Einen Magento-Katalog mit 20.000 SKUs per KI bereinigen — ohne Neueinstellungen

Fragen Sie einen Magento-Händler nach seinem größten technischen Problem, und Sie hören: Geschwindigkeit, Checkout oder das Upgrade, das immer wieder verschoben wird. Fragen Sie sein Merchandising-Team, bekommen Sie eine andere Antwort: Der Katalog ist ein Chaos. Die Hälfte der Produkte hat eine Beschreibung aus dem Lieferanten-PDF, das Attribut „Material“ ist bei 40 % der SKUs gefüllt, und niemand weiß mehr, welche der drei Farbtaxonomien die echte ist.

Das ist kein kosmetisches Problem. Dünne Attribute zerlegen die Layered Navigation, nehmen der Onsite-Suche genau die Begriffe, die Käufer wirklich eingeben, und erzeugen Kategorieseiten, auf denen Google nichts zu ranken findet. Und je mehr Einkäufe über Agenten laufen, desto weniger sind strukturierte Produktdaten ein SEO-Extra: Sie entscheiden darüber, ob ein Assistent Sie zitiert oder gar nicht wahrnimmt.

Die klassische Lösung ist ein Team für Dateneingabe und achtzehn Monate. Die realistische Lösung im Jahr 2026 ist eine Pipeline. Hier ist die, die wir einsetzen.

Entscheiden Sie, was Sie tatsächlich beheben

Fangen Sie nicht mit den Beschreibungen an. Fangen Sie mit den Attributen an, denn alles andere hängt an ihnen: Filter, Suche, Feeds und Maschinenlesbarkeit. Die Beschreibungen sind das sichtbare Problem, die Attribute das teure.

Führen Sie zuerst ein Vollständigkeits-Audit durch. Ermitteln Sie für jedes Attribut in Ihrem Magento-Attributset den Befüllungsgrad und die Anzahl unterschiedlicher Werte. Dieser eine Report sagt Ihnen mehr als eine Woche voller Meetings — er zeigt Ihnen das Attribut, das zu 94 % gefüllt und trotzdem nutzlos ist, weil es 3.000 verschiedene Freitextwerte enthält, und das andere, das nur zu 30 % gefüllt ist und Ihre Kategorieseiten verändern würde, wenn das anders wäre.

• Befüllungsgrad unter 60 % bei einem filterbaren Attribut — deshalb ist Ihre Layered Navigation so dünn
• Sehr viele unterschiedliche Werte bei einem Attribut, das ein Select sein sollte — Freitext, wo ein Dropdown hingehört, sodass sich nichts gruppieren lässt
• Mehrere Attribute mit derselben Bedeutung — colour, color, shade, geerbt aus drei verschiedenen Import-Skripten
• Fehlende GTIN, MPN oder Marke — die Felder, die darüber entscheiden, ob Ihre Produkte außerhalb Ihrer eigenen Website überhaupt zugeordnet werden können

Die Pipeline

Vier Stufen, und die dritte ist die entscheidende.

1. Export mit Kontext

Exportieren Sie den Katalog mit allem, was das Modell braucht, um seine Antworten zu belegen: vorhandene Beschreibung, Lieferantentext, Kategoriepfad, Name des Attributsets, Marke und jeden Spezifikations-Blob, der in einem eigenen Attribut liegt. Nehmen Sie SKU und Entity-ID mit auf, damit sich die Ergebnisse eindeutig zurückordnen lassen.

Bilden Sie Batches je Attributset, statt den ganzen Katalog als einen Job zu schicken. Ein Prompt, der auf Möbelmaße abgestimmt ist, taugt nichts für Inhaltsstoffe von Kosmetik; mischt man beides, kommt der mittelmäßige Kompromiss aus beidem heraus.

2. Anreichern mit einem eingegrenzten Prompt

Der Prompt hat genau eine Aufgabe: den mitgelieferten Quelltext lesen und ein festes Schema zurückgeben. Keine Marketingtexte schreiben. Nichts verbessern. Extrahieren und normalisieren.

• Geben Sie ihm die erlaubten Werte vor. Wenn material ein Select-Attribut mit 24 Optionen ist, schreiben Sie alle 24 in den Prompt und verlangen Sie, dass die Antwort einer davon ist oder null.
• Verlangen Sie null, und zwar ausdrücklich, für alles, was in der Quelle nicht vorkommt. Das ist die wichtigste einzelne Anweisung der gesamten Pipeline.
• Verlangen Sie ein Konfidenzsignal pro Feld, damit die Prüfung gezielt erfolgen kann statt gleichförmig.
• Geben Sie strukturierte Ausgaben zurück, gegen ein Schema validiert, damit eine fehlerhafte Antwort hörbar scheitert, statt stillschweigend importiert zu werden.

3. Per Stichprobe prüfen, nicht alles lesen

Niemand prüft 20.000 Zeilen, und so zu tun, als ob, ist genau der Grund, warum solche Projekte scheitern. Arbeiten Sie stattdessen mit Stichproben und lassen Sie das Konfidenzsignal die Steuerung übernehmen:

• Zeilen mit geringer Konfidenz: alle prüfen. Das sind die Fälle, in denen die Quelldaten tatsächlich mehrdeutig waren.
• Zeilen mit hoher Konfidenz: Stichprobe von 5 %, geschichtet über Kategorien und Lieferanten, damit sich ein einzelner schlechter Lieferanten-Feed nicht im Durchschnitt verstecken kann.
• Legen Sie vor dem Start eine Abnahmeschwelle fest — wir arbeiten mit 98 % korrekten Werten in der Stichprobe — und wenn ein Batch sie verfehlt, korrigieren Sie den Prompt und lassen den Batch erneut laufen, statt Zeilen von Hand zu korrigieren.
• Nehmen Sie nie nur die einfachen Kategorien in die Stichprobe. Der Fehlerfall, den Sie suchen, steckt in den unsaubersten Lieferantendaten, die Sie haben.

Eine Merchandising-Kraft, die eine gut aufgebaute Stichprobe prüft, schafft einen Batch an einem Nachmittag. Dieselbe Person säße bei jeder einzelnen Zeile an Weihnachten noch daran — deshalb wird die ungesteuerte Variante dieses Projekts nie fertig.

4. Import in umkehrbaren Batches

Importieren Sie je Attributset und je Batch, und legen Sie die Werte vor dem Import so ab, dass Sie sie wiederherstellen können. Der Import von Magento überschreibt 20.000 Zeilen gute Daten mühelos und sehr schnell mit 20.000 Zeilen schlechten Daten, und auffallen wird es meist erst eine Woche später, wenn jemand bemerkt, dass die Filter seltsam aussehen.

Führen Sie einen Reindex durch und prüfen Sie dann Layered Navigation und Suchergebnisse in den betroffenen Kategorien, bevor Sie den nächsten Batch freigeben. Die sichtbare Oberfläche ist Ihr Regressionstest.

Beschreibungen: eine andere, riskantere Aufgabe

Sind die Attribute erst sauber, ist es deutlich sicherer, daraus Beschreibungstexte zu erzeugen — das Modell setzt Sätze aus geprüften Fakten zusammen, statt Fakten aus Fließtext abzuleiten. Halten Sie diese Reihenfolge ein, niemals die umgekehrte.

Auch dann bleibt Vorsicht geboten. Googles Vorgaben zielen auf Nützlichkeit, nicht auf Herkunft: Automatisch erzeugter Text, der einem Käufer wirklich hilft, ist in Ordnung; Text, der nur eine Seite füllt, ist es nicht — unabhängig davon, wer oder was ihn geschrieben hat. In der Praxis heißt das:

• Belegen Sie jede Aussage mit einem Attribut. Keine erfundenen Vorteile, keine erfundene Kompatibilität, keine erfundenen Pflegehinweise.
• Geben Sie dem Prompt ein echtes Briefing zur Markenstimme mit drei freigegebenen Beispielen — der Unterschied zwischen generischem und markengerechtem Ergebnis liegt fast vollständig in den Beispielen.
• Rollen Sie gegen eine Holdout-Gruppe aus: Reichern Sie die Hälfte einer Kategorie an, lassen Sie die andere Hälfte unverändert und vergleichen Sie organische Impressionen und Conversion nach einem vollständigen Crawl-Zyklus. Nur so erfahren Sie, ob es gewirkt hat.
• Behalten Sie bei regulierten Kategorien die menschliche Freigabe. Alles mit Angaben zu Gesundheit, Sicherheit, Inhaltsstoffen oder Compliance läuft nicht durch eine automatisierte Pipeline. Niemals.

Wo es schiefgeht

Vier Fehlerbilder, die wir alle schon gesehen haben.

1. Halluzinierte Spezifikationen. Maße, Gewichte und Kompatibilität, aus dem Kontext erfunden. Das ist ein Retouren-Problem und in manchen Kategorien ein rechtliches — deshalb wiegt die null-Anweisung schwerer als das Schema.
2. Echte Unterschiede wegnormalisieren. 3.000 Freitextfarben in 24 Optionen zu zwingen ist genau der Zweck der Übung — bis „Racing Green“ und „British Racing Green“ zu „Green“ verschmelzen und ein Kunde das falsche Autoteil erhält.
3. Stille Taxonomie-Drift. Jeder Batch verschiebt die Werte ein wenig anders, und sechs Monate später ist das Attribut auf neue Weise inkonsistent. Dagegen hilft eine gesperrte Liste erlaubter Werte, nicht Disziplin beim Prompt.
4. Auf Menge optimieren statt auf Sichtbarkeit. Ein Befüllungsgrad von 100 % bei einem Attribut, nach dem niemand filtert, bringt nichts. Priorisieren Sie danach, was Suche und Navigation tatsächlich verwenden.

Was es kostet

Die Modell-Inferenz über einen Katalog mit 20.000 SKUs ist mit Abstand der günstigste Teil dieses Projekts — die Kosten stecken in der Entwicklung der Pipeline und in der Zeit des Merchandising-Teams für die Prüfung der Stichproben. Planen Sie einige Wochen Integrationsarbeit und ein definiertes Kontingent an fachlicher Prüfzeit ein; die Ausgaben für Tokens sind gegenüber beidem ein Rundungsfehler.

Genau dieses Verhältnis macht den Ansatz lohnend. Was früher teuer war — Personenstunden pro SKU — wird zu einer stichprobenbasierten Qualitätsfunktion statt einer linearen, und was heute günstig ist, skaliert mit dem Katalog statt mit der Personalstärke.

Der zweite Gewinn: Maschinenlesbarkeit

Ein sauberer, normalisierter Katalog ist die Voraussetzung für alles, was danach kommt und derzeit für Begeisterung sorgt. Semantische Suche taugt nur mit konsistenten Attributen etwas. Die Qualität von Empfehlungen ist durch die Qualität der Produktdaten begrenzt. Merchant-Feeds weisen Produkte mit fehlender GTIN zurück. Und KI-Shopping-Assistenten können nur Produkte nennen, deren Attribute sie lesen und denen sie vertrauen können.

An anderer Stelle haben wir darüber geschrieben, wie Ihre Produkte von ChatGPT und Perplexity empfohlen werden, und die ehrliche Zusammenfassung lautet: Der größte Teil dieser Arbeit ist genau diese Arbeit. Das unspektakuläre Datenprojekt ist das, das die interessanten überhaupt erst ermöglicht.

Unser Team für KI und Machine Learning baut diese Pipelines an laufenden Magento-Katalogen, und unser breiter aufgestellter Bereich KI-Integration existiert genau dafür, die Grundlagen richtig zu legen, bevor der clevere Teil eingeschaltet wird. Dasselbe Prinzip sehen Sie in unserem Bestandsprojekt für Portmeirion, bei dem das Modell immer nur so gut war wie die Daten, die es speisten.

Beginnen Sie mit dem Vollständigkeits-Audit

Bevor Sie irgendetwas davon angehen, holen Sie sich für Ihre Attributsets den Report zu Befüllungsgrad und unterschiedlichen Werten — er rückt das Problem meist in ein anderes Licht. Wir erstellen ihn für Ihren Katalog und sagen Ihnen, welche Attribute die Pipeline wert sind und welche nur Rauschen sind. Sprechen Sie mit unserem Team; wir antworten innerhalb eines Werktags.