Warum sich Amazon-Händler nicht auf KI verlassen sollten: Die Bedeutung von Produkttypen und Keywords

Suchalgorithmen im E-Commerce stoßen an ihre Grenzen, weil Kundenanfragen häufig ungenau, mehrdeutig oder unspezifisch formuliert sind. Selbst fortschrittliche KI-Modelle können Suchanfragen nicht immer korrekt einem passenden Produkttyp zuordnen. Die Folge sind Fehlklassifikationen, die sich direkt auf die Sichtbarkeit und Auffindbarkeit von Produkten auswirken – etwa bei der Interpretation von Synonymen oder der Unterscheidung komplementärer Produkttypen.

Dieser Artikel soll Amazon-Händler für genau diese Problematik sensibilisieren. Er zeigt anhand aktueller Erkenntnisse aus einer Amazon-Studie, warum Automatisierung allein keine korrekte Produkttyp-Kategorisierung garantiert und welche Maßnahmen Händler ergreifen sollten, um langfristig Sichtbarkeit und Umsatz zu sichern.

Automatisierung vs. Präzision

Die fortschreitende Automatisierung im E-Commerce hat in den letzten Jahren zu einer weit verbreiteten Annahme geführt: Suchmaschinen und Marktplätze seien inzwischen so gut optimiert, dass manuelle Kategorisierungen und Keywords kaum noch eine Rolle spielen. Moderne Algorithmen sollen automatisch erkennen, was Kunden suchen, und die passenden Produkte anzeigen – unabhängig davon, wie präzise oder unpräzise eine Suchanfrage formuliert ist.

Doch eine aktuelle Studie von Amazon zur Kategorisierung von E-Commerce-Suchanfragen widerlegt diese Annahme. Sie zeigt, dass insbesondere bei der automatischen Klassifikation von Suchanfragen Fehler auftreten, die direkte Auswirkungen auf die Sichtbarkeit und Verkaufschancen von Produkten auf Marktplätzen wie Amazon haben. Wenn eine Suchanfrage einem falschen Produkttyp zugeordnet wird, erscheinen betroffene Produkte unter irrelevanten Kategorien und werden mit weniger passenden Keywords verknüpft, was ihre Auffindbarkeit in der Suche erheblich einschränkt.

Wo Suchalgorithmen an ihre Grenzen stoßen

Die Studie verdeutlicht, dass Suchanfragen in der Praxis häufig mehrdeutig oder unpräzise sind. Kunden verwenden Synonyme, umgangssprachliche Begriffe oder allgemein gehaltene Formulierungen, die von Algorithmen interpretiert werden müssen. Dies führt zu Fehlern in der Produkttyp-Kategorisierung und beeinträchtigt die Relevanz der Suchergebnisse. Besonders drei Problemfelder treten dabei hervor.

Problemfeld 1: Fehlklassifikationen bei Medienprodukten

Ein zentrales Problem sind Fehlklassifikationen bei Medienprodukten. Die Studie zeigt, dass der Produkttyp „Buch“ („BOOK“) häufig fälschlicherweise für andere Medienformate wie Filme („MOVIE“), Serien („TV_SEASON“), Musiktitel („MUSIC_TRACK“) oder Anwendungen („SKILL_APPLICATION“) verwendet wird. Vermutlich geschieht dies aufgrund ähnlicher oder identischer Titel und Produktbeschreibungen. Ein konkretes Beispiel aus der Studie verdeutlicht dies: Die Suchanfrage „Follow Me“ wurde in Singapur der Kategorie „Buch“ („BOOK“) zugeordnet, da viele Bücher diesen Titel enthalten. Tatsächlich bezieht sich die Anfrage in diesem lokalen Markt jedoch überwiegend auf eine bekannte Shampoo-Marke („shampoo“). Solche Zuordnungsfehler haben zur Folge, dass Kunden nicht die erwarteten Produkte angezeigt bekommen und relevante Angebote in den Suchergebnissen verloren gehen.

Problemfeld 2: Probleme mit wechselnden Kaufabsichten und Synonymen

Ein weiteres Problemfeld sind fehlerhafte Klassifikationen, die entstehen, wenn sich der Algorithmus überwiegend auf aggregierte Klickdaten („Click-Through-Daten“) verlässt. Diese Fehler entstehen insbesondere dann, wenn Kunden ihre ursprüngliche Kaufintention während der Produktsuche verändern oder wenn der Algorithmus Schwierigkeiten hat, Synonyme oder ähnliche Produkttypen klar voneinander abzugrenzen

Die Studie verdeutlicht beispielsweise, dass Kunden nicht immer auf das technisch korrekte Produkt klicken, sondern häufig ihre Kaufintention im Laufe der Produktsuche ändern. So wurde die Suchanfrage „integrierte Grafikeinheit” („integrated graphics“) überwiegend dem Produkttyp „Notebook“ („NOTEBOOK_COMPUTER“) zugeordnet, obwohl technisch gesehen „Grafikkarte“ („VIDEO_CARD“) zutreffender wäre. Der Grund könnte darin liegen, dass Kunden bei dieser Suchanfrage Notebooks bevorzugten, die bereits eine integrierte Grafikeinheit besitzen.

Ein ähnlicher Klassifikationsfehler trat bei der Suche nach einem „Wischeimer“ („mop bucket“) auf. Hier ordnete der Algorithmus die Suchanfrage fälschlicherweise einem „Wischeimer-Set“ („MOP_BUCKET_SET“) zu, obwohl technisch gesehen die Kategorie „Eimer“ („BUCKET“) korrekt gewesen wäre. Auch beim Suchbegriff „Handgepäck“ („carry on luggage“) beobachteten die Autoren ein ähnliches Phänomen: Die von sQuIrRel korrekterweise vorgeschlagene Kategorie „Koffer“ („SUITCASE“) wurde von Kunden weniger bevorzugt angeklickt als die Alternativkategorie „Rucksack“ („BACKPACK“).

Problemfeld 3: Verwechslung komplementärer Produkttypen

Ein drittes Problemfeld betrifft die Verwechslung komplementärer Produkttypen. Die Studie zeigt, dass Produkte, die thematisch eng verwandt sind, aber unterschiedliche Kaufabsichten bedienen, häufig miteinander vermischt werden. Ein Beispiel hierfür ist die fehlerhafte Zuordnung eines Staubsaugergriffs („vacuum cleaner handle“) zum Produkttyp Staubsauger („vacuum cleaner“). Obwohl ein Staubsaugergriff als Ersatzteil durchaus relevant für Besitzer eines Staubsaugers ist, erwarten Kunden bei der Suchanfrage nach einem „Staubsauger“ in der Regel ein vollständiges Gerät und kein Zubehörteil.

Ähnliche Fehlklassifikationen treten auch in anderen Kategorien auf. So wurden etwa die Produkttypen Bett („BED“) und Bettgestell („BED_FRAME“) vermischt, obwohl diese Produkte unterschiedliche Kaufmotive bedienen und Kunden bei der Suche nach einem Bett in der Regel ein komplettes Möbelstück erwarten und nicht bloß das Gestell.

Die manuelle Verifizierung der Studienergebnisse ergab, dass insbesondere bei komplementären Produkttypen – etwa Zubehörteilen und Hauptprodukten – rund 20 % der Zuordnungen fehlerhaft waren. Dies unterstreicht, dass selbst fortgeschrittene Klassifikationsmodelle Schwierigkeiten haben, thematisch verwandte, aber unterschiedlich intendierte Produkttypen zuverlässig zu unterscheiden.

Die Beispiele zeigen, dass Amazon-Händler die Produkttyp-Zuordnung ihrer Produkte aktiv überwachen müssen. Sie haben zwar keinen Einfluss auf die Interpretation von Suchanfragen durch den Algorithmus, wohl aber darauf, dass ihre Produkte korrekt klassifiziert sind. Eine falsche Zuordnung bei der Produktanlage oder spätere automatische Reklassifizierungen durch Amazon können die Sichtbarkeit erheblich beeinträchtigen. Händler sollten jede Änderung der Produkttyp-Zuordnung sorgfältig prüfen – etwa mithilfe von Tools wie AMALYTIX, die gezielt auf solche Änderungen hinweisen – um folgende Risiken zu vermeiden:

1. Verpasste Umsatzpotenziale: Wenn Produkte falsch klassifiziert werden, erscheinen sie nicht in den relevanten Suchanfragen. Dies kann dazu führen, dass potenzielle Kunden das Angebot nicht finden und der Händler Umsätze verliert.
2. Erhöhtes Risiko bei automatisierten Werbekampagnen: Eine unpassende Produkttyp-Zuordnung kann bei automatischen Sponsored Products-Kampagnen dazu führen, dass Anzeigen bei weniger relevanten Suchanfragen ausgespielt werden. Dies erhöht das Risiko von Streuverlusten und unnötigen Klickkosten. Bei manuellen Kampagnen bleibt der Haupteinflussfaktor die gezielte Auswahl von Keywords.
3. Langfristige Sichtbarkeitsverluste: Amazon-Algorithmen bewerten die Relevanz eines Produkts unter anderem anhand seiner Klick- und Conversion-Rate. Wenn ein Produkt aufgrund einer falschen Kategorisierung schlechter performt, kann es langfristig im Ranking abrutschen und an Sichtbarkeit verlieren.

Diese Fehlklassifikationen verdeutlichen, wie Suchalgorithmen mit mehrdeutigen oder unspezifischen Suchanfragen umgehen und warum präzise Produkttyp-Zuordnungen auf Händlerseite von entscheidender Bedeutung sind. Während die algorithmische Zuordnung einer Suchanfrage durch Amazon erfolgt, liegt die Verantwortung für die korrekte Klassifizierung eines Produkts bei der Produktanlage beim Händler selbst. Nur durch eine präzise Produkttyp-Zuordnung können Händler sicherstellen, dass ihre Produkte bei relevanten Suchanfragen besser auffindbar sind.

Das sQuIrRel-Modell und seine Bedeutung

Die Studie wurde mit einem speziell entwickelten Modell namens sQuIrRel (Query Intent from Relevance) durchgeführt. Ziel dieses Modells ist es, die Qualität der Query-to-Product-Type (Q2PT)-Klassifikation zu bewerten – also die Fähigkeit eines Algorithmus, eine Suchanfrage korrekt einem Produkttyp zuzuordnen. Diese Zuordnung ist entscheidend, denn sie bestimmt, welche Produkte ein Kunde nach einer Suche tatsächlich angezeigt bekommt.

Bisher wurden solche Klassifikationen mit zwei Methoden überprüft:

1. Manuell gelabelte Datensätze, bei denen Experten oder Crowdworker jede Suchanfrage einer passenden Produktkategorie zuweisen. Dies gewährleistet eine hohe Präzision, ist aber extrem aufwändig und teuer. Beispielsweise müsste ein Team von Menschen jede Suchanfrage wie „kabelloser Staubsauger für Tierhaare“ manuell einer Kategorie wie „Staubsauger“ zuordnen.
2. Click-Through-Daten, die analysieren, auf welche Produkte Nutzer nach einer bestimmten Suchanfrage klicken. Diese Methode kann jedoch Verzerrungen enthalten, da Kunden oft nicht direkt das kaufen, wonach sie ursprünglich gesucht haben. So könnte jemand, der nach „Gaming-Laptop mit starker Grafikkarte“ sucht, am Ende ein Notebook für Büroanwendungen erwerben, weil es günstiger ist – obwohl es technisch nicht zur ursprünglichen Suchintention passt.

Das sQuIrRel-Modell setzt hier an und verfolgt einen neuen Ansatz: Es sammelt Datensätze automatisch, indem es die Beziehung zwischen Suchanfragen und Produkten bewertet und daraus präzise Produkttyp-Zuordnungen ableitet.

Ausgangspunkt sind Suchprotokolle, die Kundenanfragen und die dazugehörigen Suchergebnisse enthalten. Mithilfe eines Relevanzmodells werden diese Daten gefiltert, sodass nur exakte Übereinstimmungen (Exact Matches) zwischen Suchanfrage und Produkt beibehalten werden. Anschließend werden die Produkttypen der ausgewählten Produkte aus dem Produktkatalog abgerufen und den entsprechenden Suchanfragen zugeordnet. Berücksichtigt werden nur Produkttypen, die durch mindestens drei Produkte pro Suchanfrage gestützt werden.

Anschließend werden ungenaue Produkttyp-Zuordnungen entfernt, indem nur die Produkttypen berücksichtigt werden, die in einem ausreichend großen Teil der exakten Treffer vorkommen. Um eine ausgewogene Verteilung sicherzustellen, wird zudem die Anzahl der Suchanfragen pro Produkttyp auf maximal 50 begrenzt.

Dadurch erhält man zahlreiche Suchanfragen mit den zugehörigen Produkttypen – ohne manuelle Kategorisierung oder fehlerhafte Klickdaten.

Ein entscheidender Vorteil von sQuIrRel ist seine Skalierbarkeit. Während menschliche Klassifikationen zeitaufwendig und teuer sind, kann sQuIrRel kontinuierlich neue Daten generieren und sich an Marktveränderungen anpassen. Wenn sich z. B. die Kategorisierung von Produkten ändert oder neue Produktgruppen entstehen, kann das Modell Suchanfragen den neuen Produkttypen zuordnen. Das ist besonders relevant für wachsende Marktplätze oder sich schnell wandelnde Produktsegmente.

Insgesamt umfasst der mit sQuIrRel erstellte Datensatz über 2,7 Millionen Suchanfragen aus 20 Amazon-Marktplätzen, mit durchschnittlich 130.000 Anfragen pro Region. Er enthält rund 1.500 Produkttypen, für die je nach Verfügbarkeit bis zu 50 Suchanfragen analysiert wurden. Diese umfassende Datenbasis ermöglicht eine detaillierte Untersuchung der Produkttyp-Klassifikation und zeigt, wo bestehende Modelle zuverlässig arbeiten – und wo sie Fehler aufweisen.

Die Bedeutung der Produkttyp-Kategorisierung

Wie die Studie zeigt, ist eine präzise Produkttyp-Klassifizierung für die Sichtbarkeit auf Amazon essenziell. Fehlerhafte Kategorisierungen können dazu führen, dass Produkte unter irrelevanten Suchbegriffen erscheinen oder in den relevanten Ergebnissen gar nicht erst berücksichtigt werden. Um sicherzustellen, dass ein Produkt optimal platziert wird, sollten Händler regelmäßig drei Aspekte überprüfen:

1. Wettbewerber: Wie sind konkurrierende Produkte klassifiziert – und haben sie dadurch einen Vorteil in der Sichtbarkeit? Ähnliche Produkte können sich in unterschiedlichen Kategorien wiederfinden. Händler sollten analysieren, ob ihre Wettbewerber durch eine optimierte Produkttyp-Zuordnung besser gelistet werden.
2. Kategorisierungslogik von Amazon: Gab es Erweiterungen oder Anpassungen im Produktkatalog von Amazon, etwa durch die Einführung neuer Produkttypen? In solchen Fällen kann ein Wechsel auf einen spezifischeren oder besser passenden Produkttyp sinnvoll sein, um die Sichtbarkeit zu verbessern.
3. Kundenintention: Stimmt die Produkttyp-Kategorisierung weiterhin mit der tatsächlichen Nutzung und Erwartung der Zielgruppe überein? Auch wenn solche Fälle selten sind, sollten Händler in Einzelfällen prüfen, ob sich das Verständnis oder der Verwendungszweck eines Produkts verändert hat. Hinweise darauf liefern oft Kundenrezensionen oder Fragen auf der Produktdetailseite: Wenn sich bestimmte alternative Anwendungsfälle oder Erwartungen häufen, kann es sinnvoll sein, diese Erkenntnisse in die Produkttyp-Zuordnung einfließen zu lassen.

Produkttyp-Kategorisierung mit AMALYTIX überwachen

Eine Möglichkeit zur regelmäßigen Überwachung und Optimierung der Produkttyp-Kategorisierung bietet AMALYTIX. Mit dem Tool können Händler in wenigen Schritten überprüfen, ob ihre Produkte korrekt zugeordnet sind und notwendige Anpassungen gezielt vornehmen.

Einschätzung aus der Praxis: Warum Produkttyp-Kategorisierung allein nicht ausreicht

Ist eine korrekte Produkttyp-Kategorisierung ausreichend, um auf Amazon optimal gefunden zu werden? Nein. Sie ist eine notwendige, aber keine hinreichende Voraussetzung für eine gute Sichtbarkeit. Die Studie verdeutlicht zwar, dass eine exakte Produkttyp-Zuordnung wesentlich ist. Doch in der Praxis spielen weitere Faktoren eine entscheidende Rolle, um die tatsächliche Suchanfrage der Kunden optimal abzudecken. Einer der wichtigsten ist die gezielte Keyword-Optimierung.

Die Wechselwirkung zwischen Kategorie und Keywords

Die Produkttyp-Kategorisierung definiert zunächst den Rahmen, in welchem Amazon ein Produkt grundsätzlich als relevant einstuft. Sie bestimmt damit, ob ein Produkt überhaupt bei relevanten Suchanfragen erscheint. Keywords hingegen spielen eine wichtige Rolle dabei, wie sichtbar ein Produkt innerhalb dieser ausgewählten Kategorie ist. Die Studie zeigt, dass selbst einfache Verfahren wie die Suche nach bestimmten Keywords weiterhin eine relevante Rolle für die Relevanzbewertung spielen. Es ist daher anzunehmen, dass Keywords auch im Ranking-Prozess eine bedeutende, wenn auch nicht allein ausschlaggebende Rolle einnehmen.

Ein praktisches Beispiel verdeutlicht diesen Zusammenhang: Eine Yogamatte, die korrekt in der Kategorie „Sport & Freizeit > Fitness > Yogamatten“ eingeordnet ist, erscheint grundsätzlich bei Suchanfragen nach „Yogamatten“. Doch erst gezielt eingesetzte Keywords wie „rutschfest“, „extra breit“ oder „nachhaltig produziert“ ermöglichen es, bei spezifischen Suchanfragen besser positioniert zu sein. Wenn Händler diese Schlüsselbegriffe im Produkttitel, den Bullet Points und der Beschreibung platzieren, signalisieren sie Amazons Algorithmus explizit, für welche genauen Suchbegriffe das Produkt relevant ist. Keywords wirken somit als Verstärker der Produkttyp-Kategorie, indem sie die algorithmische Bewertung konkretisieren und verbessern.

Warum Händler Kategorie und Keywords gemeinsam betrachten müssen

Um die Sichtbarkeit langfristig zu optimieren, sollten Händler Kategorisierung und Keywords daher nicht isoliert voneinander betrachten, sondern regelmäßig aufeinander abstimmen. Dabei ist es entscheidend, die tatsächlich verwendeten Suchbegriffe potenzieller Kunden zu kennen. Spezialisierte Tools wie AMALYTIX helfen, diese Keywords zuverlässig zu ermitteln, indem sie reale Suchanfragen innerhalb bestimmter Produkttyp-Kategorien analysieren. Die so gewonnenen Keywords sollten Händler anschließend in Produkttitel, Bullet Points und Produktbeschreibungen einbinden. Gerade da KI-basierte Modelle Schwierigkeiten mit mehrdeutigen oder vagen Begriffen haben, verbessert eine eindeutige Keyword-Auswahl das Ranking zusätzlich.

Kurz gesagt: Nur wer Produkttyp-Kategorisierung und Keyword-Strategie kontinuierlich miteinander verzahnt, sichert dauerhaft die optimale Auffindbarkeit seiner Produkte in der Amazon-Suche.

KI ersetzt keine durchdachte Produkttyp-Kategorisierung und Keyword-Strategie

Die Automatisierung der Produktsuche entwickelt sich kontinuierlich weiter. Die Studie zeigt jedoch, dass insbesondere bei der automatischen Klassifikation semantisch ähnlicher oder komplementärer Produkttypen weiterhin Schwächen bestehen.

Zukünftige Forschungsansätze zielen darauf ab, vage formulierte Suchanfragen besser zu interpretieren und Click-Through-Daten noch gezielter mit Relevanzsignalen zu kombinieren, um die tatsächliche Kundenintention umfassender abbilden zu können.

Für Amazon-Händler bedeutet das: Auch wenn Amazon Produkte automatisch einer neuen Produkttyp-Kategorie zuordnet, bleibt es essenziell, die eigene Kategorisierung sorgfältig zu wählen, regelmäßig zu überwachen und aktiv zu optimieren. Händler, die Änderungen oder automatische Reklassifizierungen nicht kontinuierlich prüfen und ihre Keyword-Strategie vernachlässigen, riskieren Sichtbarkeitsverluste und Umsatzeinbußen.

Eine präzise Produkttyp-Klassifikation, kombiniert mit einer durchdachten Keyword-Optimierung, bildet daher eine entscheidende Grundlage, um die Auffindbarkeit und Wettbewerbsfähigkeit auf Amazon nachhaltig zu verbessern.