Ein Nutzer sucht auf Google nach einem kabellosen Kopfhörer mit Noise-Cancelling unter 150 Euro. Er bekommt innerhalb von Sekunden eine strukturierte Übersicht mit Preis, Verfügbarkeit und Bewertungen, direkt in den Suchergebnissen, ohne eine einzige Website zu öffnen. Was hier wie Magie wirkt, ist das Ergebnis von sauber strukturierten Produktdaten, die Maschinen lesen, auswerten und weiterverarbeiten können.
Was maschinenlesbare Produktdaten eigentlich bedeuten
Produktdaten existieren in jedem Onlineshop. Die Frage ist nicht, ob sie vorhanden sind, sondern in welchem Format. Eine Beschreibung wie „hochwertiger Kopfhörer mit tollem Klang“ ist für einen Menschen verständlich, für eine Suchmaschine oder ein Vergleichsportal jedoch nahezu wertlos. Maschinenlesbar bedeutet: strukturiert, eindeutig, in einem standardisierten Format hinterlegt.
Konkret geht es dabei um Formate wie JSON-LD (JavaScript Object Notation for Linked Data), Microdata oder RDFa. Alle drei erlauben es, Produktattribute wie Preis, Marke, EAN-Nummer, Verfügbarkeit oder Bewertungsdurchschnitt so auszuzeichnen, dass Crawler sie direkt aus dem Quellcode extrahieren können. Google nutzt diese Daten zum Beispiel, um Rich Results in der Suche anzuzeigen, also jene kleinen Produktkarten mit Sternen, Preisen und Verfügbarkeitshinweisen, die Klickraten laut Studien um bis zu 30 Prozent steigern können.
Warum das Format über Sichtbarkeit entscheidet
Preisvergleichsportale wie Idealo oder Google Shopping beziehen ihre Daten aus Produktfeeds, meist im Format CSV, XML oder JSON. Wer seinen Feed fehlerhaft aufbaut, zu wenig Pflichtfelder befüllt oder veraltete Daten liefert, verliert Platzierungen. Google Shopping etwa lehnt Produkte automatisch ab, wenn Pflichtattribute wie GTIN (Global Trade Item Number), Marke oder Produktkategorie fehlen oder inkonsistent sind.
Ein Beispiel aus der Praxis: Ein mittelgroßer Elektronikhändler mit rund 4.000 SKUs hatte über Monate sinkende Impressionen in Google Shopping. Nach einer Feed-Analyse stellte sich heraus, dass bei 800 Produkten die GTIN fehlte und bei weiteren 400 die Produkttitel nicht dem empfohlenen Format „Marke + Modell + wesentliches Attribut“ entsprachen. Nach der Korrektur stiegen die Impressionen innerhalb von sechs Wochen um 41 Prozent.
Schema.org als gemeinsame Sprache
Die Grundlage für strukturierte Produktdaten im Web ist Schema.org, ein gemeinsames Vokabular, das Google, Microsoft, Yahoo und Yandex 2011 gemeinsam entwickelt haben. Es definiert, welche Eigenschaften ein Produkt haben kann: Name, Bild, Beschreibung, Angebotspreis, Währung, Lieferzeit und Dutzende weitere. Wer diese Auszeichnungen korrekt implementiert, spricht eine Sprache, die alle großen Suchmaschinen verstehen.
Daten, die Maschinen lesen können, sind dabei kein nettes Extra, sondern die Voraussetzung dafür, dass Produkte in automatisierten Systemen überhaupt sauber verarbeitet werden. Das gilt für Suchmaschinen genauso wie für Preisvergleicher, Marktplätze oder KI-gestützte Shopping-Assistenten, die seit 2024 zunehmend in Browsern und Mobilgeräten integriert sind.
Welche Fehler in der Praxis am häufigsten auftreten
Bei der Analyse von Produktfeeds und Shop-Implementierungen zeigen sich immer wieder dieselben Problemmuster:
- Fehlende oder falsche GTIN: Viele Händler vergeben eigene interne Artikelnummern, statt die vom Hersteller vorgegebene EAN oder ISBN zu verwenden.
- Inkonsistente Preisangaben: Der Preis im Feed weicht vom tatsächlichen Checkout-Preis ab, was zu Ablehnungen bei Google Shopping führt.
- Kein Availability-Status: Ob ein Produkt auf Lager ist oder nicht, wird nicht maschinenlesbar hinterlegt, obwohl genau dieses Attribut Kaufentscheidungen stark beeinflusst.
- Fehlende Bildvorgaben: Google Shopping fordert Bilder mit mindestens 100×100 Pixeln für Nicht-Bekleidung, bei Bekleidung mindestens 250×250 Pixel und weißem Hintergrund. Viele Feeds liefern komprimierte oder beschnittene Thumbnails.
- Doppelte Produktseiten ohne kanonische URLs: Variantenprodukte wie dasselbe Modell in verschiedenen Farben tauchen mehrfach im Feed auf, ohne dass eine klare Hauptseite definiert ist.
KI-Assistenten als neuer Vertriebskanal
Was lange nur für klassische Suchmaschinen galt, trifft seit 2024 auch auf KI-basierte Shopping-Funktionen zu. Microsofts Copilot, Googles KI-Übersichten und sprachgesteuerte Assistenten auf Mobilgeräten greifen auf strukturierte Daten zurück, um Produktempfehlungen zu generieren. Wer hier nicht sauber ausgezeichnet ist, taucht in diesen Empfehlungen schlicht nicht auf.
Das Marktforschungsunternehmen Botify schätzte Ende 2024, dass bis zu 40 Prozent des E-Commerce-Traffics bis 2027 über KI-vermittelte Kanäle laufen wird. Für Händler bedeutet das: Strukturierte Daten sind kein technisches Detail mehr, das die IT-Abteilung nebenbei erledigt. Sie sind Grundlage der Sichtbarkeit in einem sich verändernden Suchumfeld.
Was gute Produktdaten konkret leisten
Sauber strukturierte Produktdaten verbessern nicht nur die Auffindbarkeit. Sie beschleunigen auch die interne Verarbeitung: Fulfillment-Systeme, Lagerverwaltungssoftware und Marktplatz-Schnittstellen zu Amazon, Otto oder Zalando setzen alle auf standardisierte Formate. Wer in seinem PIM-System (Product Information Management) sauber arbeitet, reduziert Fehler beim Export in verschiedene Kanäle deutlich.
Ein Vergleich der wichtigsten Auszeichnungsformate:
| Format | Einsatzbereich | Vorteil |
|---|---|---|
| JSON-LD | Suchmaschinen, Rich Results | Im Head des Dokuments, keine DOM-Änderung nötig |
| XML-Feed | Google Shopping, Idealo | Vollständige Produktliste, automatisch aktualisierbar |
| Microdata | Suchmaschinen | Direkt im HTML-Code eingebettet |
| CSV | Marktplätze, interne Systeme | Einfach zu pflegen, universell importierbar |
Wer heute online Produkte verkauft oder vergleicht, kommt an einer Grundfrage nicht vorbei: Können Maschinen die eigenen Daten lesen, verstehen und weiterverarbeiten? Die Antwort entscheidet darüber, ob ein Angebot in Suchergebnissen, Preisvergleichern und KI-Empfehlungen auftaucht, oder schlicht unsichtbar bleibt.
