Automatische Kategorisierung von Produkten

Das echte Ausmaß des Problems

Jeder Händler, der sein Sortiment erweitert oder neue Lieferantenprodukte aufnimmt, kennt das Problem: Hunderte neue Produkte müssen in die Kategoriestruktur eingeordnet werden — manuell, ein Produkt nach dem anderen. Bei 500 Neulistings pro Monat und 5 Minuten pro Produkt sind das 42 Arbeitsstunden — eine volle Arbeitswoche allein für die Kategorisierung.

Fehler bei der Kategorisierung haben direkte Auswirkungen auf die Auffindbarkeit. Ein Winterjacken-Produkt, das in „Outdoorartikel” statt „Jacken und Mäntel” landet, wird von Kunden, die gezielt nach Jacken filtern, nicht gefunden. In Shops mit tiefer Kategoriehierarchie ist ein falsch einsortiertes Produkt praktisch unsichtbar — unabhängig von Qualität und Preis.

Das zweite Problem ist Inkonsistenz. Wenn verschiedene Mitarbeiter kategorisieren, entstehen unterschiedliche Interpretationen: Gehören wasserdichte Wanderschuhe in „Outdoor > Schuhe > Trekking” oder in „Schuhe > Outdoorschuhe > Trekking”? Ohne verbindliche Regeln und automatische Unterstützung entstehen Taxonomien, die über Zeit immer schwerer pflegbar werden.

Das dritte Problem ist Marktplatzdruck. Auf Amazon, Otto und anderen Plattformen sind Kategorievorgaben streng und komplex — falsche Kategorie bedeutet schlechtes Ranking oder Listingfehler. Wer hunderte Produkte gleichzeitig auf mehreren Marktplätzen listet, braucht einen verlässlichen Prozess.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Bei regelmäßigen Katalogerweiterungen ist der Zeitgewinn direkt und täglich spürbar. Fünf Minuten pro Produkt werden zu einer Minute für die Prüfung — bei 300 neuen Produkten monatlich sind das 20 gesparte Stunden. Im Vergleich zu Produkttexten (die noch mehr Zeit sparen) ist der Effekt etwas kleiner, aber für Händler mit häufigen Katalogaufnahmen erheblich.

Kosteneinsparung — niedrig (2/5) Der Nutzen entsteht über eingesparte Personalzeit — das ist eine Effizienzverbesserung, aber kein direkter Kostenhebel wie Retourenreduktion oder Bestandsoptimierung. Die Tool-Kosten sind gering, aber der Einrichtungsaufwand (Taxonomie dokumentieren, Beispiele aufbereiten) ist Initial-Investition ohne direkten Kostengegenposten.

Schnelle Umsetzung — hoch (4/5) Mit ChatGPT oder Claude kannst du morgen deinen ersten Batch-Test machen: Taxonomie als Prompt-Kontext übergeben, Produktliste einschicken, Kategorievorschläge erhalten. Vollautomatische Workflow-Integration (make.com + API) braucht 4 bis 8 Stunden Einrichtung. Kein ERP-Umbau, kein monatelanger IT-Prozess.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist messbar — Stunden pro Produktbatch vorher vs. nachher. Der indirekte Umsatzeffekt durch weniger Kategorisierungsfehler ist real, aber schwer zu isolieren. Damit liegt dieser Use Case im Mittelfeld der ROI-Nachweisbarkeit.

Skalierbarkeit — mittel (3/5) Das Modell skaliert mit dem Sortiment, aber komplexe Taxonomien brauchen regelmäßige Nachpflege: Neue Kategorien müssen dem Modell beibracht werden, Feedback-Schleifen müssen laufen, und bei stark wachsendem Sortiment steigt der Anteil der Low-Confidence-Fälle für neue Produkttypen.

Richtwerte — stark abhängig von Taxonomiegröße, Sortimentsbreite und Häufigkeit von Katalogaufnahmen.

Was die KI-Kategorisierung konkret macht

Das Verfahren kombiniert Zero-Shot-Klassifikation und bei größeren Sortimenten Fine-Tuning. In der Praxis:

Das System erhält deine Taxonomie als Kontext — alle Kategorienamen, ihre Definitionen, und Beispielprodukte für jede Kategorie. Für jedes neue Produkt analysiert es Titel, Beschreibung, Attribute (Material, Zielgruppe, Verwendungszweck) und vergleicht diese mit den gelernten Kategorie-Mustern. Das Ergebnis ist ein Kategorievorschlag mit einem Konfidenzwert.

Produkte über 85 % Konfidenz werden automatisch eingeordnet und zur Stichprobenkontrolle markiert. Produkte unter 85 % kommen in eine Prüfwarteschlange für manuelle Entscheidung — das sind typischerweise 10 bis 20 % aller Produkte, aber genau die schwierigen Grenzfälle, bei denen manuelle Expertise wirklich gefragt ist.

Korrekturen aus der Prüfwarteschlange fließen als Feedback zurück — das Modell wird bei diesen Produkttypen besser.

Konkrete Werkzeuge — was wann passt

ChatGPT API — Für einfache Batch-Kategorisierung ohne eigene Modell-Infrastruktur: Produktlisten als CSV hochladen, Kategoriezuordnungen mit einem strukturierten Prompt generieren. Kein Fine-Tuning nötig für einfache Taxonomien. Ca. 1–5 $ pro 1.000 kategorisierte Produkte (API-Nutzung).

Claude — Besonders stark bei komplexen, mehrstufigen Taxonomien: große Produktlisten verarbeiten, mehrdeutige Kategoriezuordnungen durch Kontext disambiguieren. Ab 18 €/Monat oder API-Nutzung.

make.com — Für vollautomatisierte Kategorisierungs-Workflows: Neues Produkt wird angelegt → make.com sendet Produktdaten an API → Kategorievorschlag wird zurückgeschrieben → bei niedrigem Konfidenzwert Alert an zuständigen Mitarbeiter. 9–20 €/Monat.

Akeneo PIM — Product Information Management mit KI-Erweiterungen: Produktdaten zentral verwalten, automatische Attributvervollständigung und Kategorisierungshilfe eingebettet. Gut für Händler mit vielen Lieferanten und komplexen Produktdaten. Preise auf Anfrage, typisch ab 500 €/Monat.

Zapier — Für einfachere Automatisierungsworkflows als Alternative zu make.com: einfachere Benutzeroberfläche, höhere Kosten bei Skalierung. Geeignet für Händler ohne technischen Hintergrund.

Datenschutz und Datenhaltung

Kategorisierung arbeitet ausschließlich mit Produktdaten — keine Kundendaten, keine personenbezogenen Informationen. DSGVO-Relevanz ist gering.

Einziger Punkt: Wenn Produktdaten als Geschäftsgeheimnisse gelten (proprietäre Sortimentsstrategie, Einkaufspreise in Attributen), achte darauf, welche Informationen du an externe APIs sendest. OpenAI und Anthropic verarbeiten API-Anfragen nicht für Modelltraining (wenn du dem AVV zugestimmt hast) — prüfe das in den API-Nutzungsbedingungen und schließe einen Auftragsverarbeitungsvertrag ab.

Was es kostet — realistisch gerechnet

Einstieg (ChatGPT-API + make.com)

• ChatGPT-API: ca. 1–5 $ pro 1.000 kategorisierte Produkte
• make.com: 9–20 €/Monat
• Einrichtungsaufwand: 4–8 Stunden für Workflow-Aufbau

Vollständig integriert (Akeneo PIM)

• Akeneo: ab ca. 500 €/Monat
• Vollständige PIM-Funktionalität mit KI-gestützter Kategorisierung
• Für Händler mit mehr als 10.000 SKUs und mehreren Lieferanten

ROI-Szenario: Händler mit 300 neuen Produkten pro Monat, bisher 5 Minuten manuelle Kategorisierung = 25 Stunden/Monat. Mit KI: 20 % manuelle Prüfung = 5 Stunden/Monat. 20 Stunden Ersparnis monatlich = 240 Stunden/Jahr. Bei 25 €/Stunde: 6.000 € Effizienzgewinn. Tool-Kosten: 500–1.000 €/Jahr. Dazu: weniger Kategorisierungsfehler → geschätzt 1–2 % Auffindbarkeitsverbesserung.

Drei typische Einstiegsfehler

Fehler 1 — Taxonomie nicht dokumentieren vor dem Start Ein KI-Modell kann nur kategorisieren, was es als Kategorien kennt. Wenn deine Taxonomie nirgends vollständig dokumentiert ist (weder Namen noch Definitionen noch Abgrenzungen), musst du das zuerst nachholen. Diese Arbeit dauert 4 bis 8 Stunden und ist wertvoller als das KI-Setup selbst.

Fehler 2 — Zu wenige Trainingsbeispiele pro seltener Kategorie Für Kategorien mit 3–5 Beispielprodukten in deiner historischen Datenbasis trifft das Modell schlecht. Vor allem Nischenkategorien und neue Sortimentsbereiche brauchen manuelle Verstärkung — 10 bis 20 korrekte Beispiele pro Kategorie für verlässliche Zuordnung.

Fehler 3 — Feedback-Schleife nicht einrichten Wenn manuelle Korrekturen nicht systematisch zurück ans Modell fließen, verbessert sich nichts. Das System wird bei wiederkehrenden schwierigen Produkttypen immer dieselben Fehler machen. Einmal im Monat die Korrekturen als neue Trainingsbeispiele einspeisen — das reicht.

Was mit der Einführung wirklich passiert — und was nicht

In den ersten Wochen ist die Prüfzeit für High-Confidence-Fälle verblüffend kurz. Das Team erlebt sofortige Entlastung bei Standardprodukten.

Was nicht verschwindet: die schwierigen Grenzfälle. Ein Produkt, das gleichzeitig Küchen- und Haushaltsgerät ist, wird auch für die KI mehrdeutig sein — und das richtig. Die Low-Confidence-Prüfwarteschlange ist kein Zeichen von KI-Schwäche, sondern Kategorisierung, bei der auch menschliche Expertise uneinheitlich wäre.

Was oft unterschätzt wird: Die Taxonomie-Dokumentation, die im Setup erzwungen wird, ist für sich allein wertvoll. Viele Teams stellen fest, dass ihre eigene Kategoriestruktur inkonsistenter war, als sie dachten — das KI-Projekt erzwingt eine Bereinigung, die schon länger fällig war.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Taxonomie ist zu komplex für eine KI.” Komplexe Taxonomien sind genau der Anwendungsfall, für den KI-Klassifikation besonders wertvoll ist. Ein Mensch, der zum ersten Mal mit einer 500-Knoten-Taxonomie arbeitet, macht mehr Fehler als ein gut konfiguriertes Modell. Das Modell verbessert sich mit jeder Korrektur — der Mensch macht dieselben Fehler immer wieder.

„Wir haben jemanden, der das gut macht.” Gut gemachte manuelle Kategorisierung ist wertvoll — aber sie skaliert nicht. Wenn das Sortiment wächst, wächst der Aufwand proportional. KI ermöglicht Wachstum ohne proportional steigende Datenpflege-Kosten.

„Was wenn das Modell falsch kategorisiert?” Fehlerhafte Kategorisierungen passieren auch manuell. Mit automatisierter Kategorisierung und Konfidenz-Bewertung werden unsichere Fälle sofort zur Prüfung markiert — systematisch zuverlässiger als rein manueller Prozess ohne Qualitätskontrolle.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Du regelmäßig mehr als 50 neue Produkte pro Monat aufnimmst
• Deine Kategoriestruktur mehr als 3 Ebenen hat und über 100 Kategorien umfasst
• Mehrere Mitarbeiter kategorisieren und Inkonsistenz ein bekanntes Problem ist

Das passt noch nicht zu dir, wenn:

• Du weniger als 20 neue Produkte pro Monat aufnimmst — der Einrichtungsaufwand überwiegt die Ersparnis
• Deine Taxonomie noch nicht dokumentiert und konsolidiert ist — das ist der notwendige erste Schritt
• Du keinen bestehenden Daten-Export-Prozess aus deinem Warenwirtschaftssystem hast — ohne Datengrundlage kein Workflow

Das kannst du heute noch tun

Exportiere deine letzten 50 kategorisierten Produkte als CSV und teste den folgenden Prompt — er zeigt dir sofort, wie gut KI deine Taxonomie versteht.

Quellen & Methodik

• Baymard Institute (2023): „Product Findability & Category Navigation” — Auswirkungen falscher Kategorisierung auf Conversion; baymard.com
• iBusiness / E-Commerce-Magazin (2022): „PIM-Systeme im deutschen Mittelstand” — Zeitaufwände für Produktdatenpflege; ibusiness.de
• OpenAI API Documentation (2024): Zero-Shot-Klassifikation und Few-Shot-Prompting für Produktkategorisierung; platform.openai.com
• Erfahrungswerte: Eigene Beobachtungen aus Kategorisierungsprojekten mit deutschen Händlern auf Shopify, WooCommerce und Shopware