Die Produktzuordnung – in manchen Fällen auch als „Matching“ bezeichnet – besteht darin, gleichwertige Produkte verschiedener Marken oder Sortimente automatisch zu identifizieren, um deren Preise, Leistungsmerkmale und Wettbewerbsposition auf einer einheitlichen Grundlage zu vergleichen. Diese Vorgehensweise löst ein einfaches, aber grundlegendes Problem: Preisvergleiche sind nur dann sinnvoll, wenn tatsächlich gleichwertige Produkte verglichen werden. Ohne eine zuverlässige Zuordnung besteht die Gefahr, dass bei der Wettbewerbsbeobachtung ähnliche, aber unterschiedliche Artikel verglichen werden – etwa aufgrund eines abweichenden Formats oder einer leicht abweichenden Zusammensetzung –, was zu verzerrten Schlussfolgerungen über die tatsächliche Preispositionierung der Handelskette führen kann. BOOPER MPS strukturiert diese Zuordnung mithilfe mehrerer sich ergänzender Mechanismen: automatisches Matching per KI für Fälle, in denen Übereinstimmungen anhand von Bezeichnungen und Attributen erkennbar sind, Klonen, wenn keine direkte Übereinstimmung über die EAN vorliegt, und Verkettung, um die Beziehungen zwischen den Produkten des Unternehmens selbst zu organisieren. Für einen Einzelhändler ist diese Produktzuordnung eine oft unsichtbare, aber unverzichtbare Voraussetzung für jede ernsthafte wettbewerbsorientierte Preisstrategie: Sie bestimmt die Zuverlässigkeit der Preisbeobachtung und damit auch die Relevanz der Preisentscheidungen, die als Reaktion auf den Markt oder in dessen Vorwegnahme getroffen werden.

Die KI analysiert gleichzeitig Produktbezeichnungen, Attribute, Formate, Marken und Preisverhalten, um Ähnlichkeiten zu erkennen, die für den Menschen nicht sichtbar sind. Sie lernt kontinuierlich aus den Rückmeldungen der Nutzer, um ihre Genauigkeit zu verbessern. Sofern verfügbar, nutzt die KI auch die Bilderkennung. Der wichtigste Beitrag der KI in diesem Bereich ist die Fähigkeit, heterogene Produktbezeichnungen zu verarbeiten: Zwei verschiedene Handelsketten bezeichnen ein und dieselbe Artikelnummer selten auf dieselbe Weise, was einen zuverlässigen Abgleich durch einfache Textübereinstimmung unmöglich macht. Die Verarbeitung natürlicher Sprache ermöglicht es, trotz unterschiedlicher Bezeichnungen zu erkennen, dass es sich um dasselbe Produkt handelt, indem zusätzlich zur Bezeichnung auch Attribute, Format und Marke herangezogen werden. Diese Genauigkeit verbessert sich im Laufe der Zeit dank eines kontinuierlichen Lernmechanismus: Jede von einem Nutzer vorgenommene Bestätigung oder Korrektur bereichert das Modell, das seine Empfehlungen für zukünftige Zuordnungen schrittweise verfeinert, anstatt bei seinen ursprünglichen Einstellungen zu verharren. Für einen Einzelhändler verändert diese Fähigkeit den Umfang, in dem ein Abgleich durchgeführt werden kann: Eine manuelle Produktzuordnung stößt bei einem Sortiment von mehreren Tausend Artikeln, die bei mehreren konkurrierenden Handelsketten verfolgt werden, schnell an ihre Grenzen, während die KI es ermöglicht, dieses Volumen abzudecken und gleichzeitig bei unklaren Fällen eine menschliche Überprüfung beizubehalten.

Wenn keine direkte Verknüpfung über die EAN besteht, greift das Klonen ein und verknüpft die Eigenmarkenprodukte mit denen der Konkurrenz; dies betrifft sowohl die Eigenmarke als auch die nationale Marke. Die andere Art der ergänzenden Verknüpfung ist die Verkettung: Die Eigenmarkenprodukte werden gruppiert, um Hierarchien, Koeffizienten und historische Muster herzustellen. Diese beiden Mechanismen erfüllen unterschiedliche Anforderungen. Das Klonen dient dem Wettbewerbsvergleich: Es ermöglicht, ein Produkt der Handelskette mit einem Äquivalent bei einem Wettbewerber abzugleichen, wenn der automatische Abgleich über eine Standardkennung (EAN) nicht möglich ist, beispielsweise bei einer Eigenmarke, für die es kein direktes Äquivalent im Sortiment des Wettbewerbers gibt. Die Verkettung hingegen arbeitet intern am Sortiment der Handelskette: Sie strukturiert hierarchische Verknüpfungen zwischen ähnlichen Artikeln (Varianten in Format und Verpackung) sowie Koeffizienten, die es ermöglichen, eine kohärente Historie zu rekonstruieren, selbst wenn sich Artikel im Laufe der Zeit weiterentwickeln oder ersetzt werden. Für einen Einzelhändler ergänzen sich diese beiden Verfahren, anstatt sich zu überschneiden: Das Klonen gewährleistet die externe Wettbewerbsanalyse, während die Verkettung die Kontinuität und Kohärenz der internen Analyse sicherstellt, insbesondere wenn ein Produkt eine neue Artikelnummer erhält, ohne dass sich seine Beschaffenheit tatsächlich ändert.

BOOPER identifiziert substituierbare Produkte anhand ihrer funktionalen Eigenschaften und ihrer Preispositionierung, um MN/MDD/PPx-Ketten zu strukturieren und die Auswirkungen von Kannibalisierung und Aufwertung zu analysieren. Diese Strukturierung ist die Antwort auf eine zentrale Herausforderung des Category Managements: Nationale Marken, Handelsmarken und Billigmarken sind keine isolierten Bereiche, sondern Artikel, die bei den Kaufentscheidungen der Kunden miteinander interagieren. Durch die Verknüpfung dieser Produkte lässt sich analysieren, wie sich eine Preisänderung bei einem Produkt auf den Absatz der anderen auswirkt, anstatt jeden Artikel isoliert zu betrachten. Konkret deckt diese Analyse Kannibalisierungseffekte auf – ein Kunde wechselt von einer nationalen Marke zu einer Handelsmarke, wenn sich der Preisunterschied zu sehr verringert – oder Effekte der Aufwertungsstrategie, wenn der wahrgenommene Qualitätsunterschied einen größeren Preisunterschied rechtfertigt, ohne dass es zu Absatzverlusten kommt. Für einen Einzelhändler ist diese kreuzweise Betrachtung von nationalen Marken, Eigenmarken und Handelsmarken entscheidend für den Aufbau einer kohärenten Preisarchitektur innerhalb einer Kategorie: Die Festlegung des Preises einer Eigenmarke ohne Berücksichtigung ihrer Positionierung im Vergleich zur entsprechenden nationalen Marke läuft darauf hinaus, einen Großteil der tatsächlichen Nachfragedynamik im Regal zu ignorieren.

Nein, die Zuordnung erfolgt nicht vollständig automatisch. Auch wenn die Empfehlungen immer intelligenter und automatisierter werden, muss die Zuordnung von einem Menschen validiert werden, damit die Algorithmen daraus lernen können. Diese Entscheidung ist keine technische Einschränkung, sondern ein methodisches Prinzip: Eine fehlerhafte Zuordnung verfälscht anschließend alle darauf basierenden Wettbewerbsanalysen, was sich kaskadenartig auf die Preisentscheidungen auswirkt. Durch die Beibehaltung einer menschlichen Kontrolle bei unklaren Fällen lässt sich verhindern, dass sich Zuordnungsfehler unbemerkt in der Preissteuerung ausbreiten. Dieser Ansatz folgt einer Logik des kontinuierlichen Lernens: Je mehr Nutzer die Vorschläge der KI validieren oder korrigieren, desto präziser wird das Modell und desto geringer wird mit der Zeit der Anteil der Fälle, die ein manuelles Eingreifen erfordern. Die Automatisierung schreitet also voran, wird jedoch stets durch eine fachliche Kontrolle der weniger offensichtlichen Zuordnungen ergänzt. Für einen Einzelhändler ist dieses Gleichgewicht zwischen Automatisierung und menschlicher Validierung ein Garant für Zuverlässigkeit: Es verhindert, dass die Qualität des Produktstamms zugunsten der Verarbeitungsgeschwindigkeit geopfert wird, obwohl dieser Stamm direkt die Richtigkeit der Preisentscheidungen bestimmt, die auf Wettbewerbsvergleichen basieren.

MPS nutzt Produktstammdaten, Produktbezeichnungen, technische Merkmale, Preisverläufe und Wettbewerbsdaten. Je umfangreicher die Daten sind, desto präziser ist der Zuordnungsvorschlag. Das Produktverzeichnis und die Produktbezeichnungen bilden die Grundlage für den Abgleich: Je vollständiger und strukturierter die verfügbaren Attribute sind (Format, Marke, Verpackung, Kategorie), desto mehr zuverlässige Anhaltspunkte stehen der KI zur Verfügung, um tatsächlich gleichwertige Produkte von lediglich ähnlichen Produkten zu unterscheiden. Preisverläufe und Wettbewerbsdaten dienen anschließend dazu, diese Abgleiche im Laufe der Zeit zu verfeinern und zu validieren. Sind die Produktstammdaten unvollständig oder wenig strukturiert – allgemeine Bezeichnungen, fehlende Attribute –, leidet die Genauigkeit der Zuordnungsvorschläge direkt darunter. Dies erklärt, warum eine manuelle Überprüfung in Fällen, in denen die Qualität der Quelldaten zu wünschen übrig lässt, weiterhin notwendig ist. Für einen Einzelhändler bedeutet dies, dass die Qualität des Produktabgleichs teilweise von einer oft vernachlässigten Grundlagenarbeit abhängt: der Strukturierung und Sicherstellung der Zuverlässigkeit des internen Produktstamms, der die Leistung aller darauf aufbauenden Module bestimmt – vom Produktabgleich bis zur Wettbewerbsanalyse.

Die Vorteile ergeben sich aus der Reduzierung des manuellen Zeitaufwands, der Zuverlässigkeit der Preisvergleiche, der Verbesserung der Geschäftsentscheidungen und der allgemeinen Wettbewerbsfähigkeit. Erste Erfolge sind in der Regel bereits nach wenigen Monaten zu beobachten. Die eingesparte manuelle Arbeitszeit ist oft der erste sichtbare Effekt: Der Produktabgleich zwischen konkurrierenden Handelsketten ist traditionell eine zeitaufwändige Aufgabe, wenn er manuell, Artikel für Artikel, durchgeführt wird, und bei einem breiten Sortiment mit hoher Produktfluktuation besonders schwer auf dem neuesten Stand zu halten. Der Gewinn an Zuverlässigkeit lässt sich zwar weniger direkt messen, ist aber langfristig von größerer Bedeutung: Wettbewerbsvergleiche, die auf einem zuverlässigen Produktreferenzsystem basieren, verhindern Preisentscheidungen, die durch fehlerhafte Abgleiche verzerrt sind, was die Qualität der Preisentscheidungen langfristig und nicht nur im Rahmen einer einzelnen Kampagne verbessert. Für einen Einzelhändler stellt dieses Modul oft einen wenig sichtbaren, aber strukturell wichtigen Baustein dar: Es generiert zwar nicht direkt selbst Gewinn, ist jedoch ausschlaggebend für die Zuverlässigkeit aller Wettbewerbsanalysen und Preisentscheidungen, die sich anschließend auf diese Produktvergleiche stützen.