OTTOs KI-Assistenten-Einführung
OTTO, Deutschlands größter Online-Händler, hat KI-Assistenten eingeführt, die direkt in seinen Online-Shop und seine App integriert sind, um Shopping-Beratung und Kundenservice zu bieten. Ab dem 31. Juli erscheint die Funktion als Chat-Leiste über den Produktbewertungen auf otto.de und liefert in Sekundenschnelle Antworten, die aus Produkttiteln, -beschreibungen und mindestens 50 Kundenbewertungen stammen, um ausgewogene Antworten zu gewährleisten. Der Assistent ist zunächst für rund 180.000 Artikel in Kategorien wie Schuhe, Teppiche, Kaffeemaschinen und Sofas verfügbar und verwendet das Large Language Model PaLM 2 von Google Cloud in Kombination mit OTTOs proprietären Daten über Vertex AI, wobei alle Daten auf OTTOs Servern gespeichert werden.[1]
Die Einführung macht OTTO zum ersten deutschen Online-Shop, der eine solche KI nativ sowohl in Desktop- als auch in mobilen Umgebungen testet. Sie verarbeitet umgangssprachliche Anfragen, Rechtschreibfehler und subjektive Bewertungsdaten, wobei ein kontrollierter A/B-Test die Kunden aufteilt: Die Hälfte hat Zugriff auf den Assistenten, die andere Hälfte nicht, um die Auswirkungen auf die Zufriedenheit, die Beratung und die Rücklaufquoten zu messen. Entwickelt vom Digital & Consulting Team von OTTO, baut dies auf bestehenden KI-Anwendungen wie Bewertungsclustering, Bilderkennung und Betrugsprävention auf.[1]
Auswirkungen auf Produkt-Feeds und Katalogstandards
KI-Assistenten wie der von OTTO verbessern Produkt-Feeds direkt, indem sie unstrukturierte Daten aus Bewertungen und Beschreibungen zu umsetzbaren Erkenntnissen zusammenfassen und die Abhängigkeit von statischen Metadaten reduzieren. Dies erhöht die Katalogstandards, da die Antworten aus Artikeln mit hohem Bewertungsvolumen stammen müssen, was die Händler implizit dazu zwingt, der Anhäufung von Bewertungen für eine bessere Sichtbarkeit Priorität einzuräumen. Strukturierte Feeds profitieren von der Fähigkeit der KI, unterschiedliche Eingaben – Titel, Spezifikationen, Nutzer-Feedback – in konsistente, abfragereaktionsfähige Formate zu normalisieren und so die Datenerfassung für große Sortimente zu rationalisieren.[1] Wenn Sie mehr über Produkt-Feeds erfahren möchten, lesen Sie unseren Blogbeitrag über Product feed - NotPIM.
In der Praxis setzt diese Einrichtung Mindestqualitätsgrenzen durch: Produkte ohne 50+ Bewertungen sind nicht zulässig, was eine bessere Kataloghygiene fördert. Für E-Commerce-Plattformen signalisiert dies einen Wandel, bei dem sich Feeds von reinen Auflistungen zu dynamischen, KI-abfragbaren Assets entwickeln, die möglicherweise Attribute wie Materialdetails oder Passform kategorienübergreifend standardisieren, um präzisere Generierungen zu ermöglichen.[1]
Steigerung der Kartenqualität und der Sortimentsgeschwindigkeit
Die Karten-Vollständigkeit steigt sprunghaft an, da die KI Bewertungstendenzen mit Beschreibungen zusammenfasst und übersehene Details wie Haltbarkeit oder Größe ohne manuelle Kuration aufzeigt. Kunden, die nach "verliert dieser Teppich Haare?" suchen, erhalten synthetisierte Antworten, die Lücken in statischen Karten schließen und die wahrgenommene Fülle verbessern. Diese No-Code-Ebene – die auf vorgefertigten LLMs basiert – ermöglicht schnelle Verbesserungen, ohne Vorlagen neu zu gestalten, da OTTO sie schnell über Cloud-Tools integriert hat.[1] Wenn Sie mehr darüber erfahren möchten, wie Sie großartige Produktbeschreibungen erstellen, lesen Sie unseren Artikel über How to Create Sales-Driving Product Descriptions Without Spending a Fortune - NotPIM.
Die Einführung des Sortiments beschleunigt sich dramatisch: Neue Auflistungen beschleunigen die Sichtbarkeit, sobald die Bewertungsschwellen erreicht sind, und ermöglichen schnellere Markttests für saisonale oder angesagte Artikel. Traditionelle Hürden wie ein langsamer Bewertungsaufbau verzögern die Darstellung; KI mildert dies, indem sie Artikel schneller qualifiziert, wodurch beginnende Kataloge in abfragebereite Feeds umgewandelt und die Time-to-Market von Wochen auf Tage verkürzt wird.[1][2]
No-Code-KI und Integration des Conversational Commerce
No-Code-Deployment glänzt hier, wobei der Assistent von OTTO über die Schnittstellen von Vertex AI erstellt wurde, wodurch aufwendige, kundenspezifische Codierung für das Feintuning von LLMs auf internen Daten umgangen wurde. Dies demokratisiert KI für mittelgroße Einzelhändler, bei denen Plug-and-Play-Modelle komplexe Anfragen verarbeiten, die über geskriptete Bots hinausgehen, und sich an Echtzeit-Katalogänderungen anpassen, ohne neu trainiert werden zu müssen.[1][2] Wenn Sie nach einem Tool suchen, können Sie unseren Feed validator - NotPIM verwenden.
In der Content-Infrastruktur treibt sie Conversational Commerce an, indem sie die Absicht aus vagen Suchanfragen, emotionalen Hinweisen oder abgebrochenen Warenkörben interpretiert und Live-Feed-Daten für Upselling-Hinweise abruft. Diese Schleife – Abfrage zur Feed-Synthese bis zur Antwort – erhöht den statischen E-Commerce zu proaktiven Systemen, reduziert Entscheidungsermüdung und Abbruchquoten und skaliert gleichzeitig über B2C-Skalen hinweg ohne proportionalen Content-Ops.[2][3] Um mehr über unsere Produkt-Content zu erfahren, klicken Sie auf den Link.
Umfassendere E-Commerce-Veränderungen
Für die Shopping-Infrastruktur unterstreicht der Schritt von OTTO die Rolle der KI bei der Reduzierung von Retouren durch Klarheit vor dem Kauf, da fundierte Anfragen mit besseren Übereinstimmungen korrelieren. Hypothese: Eine weit verbreitete Akzeptanz könnte KI-fähige Feeds standardisieren, wobei hochwertige, bewertungsstarke Kataloge Vorrang vor spärlichen Katalogen haben und die Anreize für Lieferanten neu gestaltet werden. Plattformen gewinnen Analysen aus Abfragemustern und verfeinern Feeds iterativ ohne explizite Feedbackschleifen.[1]
Handelsblatt.
GeekWire.
Das OTTO-Beispiel hebt eine bedeutende Verschiebung im E-Commerce hervor, bei der Produktinformationen dynamisch generiert und durch KI erweitert werden, was die Bedeutung hochwertiger, datenreicher Produktkataloge unterstreicht. Dieser Trend erhöht den Druck auf Einzelhändler, umfassende und standardisierte Produktdaten zu pflegen. Für Plattformen wie NotPIM unterstreicht dies den Wert von effizientem Datenmanagement und Feed-Optimierungsfunktionen. Unsere Benutzer können NotPIM nutzen, um die Datenanreicherung zu rationalisieren und sicherzustellen, dass ihre Produktinformationen nicht nur den sich entwickelnden Anforderungen von KI-gestützten Einkaufserlebnissen entsprechen, sondern diese auch vorwegnehmen.
```