Er taucht in keinem Reporting als Kostenposition auf. Er l\u00f6st keinen Alarm im Monitoring aus. Und trotzdem markiert er den Punkt, an dem ein Kunde mit klarer Kaufabsicht aufgibt \u2013 nicht weil dein Sortiment nicht passt, sondern weil er es nicht findet.<\/p>\n\n\n\n
Wir haben uns in einem Gartenger\u00e4te-Shop drei Monate lang die internen Suchanfragen aus der Kategorie Wasserpumpen angesehen. Was dabei herauskam, ist der beste Beleg daf\u00fcr, dass die meisten Shop-Suchprobleme keine Suchprobleme sind.<\/p>\n\n\n\n
Was Kunden eintippen, sieht so aus:<\/p>\n\n\n\n
\u201eleise pumpe teich 500l kleingarten“<\/p>\n\n\n\n
Was im Shop steht, sieht so aus:<\/p>\n\n\n\n
F\u00f6rderh\u00f6he. Volumenstrom. Schalldruckpegel in dB(A).<\/p>\n\n\n\n
Beides beschreibt dasselbe Produkt. Aber es sind zwei verschiedene Sprachen, und der Filter \u00fcbersetzt zwischen ihnen nicht.<\/p>\n\n\n\n
Der Kunde formuliert seinen Einsatzzweck<\/strong>: ein Teich, eine bestimmte Wassermenge, ein Kleingarten mit Nachbarn in H\u00f6rweite. Der Shop verlangt technische Zielwerte<\/strong>. Dazwischen liegt eine \u00dcbersetzungsleistung, die der Kunde nicht erbringen kann \u2013 er wei\u00df nicht, welche F\u00f6rderh\u00f6he sein Teich braucht, und er wei\u00df auch nicht, ab wann ein dB(A)-Wert im Kleingarten zum Problem wird.<\/p>\n\n\n\n Also probiert er. Setzt einen Filter. Bekommt drei Treffer oder dreihundert. Setzt zur\u00fcck. Probiert anders. Setzt zur\u00fcck. Und irgendwann ist er weg.<\/p>\n\n\n\n Das ist der Klick, der Geld kostet. Nicht der auf \u201eWarenkorb l\u00f6schen“ \u2013 der auf \u201eFilter zur\u00fccksetzen“.<\/p>\n\n\n\n Nach der Auswertung haben wir mit dem Produktmanager gesprochen, der die Kategorie verantwortet. Ich habe ihn eine einzige Frage gestellt:<\/p>\n\n\n\n Wie ber\u00e4tst du einen Kunden, der dich anruft?<\/strong><\/p>\n\n\n\n Er hat eine Excel-Tabelle aufgemacht.<\/p>\n\n\n\n Darin standen nicht nur die Attribute. Darin stand, wie sie zusammenh\u00e4ngen:<\/p>\n\n\n\n – welche F\u00f6rderh\u00f6he zu welchem Einsatzzweck passt,<\/p>\n\n\n\n – ab wann Lautst\u00e4rke \u00fcberhaupt ein Thema wird,<\/p>\n\n\n\n – welche Kombinationen technisch gar nicht funktionieren,<\/p>\n\n\n\n – und wo ein g\u00fcnstigeres Modell v\u00f6llig ausreicht.<\/p>\n\n\n\n Das war der Moment.<\/p>\n\n\n\n Das Beratungswissen hat nie gefehlt. Es war vollst\u00e4ndig da \u2013 nur nicht im Shop. Es lag in einer Excel-Liste und im Kopf eines einzelnen Menschen.<\/p>\n\n\n\n Der Shop zeigte Daten. Der Produktmanager verkn\u00fcpfte sie. Genau dieser Zwischenschritt war online nirgends abgebildet.<\/p>\n\n\n\n Wenn eine Kategorie online schlecht l\u00e4uft, ist die erste Reaktion fast immer dieselbe: Die Daten m\u00fcssen besser werden. Mehr Attribute, sauberere Werte, konsistentere Pflege im PIM.<\/p>\n\n\n\n Das ist nicht falsch \u2013 aber es l\u00f6st dieses Problem nicht. In dem Gartenger\u00e4te-Shop waren die Daten in Ordnung. Die Attribute waren gepflegt, die Werte korrekt, das PIM konsistent. Trotzdem scheiterte die Kategorie.<\/p>\n\n\n\n Der Grund: Attribute sind Fakten, Beratung ist Logik.<\/strong> Ein Filter kann Fakten abbilden. Er kann nicht abbilden, dass ein bestimmter Wert f\u00fcr den einen Kunden entscheidend und f\u00fcr den anderen irrelevant ist. Diese Bedingtheit \u2013 \u201ewenn Teich, dann ist F\u00f6rderh\u00f6he unkritisch, aber Volumenstrom entscheidend“ \u2013 ist genau das, was ein Mensch am Telefon tut und ein Attributfilter strukturell nicht kann.<\/p>\n\n\n\n Mehr Attribute machen das Problem oft sogar gr\u00f6\u00dfer, weil die Filterleiste l\u00e4nger wird und der Kunde noch mehr Entscheidungen treffen muss, f\u00fcr die ihm die Grundlage fehlt.<\/p>\n\n\n\n Seitdem frage ich in Projekten nicht mehr zuerst nach der Datenqualit\u00e4t. Ich frage:<\/p>\n\n\n\n Wer bei euch kann dieses Produkt am Telefon erkl\u00e4ren \u2013 und was macht diese Person, das der Shop nicht macht?<\/p>\n\n\n\n Meistens gibt es diese Person. Und meistens gibt es auch diese Excel-Tabelle.<\/p>\n\n\n\n Nicht jede Kategorie hat dieses Problem. Ein Kunde, der eine bestimmte Schraubengr\u00f6\u00dfe sucht, kommt mit einem Filter gut zurecht. Betroffen sind beratungsintensive, variantenreiche Sortimente \u2013 und die erkennst du an ein paar recht eindeutigen Signalen:<\/p>\n\n\n\n – Die interne Suche zeigt Alltagssprache.<\/strong> Nicht Artikelnummern und Markennamen, sondern Situationen: \u201ef\u00fcr Terrasse“, \u201ebei Frost“, \u201ef\u00fcr 3 Personen“.<\/p>\n\n\n\n – Der Kundenservice bekommt Vorkaufs-Fragen.<\/strong> Nicht \u201eWo ist meine Lieferung?“, sondern \u201eReicht das f\u00fcr meinen Fall?“.<\/p>\n\n\n\n – Die Retourenquote ist auff\u00e4llig, aber die Ware ist in Ordnung.<\/strong> Fehlk\u00e4ufe statt M\u00e4ngel.<\/p>\n\n\n\n – Es gibt eine Person, die man fragt.<\/strong> Wenn im Team klar ist, wer \u201edie Pumpen macht“, ist die Kategorie beratungsintensiv.<\/p>\n\n\n\n – Es existiert eine inoffizielle Tabelle.<\/strong> Eine Excel-Datei, eine PDF-Auswahlhilfe, ein Spickzettel im Telefonsupport. Diese Datei ist Gold \u2013 sie ist die dokumentierte Beratungslogik.<\/p>\n\n\n\n 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 bew\u00e4hrt:<\/p>\n\n\n\n 1. Suchanfragen auswerten \u2013 mindestens ein Quartal.<\/strong><\/p>\n\n\n\n Die interne Suche ist das ehrlichste Feedback, das du bekommst. Sortiere die Anfragen nicht nach H\u00e4ufigkeit, sondern danach, welche Denkweise dahintersteckt: Nennt der Kunde ein Produkt, eine Eigenschaft oder eine Situation? Der Anteil der Situations-Suchen sagt dir, wie gro\u00df die \u00dcbersetzungsl\u00fccke ist.<\/p>\n\n\n\n 2. Die Beratungslogik erheben, nicht erfinden.<\/strong><\/p>\n\n\n\n Setz dich mit der Person zusammen, die ber\u00e4t, und lass sie drei bis f\u00fcnf echte Kundengespr\u00e4che nacherz\u00e4hlen. Interessant sind die R\u00fcckfragen: Was will sie wissen, bevor sie eine Empfehlung ausspricht? In welcher Reihenfolge? Wo schlie\u00dft eine Antwort andere Optionen aus? Das ist der Entscheidungsbaum.<\/p>\n\n\n\n 3. Regeln formulieren und mit dem Sortiment abgleichen.<\/strong><\/p>\n\n\n\n Jetzt wird aus dem Gespr\u00e4ch Logik: Einsatzzweck \u2192 relevante Attribute \u2192 Wertebereiche \u2192 Ausschlusskriterien. Dabei f\u00e4llt regelm\u00e4\u00dfig auf, dass einzelne Attribute f\u00fcr die Beratung gebraucht werden, aber im PIM gar nicht gepflegt sind. Das ist der Punkt, an dem Datenqualit\u00e4t tats\u00e4chlich zum Thema wird \u2013 gezielt, nicht fl\u00e4chendeckend.<\/p>\n\n\n\n 4. Eine Pilotkategorie w\u00e4hlen.<\/strong><\/p>\n\n\n\n Nicht die gr\u00f6\u00dfte, sondern die typischste: hohe Beratungsintensit\u00e4t, \u00fcberschaubare Artikelzahl, ein verf\u00fcgbarer Ansprechpartner. Eine Kategorie sauber gel\u00f6st ist die Blaupause f\u00fcr die n\u00e4chsten zwanzig.<\/p>\n\n\n\n 5. Vorher festlegen, woran du Erfolg misst.<\/strong><\/p>\n\n\n\n Conversion Rate in der Kategorie, Anteil abgebrochener Filtersessions, Retourenquote aus Fehlkauf, Anzahl der Vorkaufs-Anfragen im Service. Ohne Ausgangswerte l\u00e4sst sich hinterher nicht sagen, was der Aufwand gebracht hat.<\/p>\n\n\n\n Der ShopNanny Produktberater von Cool Services bildet exakt den Zwischenschritt ab, der in dem Gartenger\u00e4te-Shop gefehlt hat: die \u00dcbersetzung vom Einsatzzweck des Kunden zur passenden Produktauswahl.<\/p>\n\n\n\n Kunden k\u00f6nnen dabei auf zwei Wegen einsteigen:<\/p>\n\n\n\n – KI-Freitext:<\/strong> Der Kunde beschreibt sein Vorhaben in Alltagssprache \u2013 \u201eleise Pumpe f\u00fcr einen Teich mit 500 Litern im Kleingarten“. Der Berater stellt gezielte R\u00fcckfragen, wo Informationen fehlen.<\/p>\n\n\n\n – Gef\u00fchrter Dialog:<\/strong> Wer lieber klickt, wird per Q&A durch Einsatzbereich, Budget und Ma\u00dfe gef\u00fchrt.<\/p>\n\n\n\n Darunter liegt die Beratungslogik deines Produktmanagers als Regel- und Scoring-Modell \u2013 inklusive Ausschlusskriterien und einem Notfall-Management f\u00fcr die F\u00e4lle, in denen null oder zu viele Produkte passen. Jede Empfehlung kommt mit transparenten Kaufargumenten, und der Berater ist \u00fcber API an Shopsystem und PIM sowie an Merkliste, Vergleich und Warenkorb angebunden.<\/p>\n\n\n\n Der Effekt, den unsere Kunden dabei suchen: weniger Kaufabbr\u00fcche, weniger Fehlk\u00e4ufe und Retouren, sp\u00fcrbare Entlastung des Kundenservice \u2013 in B2C wie in B2B, und skalierbar \u00fcber viele Kategorien hinweg.<\/p>\n\n\n\n Such in deinem Shop die eine Kategorie, bei der es immer dieselbe Person ist, die die Fragen beantwortet. Und frag sie nach ihrer Tabelle.<\/p>\n\n\n\n Wenn du wissen willst, ob sich diese Tabelle in einen Produktberater \u00fcberf\u00fchren l\u00e4sst: Sprich mit uns.<\/a> Wir schauen uns eine Kategorie an und sagen dir, was drinsteckt \u2013 bevor du ein Projekt aufsetzt.<\/p>\n\n\n\nDer Moment, in dem klar wurde, was wirklich fehlt<\/strong><\/h2>\n\n\n\n
Warum das kein Datenqualit\u00e4tsproblem ist<\/strong><\/h2>\n\n\n\n
Woran du erkennst, ob eine Kategorie betroffen ist<\/strong><\/h2>\n\n\n\n
Vom Kopfwissen in den Shop: ein Vorgehen, das funktioniert<\/strong><\/h2>\n\n\n\n
Genau daf\u00fcr haben wir den ShopNanny Produktberater gebaut<\/strong><\/h2>\n\n\n\n
Der n\u00e4chste Schritt<\/strong><\/h2>\n\n\n\n