feed durcharbeitet – funktioniert nur bedingt. Bis das Team einmal durch ist, hat sich das Sortiment längst wieder gedreht, und die Kosten wachsen linear mit der Produktzahl. Diese Sorte Arbeit – repetitiv, sprachlich, in großer Menge – ist exakt der Fall, für den moderne Sprachmodelle gebaut sind: Sie skalieren mit dem Sortiment, ohne dass der Aufwand im gleichen Maß mitwächst.

Was KI im Feed konkret leisten kann

Die folgenden Anwendungsfälle haben sich in der Praxis bewährt – nicht als Spielerei, sondern als Arbeit, die vorher schlicht liegen geblieben ist. Sinnvoll ist dabei eine klare Priorisierung: Zuerst kommen die Felder dran, die die Ausspielung am stärksten beeinflussen – Titel und Pflichtattribute –, danach die Kür wie Kanalvarianten und Bildchecks.

Titel nach Suchlogik umschreiben. Lieferanten-Titel folgen interner Logik, Nutzer und Algorithmen brauchen Suchlogik: Produkttyp, Marke und kaufentscheidende Attribute nach vorn, weil Titel je nach Platzierung abgeschnitten werden. Aus einem kryptischen Rohtitel wird so ein Titel, der Produkt, Material und Farbe klar benennt. KI baut solche Titel aus Rohdaten und Beschreibung nach einem festen Muster – für zehntausend Produkte in einem Durchlauf, konsistent nach denselben Vorgaben.

Fehlende Attribute aus Beschreibungen extrahieren. Material, Farbe, Passform oder Anlass stehen oft im Fließtext der Produktbeschreibung, aber nicht als strukturiertes Attribut im Feed. Für die Plattform existiert die Information damit nicht. Sprachmodelle sind für genau diese Extraktionsarbeit stark: Sie lesen die Beschreibung und füllen die leeren Attributfelder – Feld für Feld, Produkt für Produkt.

Kategorisierung vereinheitlichen. Gewachsene Shops haben gewachsene Kategorien: Dasselbe Produkt heißt einmal Strickware, einmal Pullover, einmal Oberteile. KI kann Produkte einer einheitlichen Taxonomie zuordnen und Widersprüche markieren – die Grundlage dafür, dass Produkt-Sets und automatische Gruppierungen sauber funktionieren.

Beschreibungstexte pro Kanal variieren. Was ein Suchkanal an nüchterner Information braucht, unterscheidet sich von dem, was in einer Meta-Katalog-Anzeige wirkt. Aus einer Master-Beschreibung lassen sich Kanalvarianten erzeugen: sachlich-vollständig hier, verdichtet und nutzenorientiert dort – ohne dass jemand jede Variante von Hand schreibt.

Bild-Auswahl prüfen. Multimodale Modelle unterstützen bei Bildchecks: Passt das Hauptbild zur Beschreibung? Ist es ein Freisteller oder ein wildes Umgebungsfoto? Fehlt bei einer Farbvariante das passende Bild? Solche Prüfungen ersetzen kein Kreativ-Team, aber sie finden Ausreißer in Sortimenten, die niemand komplett durchsieht.

Wie viel KI auf der Creative-Seite übernimmt – und wo der Mensch unverzichtbar bleibt – haben wir im Artikel KI-Creatives für Meta & TikTok Ads beschrieben. Für den Feed gilt dieselbe Grundhaltung: Die Maschine liefert Volumen, der Mensch setzt den Rahmen und behält das Urteil.

Grenzen und Leitplanken

So groß der Hebel ist – ohne Leitplanken wird KI im Feed schnell zum Risiko. Drei Regeln haben sich als nicht verhandelbar erwiesen.

KI-Output immer stichprobenartig prüfen. Sprachmodelle halluzinieren, und bei Produktfakten ist das Gift. Eine erfundene Materialangabe – reine Baumwolle an einem Polyester-Shirt – ist keine Stilfrage, sondern produziert Retouren, enttäuschte Kunden und im Zweifel rechtliche Probleme. Deshalb geht kein KI-Lauf ungeprüft live. Stichproben folgen einem festen Schema, mit besonderem Blick auf Faktenfelder wie Material, Maße und Pflegehinweise. Eine brauchbare Faustregel: Alles, was ein Kunde reklamieren könnte, wird kontrolliert.

Regeln vor Modellen. Was deterministisch geht, gehört nicht in die KI. Preisformatierung, Verfügbarkeits-Logik, das Anhängen des Markennamens an jeden Titel – dafür gibt es Regeln, die immer gleich und nachvollziehbar arbeiten. KI kommt dort zum Einsatz, wo Sprache interpretiert werden muss. Wer die Reihenfolge umdreht, kauft sich Unvorhersehbarkeit an Stellen ein, an denen sie nichts einbringt.

Versionierung und Rollback. Jeder Anreicherungslauf braucht einen dokumentierten Stand davor und danach. Fällt in der Stichprobe ein systematischer Fehler auf – etwa ein Prompt, der Farbnamen falsch überträgt –, musst du den kompletten Lauf zurücknehmen können, statt zehntausend Felder von Hand zu reparieren. Das klingt nach trockener IT-Hygiene, entscheidet in der Praxis aber darüber, ob du mutig automatisieren kannst oder jede Änderung fürchten musst.

Der Workflow: Export, Anreicherung, Prüfschleife, Import

Bewährt hat sich ein vierstufiger Kreislauf, der bewusst außerhalb des Live-Systems arbeitet:

1. Export. Der aktuelle Feed wird als Arbeitskopie gezogen – die KI arbeitet nie direkt auf den Live-Daten deines Shops.
2. Anreicherung. Erst laufen die deterministischen Regeln, dann übernimmt die KI die Sprach- und Interpretationsarbeit: Titel, Attribute, Kategorien, Kanalvarianten.
3. Prüfschleife. Automatische Plausibilitäts-Checks fangen das Grobe ab – Feldlängen, Pflichtfelder, unzulässige Begriffe. Danach folgt die menschliche Stichprobe mit Fokus auf Faktenfelder. Fällt der Lauf durch, geht er zurück in die Anreicherung, nicht in den Shop.
4. Import. Erst der geprüfte Stand wird versioniert eingespielt – mit der Möglichkeit, jederzeit auf den Stand davor zurückzugehen.

Entscheidend ist der Rhythmus: Feed-Anreicherung ist kein Projekt, das man einmal abschließt, sondern ein laufender Prozess. Ständig kommen neue Produkte dazu, Lieferanten ändern ihre Datenformate, Kanäle passen ihre Anforderungen an. Wer den Kreislauf einmal sauber aufgebaut hat, lässt ihn kontinuierlich mitlaufen – neue Produkte durchlaufen ihn automatisch, Bestandsdaten werden turnusmäßig nachgezogen. So steigt die Datenqualität mit jedem Durchgang, statt nach Projektende wieder zu verfallen. Und genau dann entsteht die Basis, auf der Feed-Segmente nach Performance-Kriterien ihren vollen Wert entfalten: Anreicherung liefert die sauberen Daten, Segmentierung macht daraus Strategie.

Fazit

Der Feed ist die Datenbasis aller Katalog-Kampagnen – und KI macht seine Pflege erstmals auch bei großen Sortimenten skalierbar. Titel nach Suchlogik, extrahierte Attribute, einheitliche Kategorien, Kanalvarianten und Bildchecks sind die Anwendungsfälle mit dem größten Hebel. Aber der Hebel wirkt nur mit Leitplanken: Stichproben statt blindem Vertrauen, Regeln vor Modellen, Versionierung statt Einbahnstraße. Wer das als laufenden Kreislauf aufsetzt, verbessert nicht eine Kampagne, sondern das Fundament unter allen. Im kostenlosen Account-Check schauen wir uns neben deinem Kampagnen-Setup auch an, wo dein Feed heute steht – und wo Anreicherung den größten Unterschied machen würde.