5/5 - (1 vote)

Bei Ecommerce SEO standen bisher die Shop-Kategorieseiten im Mittelpunkt der Maßnahmen. Das könnte sich ändern! Die Präsenz von Google Shopping in Form von Product Grids, aber auch im Rahmen von SEO nimmt rasant zu. Damit rückt Google Shopping in den Fokus von Shop-SEO.

Googles semantische Datenbank hinter Shopping ist der Google Shopping Graph und die Optimierung des Shopping Graph sollte jeder SEO bei der Suchmaschinenoptimierung für Shops im Auge behalten.

Warum ist der Shopping Graph im Zeitalter von generativer KI und SGE so wichtig?

Anwendungen, die auf generativer KI basieren, werden das Such- und Rechercheverhalten vieler Nutzer verändern. Die Suche wird interaktiver, individueller, präziser und schneller.

Laut Microsoft werden Recherchen dank generativer KI in Zukunft 2,8-mal schneller ablaufen.

Das bedeutet, dass Nutzer zukünftig weniger auf Suchergebnisse klicken werden und deutlich weniger Touchpoints benötigen, um sich auch über Produkte zu informieren.

Die Messy Middle wird durch eine hybride Suche mit generativer KI und klassischer Suche verkürzt.

Laut einer Studie von SERanking werden fast 26% der E-Commerce-Suchanfragen mit einer Snapshot AI Box in der SGE ausgeliefert. Damit gehört der E-Commerce zu den fünf am stärksten von der SGE betroffenen Branchen.

Die klassischen Suchergebnisse werden in vielen Fällen durch die SGE below the fold verdrängt. Prominenter Bestandteil bei produktbezogenen Suchanfragen sind Einblendungen aus dem Google Shopping Graph.

Laut einer Studie von ziptie ranken im E-Commerce-Sektor knapp 80% der Quellen für die SGE nicht in den Top 10 Suchergebnissen bei der jeweiligen Suchanfrage.

Das bedeutet, dass wir mit klassischer SEO nur bedingt weiterkommen. Man muss woanders ansetzen und nach meiner Meinung ist das der Shopping Graph.

Der Shopping Graph als Pendant zu Googles Knowledge Graph

Der Google Knowledge Graph ist seit 2012 Googles semantische Datenbank in der das Wissen der Welt über Entitäten (Knoten) und deren Beziehungen zueinander (Kanten) erfasst und verstanden wird.

Als Pendant zum Knowledge Graph baut Google mit Fokus auf Produkt-Entitäten den Shopping Graph nach dem gleichen Prinzip auf.

 

Der Google Shopping Graph ist eine umfangreiche, maschinenlernende Datenbank mit Milliarden von Produktlisten, die den Nutzern hilft, bestimmte Produkte zu finden.

  • Der Google Shopping Graph ist eine Echtzeitdatenbank für Produkte und Verkäufer, die auf maschinellem Lernen basiert.
  • Mit mehr als 35 Milliarden Produkten bietet der Shopping Graph eine riesige Auswahl an Produkten und deren Details wie Verfügbarkeit, Bewertungen, Materialien, Farben und Größen.
  • Die Nutzer können nach bestimmten Kriterien nach Produkten suchen und der Shopping Graph durchsucht Milliarden von Listen und relevanten Daten im Web, um passende Optionen zu finden.
  • Der Shopping Graph ermöglicht verschiedene Shopping-Funktionen wie „Shop the Look“ für Styling-Ideen und „Buying Guide“ für Kaufempfehlungen durch die Synthese von Informationen aus verschiedenen Quellen im Web.
  • Mit dem Shopping Graph können Nutzer auf Google inspirierende Produkte finden und ihre Optionen auf der Grundlage aktueller Shopping-Informationen eingrenzen.

Auf welche Datenquellen stützt sich der Google Shopping Graph?

Um Anhaltspunkte für die Optimierung des Shopping Graph zu finden, muss man sich zunächst die Frage stellen, wo optimiert werden soll. Dazu muss man wissen, auf welchen Datenquellen die Informationen im Shopping Graph basieren.

Nach eigenen Angaben von Google stammen die Informationen im Shopping Graph aus folgenden Quellen:

  • Youtube Videos
  • Hersteller-Webseiten
  • Online-Shops und Produktdetailseiten (PDPs)
  • Google Merchant Center
  • Google Manufacturer Center
  • Produkt-Tests
  • Produkt-Bewertungen

Genau an diesen Stellen sind Optimierungen für den Shopping Graph möglich.

Der Shopping Graph als E-Commerce-spezifische Ergänzung für RAG

RAG steht für „Retrieval-Augmented Generation“ und ist eine Technik in der künstlichen Intelligenz, speziell in der Verarbeitung natürlicher Sprache. RAG kombiniert zwei Hauptkomponenten: Information Retrieval und Generative Sprachmodelle. 

Das Ziel von RAG ist es, die Qualität und Relevanz der von Sprachmodellen generierten Antworten zu verbessern, indem zusätzliche Informationen aus einer externen Datenquelle abgerufen und zur Antwortgenerierung genutzt werden.

So funktioniert RAG:

  • Retrieval (Abruf): Zunächst wird eine Suchanfrage an eine externe Datenbank gestellt, um relevante Informationen zu finden. Dies kann eine Sammlung von Texten, Datenbanken, Graphen-Datenbanken oder jede andere Form von unstrukturierten und strukturierten Daten sein. 
  • Augmentation (Erweiterung): Die abgerufenen Informationen werden dann als Kontext in das generative Modell eingespeist, das daraufhin eine detaillierte und informierte Antwort generiert. 

Mögliche Rolle des Shopping Graph im RAG-Kontext:

Der Google Shopping Graph kann eine wertvolle Informationsquelle für RAG-basierte Systeme sein, insbesondere in Anwendungen, die mit E-Commerce und Online-Shopping zu tun haben wie z.B. auch eine Suchmaschine. 

Hier sind einige mögliche Rollen des Shopping Graphs in einem RAG-System:

  • Verbesserung der Produktrecherche: Bei einer produktspezifischen Anfrage könnte ein RAG-System relevante Informationen aus dem Shopping Graph abrufen, um präzisere und kontextuell angemessenere Antworten zu generieren. Beispielsweise könnte es spezifische Produktempfehlungen, Verfügbarkeitsdaten oder Preisinformationen integrieren.
  • Personalisierte Empfehlungen: Der Shopping Graph könnte genutzt werden, um personalisierte Shopping-Empfehlungen zu generieren, basierend auf den spezifischen Interessen und dem Verhalten des Nutzers, die in den Daten des Shopping Graphs gespeichert sind.
  • Unterstützung interaktiver Anfragen: In einem interaktiven Chatbot-Szenario könnte der Shopping Graph helfen, auf Follow-up-Fragen zu antworten, indem er zusätzliche Produktdetails oder Alternativvorschläge liefert, die auf den ersten Empfehlungen basieren.
  • Integration von Bewertungen und Rezensionen: Der Shopping Graph könnte auch genutzt werden, um Bewertungen und Rezensionen in die generierten Antworten einzubeziehen, was die Qualität und Nützlichkeit der Empfehlungen erhöhen würde.

Insgesamt kann der Shopping Graph durch seine reichen und strukturierten Informationen über Produkte und deren Beziehungen eine Schlüsselrolle in der Optimierung von RAG-basierten Systemen wie Googles SGE spielen.

Wie können produktbezogene Recherchen zukünftig ablaufen?

Sprachmodelle (LLMs) lernen anhand der Häufigkeit von vorkommenden Kookuurenzen, also im Kontext E-Commerce aus Co-Nennungen von Attributen mit dem jeweiligen Produkt. (siehe dazu auch meinen Beitrag LLM optimization: Can you influence generative AI outputs? )

Welche Attribute für eine Produkt-Entität wichtig ist, ergibt sich aus der Häufigkeit der Attribute, die in Prompts und Suchanfragen nachgefragt sind.

Wie bereits angesprochen werden zukünftige Produkt-Recherchen interaktiver und kontextueller. Durch Prompts lassen sich Anfragen viel mehr Kontextebenen mitgeben. Hier ein Beispiel für einen produktbezogenen Prompt.

Thema des Prompts sind Jogging Schuhe bzw. Laufschuhe. Kontexte sind

  • Alter: mittleres Alter
  • Gewicht: Übergewicht (Gewicht zu Größe)
  • DIstanz: Mittelstrecke
  • Größe: mittelgroße Person
  • Frequenz: häufig

Bei diesem Prompt geben uns die unterschiedlichen KI-Systeme unterschiedliche Produkt-Empfehlungen aus:

ChatGPT schlägt konkrete Laufschuhmodelle vor und übersetzt den Kontext aus dem Prompt in entsprechende Attribute-Typen:

  • Durability
  • Foot Type 
  • Gait
  • Fit
  • Comfort

Googles Gemini schlägt im ersten Anlauf nur Laufschuh-Marken vor und übersetzt den Prompt in folgende Attribute:

  • Cushioning
  • Support
  • Stability
  • Running Style

Fragt man Gemini nach einer Konkretisierung der Schuh-Modelle werden folgende Schuhmodelle inkl. Bildern vorgeschlagen.

  • Brooks Ghost 15
  • Saucony Kinvara 14
  • Asics Kayano 29
  • Brooks Adrenaline GTS 23
  • Hoka One One Bondi 8
  • Saucony Triumph 20

Die Empfehlungen der beiden LLM sind ähnlich. So werden der Brooks Ghost, Asics Kayano, Hoka One Bondi und Saucony Triumph auch von ChatGPT empfohlen.

Meine Tests haben jedoch gezeigt, dass dies nicht immer der Fall ist und die Produktempfehlungen unterschiedlich ausfallen können. Das kann mit den unterschiedlichen Trainingsdaten zusammenhängen.

Warum werden diese Produkte von den LLMs vorgeschlagen und andere nicht?

Diese Produkte scheinen häufig in der Nähe von Attributen genannt zu werden, die im jeweiligen LLM übersetzt wurden.

Bei der Optimierung für den Shopping Graph sollte versucht werden, die relevanten Attribute möglichst in den oben genannten Datenquellen zu erwähnen.

Hier haben wir mit unserem Custom GPT für Textanalyse via Natural Language Processing die Herstellerbeschreibung der Laufschuhmarke Asics für die Modellreihe Asics Kayano analysiert.

Folgende Attribute konnten aus dem Hersteller-Text extrahiert werden:

  • Alter/Lebensdauer: Der Schuh ist seit 27 Jahren der führende Laufschuh von ASICS.
  • Beliebtheit: Er wird als eine der beliebtesten Laufschuhkollektionen der Welt bezeichnet.
  • Zweck des Designs: Speziell für Langstreckenläufe entwickelt.
  • Technologische Innovationen: Jedes Modell erhält die neuesten ASICS-Technologie-Innovationen.
  • Stabilität: Entwickelt für Stabilität mit Unterstützung und Haltbarkeit im Hinterkopf.
  • Geschlechtsspezifische Dämpfung: Verfügt über eine geschlechtsspezifische Dämpfung.
  • Komfort: Bietet maximalen Komfort mit einer federnden, stützenden Sohle, die Schmerzen und Reibung bei langen Läufen verhindert.
  • Verbesserung: Die Kollektion wird ständig verbessert und erweitert.
  • Komfort: Beschrieben als federnd, sehr reaktionsfreudig und leicht zu kontrollieren.

Mit dem Chrome Add On Harpa.ai in Kombination mit Gemini habe ich dieses Youtube video hinsichtlich sub Entitäten und Attributen untersucht.

 

 

 

 

 

 

 

 

 

Das Laufschuh Modell wird hier mit den Attributen bequem, Training- und Wettkampfschuh, lange Distanz und einem bestimmten Obermaterial in Verbindung gebracht.

In dieser Art und Weise lassen sich alle möglichen Daten-Quellen untersuchen.

Je mehr die mit dem jeweiligen Produkt in Verbindung gebrachten Attribute den im Prompt angegeben Kontext und daraus vom LLM abgeleiteten Attributen gleichen desto eher besteht, die Möglichkeit, dass die Produkte in einer Antwort der generativen KI genannt werden.

Was können E-Commerce-Unternehmen daraus lernen?

Die Art und Weise, wie SEO im E-Commerce bisher funktioniert hat, wird sich aufgrund des veränderten Suchverhaltens durch generative KI wie SGE, ChatGPT, Copilot etc. ändern müssen.

Shop-Kategorieseiten werden immer weniger organischen Traffic anziehen und Nutzer werden immer mehr durch generative KI bzw. LLMs an Produkte herangeführt. In welchem Ausmaß diese Verschiebung stattfinden wird, ist unklar. Aber wir als SEOs sollten uns auf diesen hybriden Ansatz der Informationssuche vorbereiten und uns auch im E-Commerce mit Large Language Model Optimization beschäftigen, um nicht an Sichtbarkeit zu verlieren.

Das semantische Herzstück dafür ist für mich der Shopping Graph als Product Entity Database. Der Shopping Graph als semantische, Machine-Learning-basierte Datenbank enthält umfangreiche Produktinformationen und spielt eine zentrale Rolle bei der Zusammenführung von Nutzern und Produkten über spezifische Suchkriterien.

Optimierungsmöglichkeiten für den Shopping Graph ergeben sich aus verschiedenen Datenquellen wie YouTube-Videos, Herstellerwebseiten und Online-Shops bzw. der Gestaltung von Produktdetailseiten und Shopping-Feeds.

Schlussfolgerungen für die Zukunft von Shop-SEO

  • Fokus auf Shopping-Graph-Optimierung: SEO-Strategien sollten sich auf die Optimierung innerhalb des Google Shopping Graph konzentrieren, da dieser zunehmend an Bedeutung gewinnt, insbesondere durch seine Integration in generative KI-Anwendungen und SGE.
  • Anpassung an generative KI: Da generative KI das Suchverhalten verändert, indem sie Suchen beschleunigt und interaktiver macht, sollten SEO-Maßnahmen im E-Commerce darauf abzielen, in den Datenquellen des Shopping Graph präsent zu sein und die relevanten Attribute hervorzuheben.
  • Neue Suchgewohnheiten berücksichtigen: Mit der Zunahme von KI-gestützten Tools wie Chatbots und SGE werden klassische Suchergebnisse immer seltener angeklickt. SEO- und Marketingstrategien müssen sich darauf einstellen, dass weniger Touchpoints nötig sind, um Nutzer zu erreichen und zu überzeugen.
  • Optimierung auf Basis von Datenquellen: Effektive Optimierungsstrategien für den Shopping Graph sollten sich darauf konzentrieren, den Kontext und die Relevanz von Produkten in den primären Datenquellen für den Shopping Graph wie YouTube, Herstellerwebseiten und Produktbewertungen zu verbessern.
  • Die Identifikation und das Verständnis von nutzer- und produktrelevanten Attributen wird in Zukunft immer wichtiger werden. Daher gewinnt die Longtail-Analyse von Suchanfragen und Prompts zunehmend an Bedeutung.
  • Ein semantisches Verständnis rund um Entity-basierte Information-Retrieval-Systeme und ein technologisches Verständnis von LLMs wird zukünftig zu den Grundlagen der Suchmaschinenoptimierung gehören.
  • SEOs müssen mehr in Konzepten, Entitäten, Attributen und Relationen denken und optimieren. Die Zeit der Keywords als zentraler Fokus neigt sich dem Ende zu.

Zu Olaf Kopp

Olaf Kopp ist Online-Marketing-Experte mit mehr als 15 Jahren Erfahrung in Google Ads, SEO und Content Marketing. Olaf Kopp ist Co-Founder, Chief Business Development Officer (CBDO) und Head of SEO & Content bei der Online Marketing Agentur Aufgesang GmbH. Olaf Kopp ist international anerkannter Branchenexperte für semantische SEO, E-E-A-T, KI- und Suchmaschinen-Technologie, Content-Marketing und Customer Journey Management. Er ist Gründer der weltweit ersten Datenbank für Patente und Research Paper, die jeder SEO kennen sollte. Als Autor schreibt er für nationale und internationale Fachmagazine wie Searchengineland, t3n, Website Boosting, Hubspot Blog, Sistrix Blog, Oncrawl Blog ... . 2022 war er Top Contributor bei Search Engine Land. Als Speaker stand er auf Bühnen der SMX, SEA/SEO World, CMCx, OMT, Digital Bash oder Campixx. Er ist ist Host der Podcasts OM Cafe und Digital Authorities. Er ist ist Autor des Buches "Content-Marketing entlang der Customer Journey", Co-Autor des Standardwerks "Der Online Marketing Manager" und Mitorganisator des SEAcamp.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert