Der teuerste Klick in deinem Shop ist der auf „Filter zurücksetzen“

Er taucht in keinem Reporting als Kostenposition auf. Er löst keinen Alarm im Monitoring aus. Und trotzdem markiert er den Punkt, an dem ein Kunde mit klarer Kaufabsicht aufgibt – nicht weil dein Sortiment nicht passt, sondern weil er es nicht findet.

Wir haben uns in einem Gartengeräte-Shop drei Monate lang die internen Suchanfragen aus der Kategorie Wasserpumpen angesehen. Was dabei herauskam, ist der beste Beleg dafür, dass die meisten Shop-Suchprobleme keine Suchprobleme sind.

Zwei Sprachen, ein Filter

Was Kunden eintippen, sieht so aus:

„leise pumpe teich 500l kleingarten“

Was im Shop steht, sieht so aus:

Förderhöhe. Volumenstrom. Schalldruckpegel in dB(A).

Beides beschreibt dasselbe Produkt. Aber es sind zwei verschiedene Sprachen, und der Filter übersetzt zwischen ihnen nicht.

Der Kunde formuliert seinen Einsatzzweck: ein Teich, eine bestimmte Wassermenge, ein Kleingarten mit Nachbarn in Hörweite. Der Shop verlangt technische Zielwerte. Dazwischen liegt eine Übersetzungsleistung, die der Kunde nicht erbringen kann – er weiß nicht, welche Förderhöhe sein Teich braucht, und er weiß auch nicht, ab wann ein dB(A)-Wert im Kleingarten zum Problem wird.

Also probiert er. Setzt einen Filter. Bekommt drei Treffer oder dreihundert. Setzt zurück. Probiert anders. Setzt zurück. Und irgendwann ist er weg.

Das ist der Klick, der Geld kostet. Nicht der auf „Warenkorb löschen“ – der auf „Filter zurücksetzen“.

Der Moment, in dem klar wurde, was wirklich fehlt

Nach der Auswertung haben wir mit dem Produktmanager gesprochen, der die Kategorie verantwortet. Ich habe ihn eine einzige Frage gestellt:

Wie berätst du einen Kunden, der dich anruft?

Er hat eine Excel-Tabelle aufgemacht.

Darin standen nicht nur die Attribute. Darin stand, wie sie zusammenhängen:

– welche Förderhöhe zu welchem Einsatzzweck passt,

– ab wann Lautstärke überhaupt ein Thema wird,

– welche Kombinationen technisch gar nicht funktionieren,

– und wo ein günstigeres Modell völlig ausreicht.

Das war der Moment.

Das Beratungswissen hat nie gefehlt. Es war vollständig da – nur nicht im Shop. Es lag in einer Excel-Liste und im Kopf eines einzelnen Menschen.

Der Shop zeigte Daten. Der Produktmanager verknüpfte sie. Genau dieser Zwischenschritt war online nirgends abgebildet.

Warum das kein Datenqualitätsproblem ist

Wenn eine Kategorie online schlecht läuft, ist die erste Reaktion fast immer dieselbe: Die Daten müssen besser werden. Mehr Attribute, sauberere Werte, konsistentere Pflege im PIM.

Das ist nicht falsch – aber es löst dieses Problem nicht. In dem Gartengeräte-Shop waren die Daten in Ordnung. Die Attribute waren gepflegt, die Werte korrekt, das PIM konsistent. Trotzdem scheiterte die Kategorie.

Der Grund: Attribute sind Fakten, Beratung ist Logik. Ein Filter kann Fakten abbilden. Er kann nicht abbilden, dass ein bestimmter Wert für den einen Kunden entscheidend und für den anderen irrelevant ist. Diese Bedingtheit – „wenn Teich, dann ist Förderhöhe unkritisch, aber Volumenstrom entscheidend“ – ist genau das, was ein Mensch am Telefon tut und ein Attributfilter strukturell nicht kann.

Mehr Attribute machen das Problem oft sogar größer, weil die Filterleiste länger wird und der Kunde noch mehr Entscheidungen treffen muss, für die ihm die Grundlage fehlt.

Seitdem frage ich in Projekten nicht mehr zuerst nach der Datenqualität. Ich frage:

Wer bei euch kann dieses Produkt am Telefon erklären – und was macht diese Person, das der Shop nicht macht?

Meistens gibt es diese Person. Und meistens gibt es auch diese Excel-Tabelle.

Woran du erkennst, ob eine Kategorie betroffen ist

Nicht jede Kategorie hat dieses Problem. Ein Kunde, der eine bestimmte Schraubengröße sucht, kommt mit einem Filter gut zurecht. Betroffen sind beratungsintensive, variantenreiche Sortimente – und die erkennst du an ein paar recht eindeutigen Signalen:

– Die interne Suche zeigt Alltagssprache. Nicht Artikelnummern und Markennamen, sondern Situationen: „für Terrasse“, „bei Frost“, „für 3 Personen“.

– Der Kundenservice bekommt Vorkaufs-Fragen. Nicht „Wo ist meine Lieferung?“, sondern „Reicht das für meinen Fall?“.

– Die Retourenquote ist auffällig, aber die Ware ist in Ordnung. Fehlkäufe statt Mängel.

– Es gibt eine Person, die man fragt. Wenn im Team klar ist, wer „die Pumpen macht“, ist die Kategorie beratungsintensiv.

– Es existiert eine inoffizielle Tabelle. Eine Excel-Datei, eine PDF-Auswahlhilfe, ein Spickzettel im Telefonsupport. Diese Datei ist Gold – sie ist die dokumentierte Beratungslogik.

Vom Kopfwissen in den Shop: ein Vorgehen, das funktioniert

Der Weg von der Excel-Liste zur funktionierenden Online-Beratung ist weniger ein IT-Projekt als eine Wissensarbeit. In der Praxis hat sich diese Reihenfolge bewährt:

1. Suchanfragen auswerten – mindestens ein Quartal.

Die interne Suche ist das ehrlichste Feedback, das du bekommst. Sortiere die Anfragen nicht nach Häufigkeit, sondern danach, welche Denkweise dahintersteckt: Nennt der Kunde ein Produkt, eine Eigenschaft oder eine Situation? Der Anteil der Situations-Suchen sagt dir, wie groß die Übersetzungslücke ist.

2. Die Beratungslogik erheben, nicht erfinden.

Setz dich mit der Person zusammen, die berät, und lass sie drei bis fünf echte Kundengespräche nacherzählen. Interessant sind die Rückfragen: Was will sie wissen, bevor sie eine Empfehlung ausspricht? In welcher Reihenfolge? Wo schließt eine Antwort andere Optionen aus? Das ist der Entscheidungsbaum.

3. Regeln formulieren und mit dem Sortiment abgleichen.

Jetzt wird aus dem Gespräch Logik: Einsatzzweck → relevante Attribute → Wertebereiche → Ausschlusskriterien. Dabei fällt regelmäßig auf, dass einzelne Attribute für die Beratung gebraucht werden, aber im PIM gar nicht gepflegt sind. Das ist der Punkt, an dem Datenqualität tatsächlich zum Thema wird – gezielt, nicht flächendeckend.

4. Eine Pilotkategorie wählen.

Nicht die größte, sondern die typischste: hohe Beratungsintensität, überschaubare Artikelzahl, ein verfügbarer Ansprechpartner. Eine Kategorie sauber gelöst ist die Blaupause für die nächsten zwanzig.

5. Vorher festlegen, woran du Erfolg misst.

Conversion Rate in der Kategorie, Anteil abgebrochener Filtersessions, Retourenquote aus Fehlkauf, Anzahl der Vorkaufs-Anfragen im Service. Ohne Ausgangswerte lässt sich hinterher nicht sagen, was der Aufwand gebracht hat.

Genau dafür haben wir den ShopNanny Produktberater gebaut

Der ShopNanny Produktberater von Cool Services bildet exakt den Zwischenschritt ab, der in dem Gartengeräte-Shop gefehlt hat: die Übersetzung vom Einsatzzweck des Kunden zur passenden Produktauswahl.

Kunden können dabei auf zwei Wegen einsteigen:

– KI-Freitext: Der Kunde beschreibt sein Vorhaben in Alltagssprache – „leise Pumpe für einen Teich mit 500 Litern im Kleingarten“. Der Berater stellt gezielte Rückfragen, wo Informationen fehlen.

– Geführter Dialog: Wer lieber klickt, wird per Q&A durch Einsatzbereich, Budget und Maße geführt.

Darunter liegt die Beratungslogik deines Produktmanagers als Regel- und Scoring-Modell – inklusive Ausschlusskriterien und einem Notfall-Management für die Fälle, in denen null oder zu viele Produkte passen. Jede Empfehlung kommt mit transparenten Kaufargumenten, und der Berater ist über API an Shopsystem und PIM sowie an Merkliste, Vergleich und Warenkorb angebunden.

Der Effekt, den unsere Kunden dabei suchen: weniger Kaufabbrüche, weniger Fehlkäufe und Retouren, spürbare Entlastung des Kundenservice – in B2C wie in B2B, und skalierbar über viele Kategorien hinweg.

Der nächste Schritt

Such in deinem Shop die eine Kategorie, bei der es immer dieselbe Person ist, die die Fragen beantwortet. Und frag sie nach ihrer Tabelle.

Wenn du wissen willst, ob sich diese Tabelle in einen Produktberater überführen lässt: Sprich mit uns. Wir schauen uns eine Kategorie an und sagen dir, was drinsteckt – bevor du ein Projekt aufsetzt.

—

Passend dazu: KI-Chat als Produktberater statt Suchfeld