Gute Produktdaten sind verkaufsentscheidend. Die Zeiten, in denen sich Kunden auf einen einzigen Shoppingkanal verlassen, sind vorbei. Heute machen sie sich online schlau und recherchieren genau, bevor sie sich zum Kauf entscheiden. Aus diesem Grund ist es so wichtig, mit optimierten Produktdaten zu arbeiten. Gerade im E-Commerce müssen die Informationen daher aussagekräftig, detailliert und immer tagesaktuell sein.
Erfolgsentscheidende Informationen
Egal ob für die Auffindbarkeit von Produkten, für Informationen in einem persönlich gestalteten Newsletter oder eine ansprechende Produktbeschreibung – aussagekräftige Produkt- und Kategorieinformationen helfen dem Kunden, Entscheidungen zu treffen.
Im Produktdatenmarketing werden häufig Unmengen von Produktinformationen verarbeitet und verwaltet, für Kampagnen und Artikeltexte genutzt und in personalisierten Botschaften für Kunden aufbereitet. Damit werden Produktdaten auch für eine Automatisierung interessant, denn wer über einen konsistenten Produktdatenfeed mit einer guten Datenstruktur und Datenqualität verfügt, der kann diese auch für eine automatisierte Betextung mit dem Textroboter nutzen.
Aber nicht alle produktbezogenen Daten, die ein Unternehmen besitzt, sind für eine maschinelle Auswertung geeignet. Damit der Textroboter den Datenfeed auch wirklich nutzen kann, muss dieser bestimmte Kriterien erfüllen. Demzufolge müssen die Produktinformationen entsprechend aufbereitet werden, um mittels einer automatisierten Texterstellung ansprechende und aussagekräftige Produkttexte zu erhalten.
Produktdaten und was sie zu erzählen haben
Sehen wir uns zunächst die Daten an, die die meisten Unternehmen ohnehin besitzen und eine Optimierung ermöglichen. Häufig eignen sich nämlich gerade vorhandene Stammdaten aus einem PIM-System oder einem anderen Verwaltungstool von Produktdaten gut für die automatisierte Texterstellung. Stammdaten sind einfache, beschreibende Informationen wie Produktnamen, Hersteller, Abmessungen etc.
Eine strukturierte Übersicht über diese Daten (nach dem Modell Produkt=x, Hersteller=y, Länge=a, Breite=b, Höhe=c) ermöglicht bereits die Erstellung einfacher Sätze, die ggf. sogar für alle Produkte eines Anbieters verwendet werden können. Da haben wir dann einen kurzen Text wie:
Das Smartphone von x ist in der Größe a x b x c erhältlich.
Unter dem Strich wäre hier natürlich die Angabe einer Bildschirmdiagonalen sinnvoller, aber Sie verstehen das Prinzip. Übrigens ließe sich die Bildschirmdiagonale – oder jede sonstige Oberfläche – vom Textroboter auch aus den Maßen berechnen, so dass ganz neue Möglichkeiten entstehen. In einem nächsten Schritt erfassen wir die Daten zu Funktionen und Features. Diese zu strukturieren erfordert etwas mehr Aufwand und das ist auch der Punkt, an dem es häufiger hakt.
Produktfeatures als strukturierte Daten
Die meisten Unternehmen verfügen über zahlreiche Daten zu Produktfunktionen und Besonderheiten. Diese sind wichtig, denn wer kauft schon ein Smartphone mit dem obigen Produkttext?
Wie allerdings lassen sich diese als maschinenlesbare Daten strukturieren? Da für den Textroboter die Zuordenbarkeit von Daten eine wesentliche Rolle spielt, ist es wichtig, die Produktdaten in eindeutige Datenfelder einzuordnen. Da kann es dann beispielsweise heißen:
- Kamera: 8MP
- Datenübertragung: LTE
- Betriebssystem: AndroidAber auch:
- Dual-Sim: false
- Touchscreen: true
Aus diesen Produktdaten lassen sich dann schon ein paar mehr bzw. aussagekräftigere Sätze bilden:
Das Android Smartphone mit Touchscreen verfügt über eine 8MP Kamera. Mit der LTE-Datenübertragung sind Sie auch mobil jederzeit schnellstens vernetzt.
Die einzelnen Datenfelder können für mehrere Produkte gelten und für einen anderen Datensatz auch Daten ganz anderer Produkte beinhalten. So könnte z.B. im Datenfeld „Betriebssystem“ für einen Desktop-Computer die Information Windows 10 enthalten sein.
Meta-Daten für eine interpretative Auslegung von Informationen
Besonders interessant für große E-Commerce-Händler sind auch die sogenannten Meta-Daten, die es dem Textroboter ermöglichen, interpretativ zu agieren. Als solche Meta-Daten eignen sich beispielsweise Verkaufszahlen, Retourenraten oder Bewertungen anderer Käufer.
Dementsprechend lässt eine geringe Retourenrate beispielsweise darauf schließen, dass die Kunden mit der Qualität des Produkts sehr zufrieden sind, was es dem Textroboter ermöglicht, aus diesem Datenfeed einen Satz zu schreiben wie:
Ein besonders beliebtes Produkt, das Ihnen garantiert lange Freude bereitet.
Weitere interessante Informationsquellen für die automatisierte Betextung können auch Shop-Infos und Herstellerdaten sein, die in automatisiert erstellten Texten zusätzlichen Mehrwert und daher eine gesteigerte Qualität und Optimierung bieten.
Wichtig ist und bleibt jedoch die optimale Strukturierung der Daten, damit diese maschinenlesbar sind. Felder, die mehrere schlecht voneinander abgegrenzte Attribute enthalten, sind häufig nicht nutzbar und auch Felder mit Fließtext kann der Textroboter nicht auswerten
Produktdatenoptimierung für die automatisierte Contenterstellung
Aber wie sehen sie aus, die optimalen und kaufrelevanten Daten für die automatisierte Erstellung von Produktbeschreibungen? Wenn ich meine Produktdaten für eine Content-Automation aufbereiten und optimieren möchte, gibt es einige Dinge zu beachten. Ganz konkret bedeutet das, dass ich mir für eine gelungene Produktdatenoptimierung meine Daten genau ansehen und sie ggf. trennen muss.
In vielen Fällen besitzen Shopanbieter z. B. eine Produktbeschreibung oder einen Produktnamen, in dem schon die wichtigsten Features enthalten sind. Da sind dann beispielsweise im Namen eines Sofas schon Farbe, Material und vielleicht sogar die Abmessungen enthalten. Auch wenn das praktisch für den Header ist und der Kunde so direkt sieht, was das Produkt ausmacht, ist es doch nutzlos für den Textroboter.
Denn im Grunde genommen enthält ein solches Datenfeld eine Menge verschenkter Informationen – einfach weil die Attribute aus diesem Datenfeld nicht einzeln ausgelesen werden können. Habe ich jedoch für jede Eigenschaft ein eigenes Datenfeld („Farbe“, „Material“ oder „Maße“), kann ich für jedes Attribut einen eigenen Satz generieren. Wenn dieser dann in verschiedenen Varianten und unterschiedlichen Reihenfolgen ausgespielt wird, entsteht Varianz und Duplicate Content wird vermieden.
Das Stichwort lautet Granularität und je granularer die Daten, desto flexibler und facettenreicher die Betextung.
Häufigkeit des Auftretens oder der Befüllungsgrad
Natürlich bringt es nichts, Hunderte von Datenfeldern anzulegen, die dann jeweils nur ein Produkt von Tausenden betreffen. Für die automatisierte Contenterstellung heißt es abwägen: Welche Daten beschreiben die meisten meiner Produkte und wie hoch ist der Befüllungsgrad, wenn ich dieses oder jenes Attribut schaffe?
Dieser Gedankengang ist nicht eindimensional, denn in manchen Fällen kann es durchaus sinnvoll sein, ein nur wenig befülltes Attribut für die automatisierte Betextung zu nutzen – nämlich dann, wenn genau dieses Attribut eine Besonderheit ist, die ich in den Vordergrund rücken möchte.
Da könnte dann beispielsweise stehen:
Die Applikation aus schillernden Perlen macht dieses T-Shirt zu einem wahren Hingucker.
Selbst wenn es in meinem Shop nur sehr wenige T-Shirts mit einer solchen Applikation gibt, diese Kategorie für mich aber besonders wichtig ist.
Granularität und Struktur
Legen Sie zu Beginn 20-25 Attribute an und erhöhen Sie für das komplette Betextungsprojekt die Anzahl auf den Daumenwert von etwa 90 Attributen, mit denen bereits eine gute Varianz geschaffen werden kann. Hier gilt: Je mehr Datenfelder mit guter Befüllung ich habe, desto flexibler und detailreicher sind die automatisierten Texte, die ich generieren kann.
Es mag etwas aufwendig sein, die vorhandenen Produktdaten und Produktinformationen für die automatisierte Betextung durch einen Textroboter aufzubereiten, aber es lohnt sich! Denn mit gut strukturierten und optimierten Produktdaten lassen sich tolle Suchmaschinen-optimierte Produkttexte für alle Kanäle erstellen, die Kunden ansprechen und begeistern.
Video: Arten und Nutzung von Daten
Der Chef von AX Semantics, Saim Alkan, hat das Thema Produktdaten sehr schön in einem Video zusammengefasst.
