Das Muster in der Branche
Bei wachsenden D2C-Marken sehen wir immer wieder dasselbe Problem: Der Katalog wächst schneller als das Texter-Team. In unseren Audits und PoCs haben typischerweise rund 35 % der Produkte unvollständige Attribute. Die Texte schwanken in Ton und Länge, und in vielen Kategorien lassen sich die Filter nur eingeschränkt nutzen.
Geschäftsführung und Marketing sehen, wie die Conversion stagniert, obwohl Traffic und Sortiment wachsen.
Architektur
Wir drehen den Prozess um: erst die Daten, dann der Text. So sieht die Pipeline aus, die wir im PoC erproben:
- Extraktion: Die Pipeline zieht strukturierte Daten aus Hersteller-PDFs, Webshops und Produktfotos. Ein Bilderkennungs-Modell vergibt dabei Tags für Material, Farbe und Stil.
- Normalisierung: Sie gleicht die Daten mit dem zentralen Attributkatalog ab und zeigt, wo Angaben fehlen.
- Generierung: Aus den strukturierten Daten entstehen Texte auf Deutsch und Englisch, in der Markenstimme. Das Markenhandbuch dient dem Modell dabei als Kontext.
- Freigabe: Texte für Top-SKUs gibt ein Mensch frei. Der Long Tail wird automatisch veröffentlicht und stichprobenartig geprüft.
Modellrechnung
Die Hochrechnung stützt sich auf die A/B-Tests aus dem PoC gegen Bestandstexte und auf die Annahmen weiter unten:
- +18 % Conversion-Rate auf Produktdetailseiten (A/B-Test im PoC gegen die bisherigen Texte)
- Ziel: vollständige Attribute für alle aktiven SKUs (die Pipeline zeigt jede Lücke an)
- −72 % Zeitaufwand im Content-Team (hochgerechnet aus typischen Bearbeitungszeiten je SKU)
Die A/B-Tests im PoC zeigen einen interessanten Nebeneffekt: KI-Texte schneiden besonders gut in Kategorien ab, in denen die Marke traditionell wenig eigenes Fachwissen hat. Der Grund: Sie entstehen strikt aus den Daten, nicht aus dem Bauchgefühl.
Methodik im Detail
Damit die +18 % nachvollziehbar bleiben, hier die Rechnung an einem generischen D2C-Beispiel. Das ist keine Messung bei einem Mandanten, sondern die Logik, mit der wir solche Use Cases durchrechnen.
Annahmen
- Ausgangs-Conversion auf Produktdetailseiten: Wir rechnen mit 2,0–2,5 %. Das ist eine Annahme für dieses Beispiel, keine gemessene Branchenzahl.
- Verteilung des Sortiments: typisch nach Pareto. Die Top 10 % der SKUs bringen 60–75 % des Umsatzes, der Long Tail den Rest. Gerade im Long Tail bleibt die PIM-Pflege häufig liegen.
- Manuelle Bearbeitungszeit je SKU: 10–15 Minuten für Texten, Prüfen und PIM-Pflege durch einen Texter im Haus. Texte ganz ohne Prüfung automatisch zu erzeugen, ist nicht vergleichbar: Dann verschwindet die Wirkung auf die Conversion.
- Attribut-Vollständigkeit vor dem Audit: im Long Tail typisch 60–70 %. In mehr als der Hälfte der Kategorien bremst die Datenstruktur die Conversion über Filter.
- Systeme: Mit einem PIM wie Akeneo oder Pimcore spricht die Pipeline über dessen API, mit einem Feed-Tool wie Productsup über den Feed. Ohne PIM schreibt sie direkt in den Shop, etwa in Shopify, JTL oder Magento.
Die Rechnung
- Zeitaufwand: 12 Min/SKU × 50 SKUs/Tag = 600 Min/Tag. Mit KI-Pipeline und stichprobenartiger Prüfung: 2 Min/SKU × 50 = 100 Min/Tag. Das sind brutto −83 %. Rechnen wir die zusätzliche Vier-Augen-Prüfung der Top-SKUs ein, landet die Hochrechnung konservativ bei −72 % je Bearbeitung.
- Conversion: Im A/B-Test des Prototyps gegen die bisherigen Texte messen wir je Kategorie +14 % bis +22 %, abhängig vom Anteil von Hero-Sortiment und Long Tail. Gewichtet über einen typischen Mix von Produktdetailseiten ergibt das +18 % auf die Gesamt-Conversion. Am stärksten wirkt es in Long-Tail-Kategorien, deren Texte vorher im Ton schwach waren. Am schwächsten im Hero-Sortiment, wo bereits etablierte Texte stehen.
Wovon das Ergebnis abhängt
- Liegt der Umsatz stärker auf dem Hero-Sortiment (Top 5 % = 80 % Umsatz), sinkt der Conversion-Effekt auf +10 % bis +12 %. Hero-Texte sind meist schon hochwertig, und der Long Tail zählt im Umsatzmodell kaum.
- Liegt die Attribut-Vollständigkeit im PIM unter 50 %, dauert die Datenextraktion länger: Die Umsetzung braucht 1–2 Wochen mehr. Der Effekt selbst bleibt, er zeigt sich nur später.
Die zentrale Erkenntnis
KI-Texte ohne saubere Datenbasis sind beliebig. Den Unterschied machen Extraktion und Normalisierung der Daten; die Textgenerierung ist der einfache Teil. Das zeigt jeder PoC zur Content-Automatisierung, den wir bisher gebaut haben.