Eine Prüfung läuft auf Abruf und analysiert die Produkte, die du auswählst. Vision-Dimensionen (Abgleich der Bilder mit deinen Daten) verbrauchen AI-Credits, daher skalieren die Kosten mit der Kataloggröße und den gewählten Dimensionen. Ergebnisse werden in eine Warteschlange gestellt und sind typischerweise in wenigen Minuten bereit; sie verfallen nie, sodass du jeden vergangenen Lauf erneut aufrufen kannst.
Eine Prüfung starten
AI-Qualitätsprüfung öffnen
Du findest sie in der Analytics-Sidebar im Qualitätsbereich oder startest sie direkt aus einer Produktauswahl in der Produkte-Tabelle.
Wählen, was geprüft wird
Prüfe deine aktuelle Auswahl oder alles, was deinen aktiven Filtern entspricht. Beginne klein (eine Familie oder Kategorie), wenn du nur einen Eindruck zu einem bestimmten Bereich gewinnen willst.
Ein Intent-Preset wählen
Prelaunch (alle Text-Dimensionen), SEO, Image (aktiviert Vision) oder Conversion. Jedes Preset wählt die Dimensionen aus, die für dieses Ziel zählen. Custom lässt dich die Dimensionen selbst wählen.
Optionalen Kontext hinzufügen
Lege eine Branche für branchenspezifische Erwartungen fest, füge bis zu drei Käufer-Personas hinzu, um zu simulieren, wie verschiedene Shopper reagieren, oder ergänze eine Freitext-Anweisung für alles, was dir besonders wichtig ist.
Die 12 Dimensionen
Jedes Produkt wird über diese Dimensionen bewertet. Die beiden Bild-Dimensionen erfordern Vision und verbrauchen zusätzliche AI-Credits.| Dimension | Was sie prüft |
|---|---|
| Vollständigkeit | Sind die Pflichtfelder (Name, Beschreibung, Attribute, Bilder) ausgefüllt? |
| Content-Qualität | Liest sich der Text gut, mit passendem Ton, passender Länge und Struktur? |
| Bild vs. Daten (Vision) | Stimmen die Bilder mit den Attributen überein (Farbe, Typ, Anzahl)? |
| Bild vs. Beschreibung (Vision) | Zeigt das Bild, was Beschreibung und Kategorie behaupten? |
| Attribut-Coverage | Sind familienrelevante Attribute bis zu einer nützlichen Tiefe ausgefüllt? |
| Feldübergreifende Rechnung | Sind Größen, Gewicht, Volumen und Einheiten in sich konsistent? |
| Semantische Konsistenz | Stimmen feldübergreifende Aussagen überein (Material vs. Beschreibung, Kategorie vs. Abteilung)? |
| Preis-Plausibilität | Liegen Preise und Lagerwerte in einem sinnvollen Bereich für die Familie? |
| SEO-Konformität | Liegen Meta-Titel und -Beschreibungen innerhalb der empfohlenen Zeichenbereiche? |
| Konsistenz | Sind Markenschreibweise, Einheiten und Formatierung über den Katalog hinweg konsistent? |
| Beinahe-Duplikate | Gibt es Produkte, die wie dieselbe SKU aussehen und sich nur in einem Attribut unterscheiden? |
| Conversion-Bereitschaft | Sind die für diese Kategorie erwarteten Conversion-Signale vorhanden (Größentabellen, Lieferumfang, Zertifizierungen)? |
Was die Scores bedeuten
| Score | Status | So liest du ihn |
|---|---|---|
| 4,0 – 5,0 | Gut | Solide. Stichprobe prüfen, dann weiter. |
| 3,0 – 3,9 | Mittel | Lohnt sich zu verbessern. Hier steckt Potenzial. |
| Unter 3,0 | Handlungsbedarf | Zuerst handeln. Diese Produkte verlieren wahrscheinlich Umsatz. |
Ergebnisse lesen
- Das Dimensionsradar zeigt deine Form auf einen Blick. Eine Speiche, die zur Mitte gezogen ist, ist die Dimension, die du zuerst beheben solltest.
- Die Liste „Zu behebende Probleme” ist das Herzstück der Seite: Jedes Problem ist danach gerankt, wie viele Produkte es betrifft und wie schwerwiegend es ist, mit einem verständlichen Titel und der Anzahl betroffener Produkte.
- Konfidenz- und Konsens-Chips zeigen dir, wie sicher sich die AI ist. Ein Vorschlag, der zur Prüfung markiert wurde (Konsens-Abweichung), wurde trotzdem ausgeliefert, verdient aber einen menschlichen Blick, bevor du ihn in bulk anwendest.
- Die Insights-Tabs ergänzen Tiefe: Prioritätsaufschlüsselung, Score-Trends über vergangene Läufe, eine Conversion-Bereitschafts-Checkliste, Käufer-Persona-Erkenntnisse und offene Beobachtungen, die die AI außerhalb der festen Dimensionen aufgedeckt hat.
- Die Tabelle der Erkenntnisse pro Produkt lässt dich in jedes einzelne Produkt eintauchen, um seine Scores pro Dimension und die genauen Erkenntnisse dahinter zu sehen.
Beheben oder davor schützen
Jedes Problem bietet zwei Aktionen, und der Unterschied ist wichtig:- Beheben wendet den Vorschlag jetzt an. Je nach Problem kann das eine Quality-Guard-Regel erstellen, eine Scoring-Einstellung anpassen, einer Familie ein fehlendes Attribut hinzufügen oder einen Wert ausfüllen, den die AI aus einem Bild abgeleitet hat.
- Guard-Regel hinzufügen erstellt eine Quality Guard-Regel (zunächst inaktiv, damit du sie prüfen und aktivieren kannst), sodass dasselbe Problem bei jedem künftigen Import und jeder Bearbeitung automatisch erkannt wird.
Auf Erkenntnisse reagieren
Dein Gesamtscore liegt unter 3
Dein Gesamtscore liegt unter 3
Öffne das Dimensionsradar und finde die niedrigste Speiche, filtere dann die Problemliste auf diese Dimension und arbeite von oben nach unten nach Anzahl betroffener Produkte. Wende die wirkungsvollsten Fixes zuerst an und beobachte, wie der projizierte Score steigt. Ergebnis: der schnellstmögliche Anstieg, weil du die Probleme behebst, die die meisten Produkte betreffen.
Eine Dimension zieht den ganzen Score nach unten
Eine Dimension zieht den ganzen Score nach unten
Eine einzelne schwache Dimension (oft SEO-Konformität oder Attribut-Coverage) ist meist eine systematische Lücke, nicht tausend einzelne Probleme. Wende den passenden Vorschlag an (zum Beispiel die Mindest-Beschreibungslänge anheben oder einer Familie ein fehlendes Attribut hinzufügen), um sie auf einen Schlag über den Katalog hinweg zu beheben. Ergebnis: ein breiter Qualitätssprung aus einer einzigen Aktion.
Dasselbe Problem taucht über die Läufe hinweg immer wieder auf
Dasselbe Problem taucht über die Läufe hinweg immer wieder auf
Wiederkehrende Probleme sind ein Problem der Datendisziplin, kein Einzelfall. Nutze Guard-Regel hinzufügen, um eine Quality Guard-Regel zu erstellen, die es beim Import und bei der Bearbeitung blockiert, und aktiviere sie dann. Ergebnis: das Problem taucht nicht mehr auf, sodass jede künftige Prüfung von einer saubereren Baseline startet.
Ein Vorschlag ist zur Prüfung markiert
Ein Vorschlag ist zur Prüfung markiert
Wenn der Konsens-Durchlauf mit sich selbst uneins ist, wird der Vorschlag trotzdem ausgeliefert, aber markiert. Öffne die betroffenen Produkte und bestätige, bevor du in bulk anwendest. Das sind die Fälle, in denen die AI am wenigsten sicher ist und sich ein menschliches Auge am meisten auszahlt. Ergebnis: du behältst das Tempo der Automatisierung, ohne einen falschen Fix in großem Umfang anzuwenden.
Vision hat Bild-Daten-Abweichungen gefunden
Vision hat Bild-Daten-Abweichungen gefunden
Bild-vs.-Daten-Erkenntnisse (ein rotes Produkt, das in Blau fotografiert wurde, drei Artikel auf einem Einzelstück-Listing) sind nach Lieferanten-Imports häufig. Korrigiere das Attribut oder das Bild oder fülle den AI-abgeleiteten Wert aus, wo sie sich sicher ist. Ergebnis: Bilder und Daten stimmen endlich überein, was Retouren und Channel-Ablehnungen reduziert.
Conversion-Bereitschaft ist niedrig
Conversion-Bereitschaft ist niedrig
Der Tab „Conversion-Bereitschaft” listet die Signale auf, die Käufer für deine Branche erwarten (Größentabellen, Lieferumfang, Zertifizierungen) und bei wie vielen Produkten jedes davon fehlt. Füge die fehlenden Attribute hinzu, beginnend mit den als kritisch markierten Signalen. Ergebnis: Listings tragen die Informationen, die aus einem Stöbern einen Kauf machen.
Wie sie mit den anderen Qualitäts-Tools zusammenhängt
- Data Quality ist der dauerhaft aktive, regelbasierte Gesundheitsmonitor: er sagt dir, was fehlt. Die AI-Qualitätsprüfung ist die Verbesserungs-Engine darauf: sie sagt dir, was falsch oder schwach ist und wie du es behebst.
- Quality Guard ist die Durchsetzungsebene. Die AI-Qualitätsprüfung entdeckt die Regeln, die es sich zu haben lohnt; Quality Guard hält sie durchgesetzt.
- Sprachprüfung ist das sprachliche Gegenstück, fokussiert auf Übersetzungsqualität statt auf Produktdaten.
Verwandt
Data Quality
Der regelbasierte Vollständigkeits-Score, der durchgehend über deinen Katalog läuft.
Quality Guard
Mach aus Prüfungs-Erkenntnissen Regeln, die schlechte Daten blockieren, bevor sie landen.
Sprachprüfung
Dieselbe Idee, angewendet auf Übersetzungsqualität über deine Locales hinweg.
Produkte bereichern
Behebe den Content, den die Prüfung markiert, mit gezielter AI-Anreicherung.