Produktabgleich und Verknüpfung: Machen Sie Ihre Produktvergleiche mit KI zuverlässiger

Die Produktzuordnung – in manchen Fällen auch als „Matching“ bezeichnet – besteht darin, gleichwertige Produkte verschiedener Marken oder Sortimente automatisch zu identifizieren, um deren Preise, Leistungen und Wettbewerbsposition auf einer einheitlichen Grundlage zu vergleichen.

Diese Arbeit befasst sich mit einem einfachen, aber grundlegenden 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 (anderes Format, leicht abweichende Zusammensetzung) verglichen werden und dadurch die Schlussfolgerungen zur tatsächlichen Preispositionierung der Handelskette verfälscht werden.

BOOPER MPS strukturiert diese Zuordnung mithilfe mehrerer sich ergänzender Mechanismen: automatisches Matching mittels KI für Fälle, in denen Übereinstimmungen anhand von Bezeichnungen und Attributen erkannt werden können, Klonen, wenn keine direkte Übereinstimmung über die EAN vorliegt, und Verknüpfung, um die Beziehungen zwischen den Produkten der Handelskette selbst zu organisieren.

Für einen Einzelhändler ist diese Produktzuordnung eine oft unsichtbare, aber unverzichtbare Voraussetzung für jede ernstzunehmende wettbewerbsorientierte Preisstrategie: Sie bestimmt die Zuverlässigkeit der Preisbeobachtung und damit auch die Relevanz der Preisentscheidungen, die als Reaktion auf den Markt oder in Vorwegnahme dessen getroffen werden.

Die KI analysiert gleichzeitig Bezeichnungen, 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 einfachen Textabgleich 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 Bestätigung oder Korrektur durch einen Nutzer bereichert das Modell, das seine Empfehlungen für zukünftige Abgleiche 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 Produktabgleichsverarbeitung stößt bei einem Sortiment von mehreren Tausend Artikeln, die bei mehreren konkurrierenden Handelsketten verfolgt werden, schnell an ihre Grenzen, während KI es ermöglicht, dieses Volumen abzudecken und gleichzeitig bei unklaren Fällen eine menschliche Überprüfung beizubehalten.

Beim manuellen Abgleich werden die Produkte einzeln miteinander abgeglichen, indem die Bezeichnungen und Produktdaten verglichen werden – häufig in einer Tabellenkalkulation; ein KI-gestützter Abgleich schlägt automatisch Übereinstimmungen vor. Bei BOOPER ordnet der EAN-Code Produkte, die denselben Code haben, sofort einander zu; fehlt ein gemeinsamer EAN-Code, liest die KI die Produktbezeichnungen mithilfe von Sprachverarbeitung (NLP), vergleicht Attribute, Formate und die Marke und analysiert das Produktfoto. Jeder Vorschlag wird mit einer Konfidenzbewertung versehen.

Der Unterschied liegt in erster Linie im Umfang und in der Genauigkeit. Von Hand mehrere Tausend Artikel zu erfassen, die bei verschiedenen konkurrierenden Handelsketten im Sortiment sind, und diese bei jeder Sortimentsänderung auf dem neuesten Stand zu halten, erfordert einen erheblichen Zeitaufwand. Die KI verarbeitet diese Datenmenge und unterscheidet zwischen sehr ähnlichen Varianten derselben Produktreihe: Füllmenge, Farbe, Duft.

Das KI-basierte Matching ersetzt die manuelle Überprüfung nicht: Es konzentriert sich vielmehr auf unklare Übereinstimmungen, die durch einen niedrigen Konfidenzwert gekennzeichnet sind, und jede Überprüfung trägt zum Lernen des Algorithmus bei. Weitere Informationen finden Sie in unserem Leitfaden zum wettbewerbsorientierten Produkt-Matching.

Wenn keine direkte Verknüpfung über die EAN-Nummer besteht, greift das Klonen ein und verknüpft die Produkte der Handelskette mit denen der Konkurrenz; dies betrifft sowohl Eigenmarken als auch nationale Marken. Die andere Art der ergänzenden Verknüpfung ist die Verkettung: Die Produkte der Handelskette werden gruppiert, um Hierarchien, Koeffizienten und historische Muster zu etablieren.

Diese beiden Mechanismen dienen unterschiedlichen Zwecken. Das Klonen dient dem Wettbewerbsvergleich: Es ermöglicht es, ein Produkt der eigenen Marke mit einem entsprechenden Produkt eines Mitbewerbers abzugleichen, wenn ein automatischer Abgleich anhand einer Standard-Identifikationsnummer (EAN) nicht möglich ist, beispielsweise bei einer Eigenmarke, für die es beim Mitbewerber kein direktes Äquivalent im Sortiment gibt.

Die Kette arbeitet ihrerseits intern am Sortiment der Marke: Sie strukturiert hierarchische Verknüpfungen zwischen ähnlichen Artikeln (verschiedene Formate, Verpackungsgrößen) und Koeffizienten, die es ermöglichen, eine schlüssige Historie nachzuverfolgen, selbst wenn sich Artikel im Laufe der Zeit weiterentwickeln oder ersetzt werden.

Für einen Einzelhändler ergänzen sich diese beiden Beziehungen eher, als dass sie sich überschneiden: Das Klonen gewährleistet eine wettbewerbsorientierte externe Auswertung, während die Verkettung die Kontinuität und Kohärenz der internen Analyse sicherstellt, insbesondere wenn sich die Artikelnummer eines Produkts ändert, ohne dass sich dessen Beschaffenheit tatsächlich ändert.

Ja: BOOPER identifiziert substituierbare Produkte anhand ihrer funktionalen Merkmale und ihrer Preispositionierung, wodurch Sie Ihre Produktketten (nationale Marken, Eigenmarken, Einstiegspreise) und Sortimente strukturieren können. Die festgelegten Verknüpfungen (Hierarchie, Koeffizienten, Historie) richten sich nach Ihren eigenen Regeln.

Die Verknüpfung verbindet die Produkte Ihres eigenen Sortiments, während das Klonen diese mit denen der Wettbewerber verknüpft. Sie dient dazu, einheitliche Preisstufen innerhalb eines Sortiments aufrechtzuerhalten und die Kannibalisierung sowie den Aufstieg in höhere Preisklassen zwischen nationalen Marken, Eigenmarken und Billigmarken zu analysieren.

Wie beim Matching liegt die Entscheidung weiterhin bei Ihren Teams: Ihre Verwaltungsregeln legen fest, welche Verkettungen angewendet werden. Zum Prinzip siehe die Definition der automatischen Verkettung.

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 entspricht einer zentralen Herausforderung des Category Managements: Nationale Marken, Handelsmarken und Billigprodukte 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 für sich zu betrachten.

Konkret zeigt diese Analyse Kannibalisierungseffekte auf (ein Kunde wechselt von einer nationalen Marke zu einer Eigenmarke, wenn sich der Preisunterschied zu sehr verringert) oder Effekte der Aufwertung, wenn der wahrgenommene Qualitätsunterschied einen größeren Preisunterschied rechtfertigt, ohne dass dabei Absatzverluste entstehen.

Für einen Einzelhändler ist diese vergleichende 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 außer Acht zu lassen.

Nein, die Zuordnung erfolgt nicht vollständig automatisch. Auch wenn die Empfehlungen immer intelligenter und automatisierter werden, muss die Zuordnung von einem Menschen überprüft 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 wiederum 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 Ablauf ist Teil eines kontinuierlichen Lernprozesses: Je mehr Nutzer die Vorschläge der KI bestätigen oder korrigieren, desto genauer wird das Modell und desto geringer wird im Laufe der Zeit der Anteil der Fälle, die ein manuelles Eingreifen erfordern. Die Automatisierung schreitet also voran, wird jedoch bei den weniger offensichtlichen Zuordnungen stets durch eine fachliche Überprüfung ergänzt.

Für einen Einzelhändler ist dieses Gleichgewicht zwischen Automatisierung und menschlicher Überprüfung ein Garant für Zuverlässigkeit: So wird vermieden, dass die Qualität des Produktstamms zugunsten der Verarbeitungsgeschwindigkeit vernachlässigt wird, obwohl dieser Stamm direkt die Richtigkeit der Preisentscheidungen bestimmt, die auf Wettbewerbsvergleichen basieren.

MPS nutzt Produktstammdaten, Bezeichnungen, technische Merkmale, Preisverläufe und Wettbewerbsdaten. Je umfangreicher die Daten sind, desto präziser ist der Kombinationsvorschlag.

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.

Wenn Produktstammdaten unvollständig oder schlecht strukturiert sind (allgemeine Bezeichnungen, fehlende Attribute), leidet die Genauigkeit der Zuordnungsvorschläge unmittelbar darunter, was erklärt, warum in Fällen, in denen die Qualität der Quelldaten zu wünschen übrig lässt, eine manuelle Überprüfung weiterhin erforderlich ist.

Für einen Einzelhändler bedeutet dies, dass die Qualität des Produktabgleichs zum Teil 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 Aufwands, der Zuverlässigkeit der Preisvergleiche, der Verbesserung der geschäftlichen Entscheidungen und der allgemeinen Wettbewerbsfähigkeit. Die ersten Vorteile zeigen sich in der Regel bereits nach wenigen Monaten.

Die eingesparte Arbeitszeit ist oft der erste sichtbare Effekt: Der Abgleich 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.

Die gesteigerte Zuverlässigkeit lässt sich zwar weniger direkt messen, wirkt sich aber langfristig stärker aus: Wettbewerbsvergleiche, die auf einem zuverlässigen Produktreferenzrahmen basieren, verhindern Preisentscheidungen, die durch falsche Vergleiche verzerrt sind, was die Qualität der Preisentscheidungen langfristig und nicht nur im Rahmen einer einzelnen Kampagne verbessert.

Für einen Einzelhändler ist dieses Modul oft ein wenig sichtbarer, aber grundlegender Baustein: Es generiert zwar selbst keine direkte Marge, ist jedoch entscheidend für die Zuverlässigkeit aller Wettbewerbsanalysen und Preisentscheidungen, die sich anschließend auf diese Produktvergleiche stützen.