Ein Praxisleitfaden, um Spezifikationen, Attribute, Varianten, Richtlinien, Bewertungen, Bilder und Feed-Felder als konsistente Produktfakten über PDP, Schema, Merchant Center und Messung zu führen.
Käufer geben nicht mehr nur ein kurzes Keyword ein und vergleichen danach zehn Produktseiten manuell. In AI-gestützten Shopping-Erlebnissen können sie nach einer wasserdichten Wanderjacke unter einem Budget fragen, in einer bestimmten Größe, verfügbar in einem Zielmarkt und mit einer Rückgaberichtlinie, die zur Reise passt. Such- und Shopping-Systeme brauchen dafür vergleichbare Produktfakten: Preis, Verfügbarkeit, Material, Größe, Farbe, Varianten, Identifikatoren, Bilder, Bewertungen, Versand, Rückgaben und Aktualität der Quelle.
Das bedeutet nicht, dass AI-Systeme nur Schema lesen. OpenAI beschreibt, dass Shopping-Ergebnisse merchant product data, öffentlich verfügbare Produktinformationen und andere Retail Sources nutzen können. Google dokumentiert sowohl Product structured data auf Seitenebene als auch Merchant Center product feeds. Die praktische Lehre ist: Produktinhalte müssen für Menschen lesbar und so organisiert sein, dass Maschinen sie prüfen können.
Strukturierter Produktinhalt ist die Schicht zwischen Prosa und Feed-Daten. Er verwandelt Käuferinformationen in konsistente Spezifikationen, Attribute, Highlights, Richtlinien und Variantenrecords, die auf der PDP, in Product JSON-LD und im Merchant-Center-Feed genutzt werden können.
Strukturierte Daten sind maschinenlesbare Ausgaben: Product JSON-LD, Offer fields, Merchant Center attributes, product identifiers und feed records. Strukturierter Produktinhalt ist das Quellmodell dahinter: Spec Tables, Attributlisten, Vergleichspunkte, Product Highlights, FAQ Answers, Review Summaries und lokalisierte Produktfakten.
Eine Produktseite kann gültiges Schema haben und trotzdem schwache strukturierte Inhalte. JSON-LD enthält dann Name, Preis und Verfügbarkeit, während Material, Passform, Pflegehinweise und Versandgrenzen in vager Prosa versteckt sind. Das reicht weder für detaillierte Käuferfragen noch für Teams, die Feeds über mehrere Märkte betreiben.
Der erste Schritt ist, den Product Record klarer zu machen, bevor daraus Schema, Feed, Page Copy oder lokalisierte Inhalte entstehen.
Die Product Data Specification von Google Merchant Center erklärt, dass Google Produktdaten nutzt, um Produkte passenden Queries zuzuordnen. Falsche, ungenaue oder fehlende Informationen können zu Disapproval, eingeschränkter Eligibility, falscher Anzeige oder Konflikten zwischen Feed und Website führen. Genannt werden unter anderem category, GTIN, variant attributes, image quality und feed/page data conflicts.
Die Merchant Center AI insights vom 27. Mai 2026 machen das für AI-powered shopping experiences noch konkreter: product attribute insights und attribute completeness score sollen Produkte mit fehlenden strukturierten Attributen wie color, style und material identifizieren.
Auch OpenAI Shopping Help zeigt in diese Richtung. ChatGPT kann Faktoren wie availability, price, quality und die Rolle des merchants als maker oder primary seller berücksichtigen. Shopping research kann merchant product data, öffentliche Produktinformationen und Retail Sources nutzen. Vollständige, aktuelle und konsistente Produktfakten sind damit eine Grundlage für Discovery.
1. Identität und Identifikatoren
Beginnen Sie mit stabilen Identitätsfeldern.
Diese Schicht verhindert, dass ein Produkt über PDP, Feed und Analytics in widersprüchliche Records zerfällt.
2. Spezifikationen und Attribute
Specs sollten wiederverwendbare Fakten sein, nicht nur Absätze, die ein Mensch interpretieren muss.
Die Produktprosa kann erklären, warum eine Spezifikation zählt. Die Spezifikation selbst sollte kurz, normalisiert und an den Product Record gebunden bleiben.
3. Offers, Inventar und Richtlinien
Commerce-Fakten ändern sich häufiger als Evergreen Copy und sollten getrennt verwaltet werden.
Der Merchant Center Guide zu structured data setup erklärt, dass strukturierte Daten mit den sichtbaren Werten übereinstimmen müssen. Preis und Verfügbarkeit brauchen deshalb operative Ownership.
4. Reviews, Proof und FAQs
Reviews und FAQs können fit, use cases, tradeoffs und buyer concerns erklären. Sie müssen überprüfbar bleiben.
Strukturierter Content soll Proof prüfbarer machen.
5. Bilder und Product Highlights
Bilder sind ebenfalls Produktdaten.
Google verlangt, dass Bild-URLs in structured data relevant, crawlable und indexable sind.
Foundax kann als operative Schicht zwischen öffentlichen Seiten, structured data, feeds und measurement eingesetzt werden.
Der Wert liegt in operativer Konsistenz: weniger Abweichung zwischen Product Record, Storefront Page, structured markup, feed und measurement.
Strukturierter Produktinhalt organisiert käuferseitige Informationen als wiederverwendbare Fakten: specs, attributes, variants, images, policies, highlights, reviews und FAQs. Er ist das Content Model für PDP Copy, structured data und merchant feeds.
Product schema ist eine maschinenlesbare Ausgabe. Strukturierter Content ist das darunterliegende Product Fact Model, das schema, feed data und page content konsistent hält.
Starten Sie mit identity, price, availability, images, brand, GTIN/MPN/SKU, variant attributes, material, color, size, item group ID, shipping, returns und den Attributen, die Käufer wirklich zum Filtern oder Vergleichen nutzen.
Nur wenn echte Käuferfragen existieren und die Antworten sichtbar auf der Seite stehen. FAQ Content sollte Kaufentscheidungen klären.
Foundax platziert product records, display specs, localized fields, Product JSON-LD, GMC preflight/sync, sitemap/Search Console workflows und analytics checks in einem gemeinsamen operativen Pfad.
Nutzen Sie die Produktseiten-SEO-Checkliste für KI-Suche für eine Live-PDP-Prüfung, den Agentic Commerce Product Data Guide für Feldpriorisierung und Product Data Is Becoming the SEO Layer for AI Commerce Discovery für das breitere Discovery-Modell.