KI-Shopping-Sichtbarkeit

Die normale KI-Sichtbarkeit fragt, ob KI eine Marke erwähnt. Die Shopping-Sichtbarkeit stellt die härtere, kommerziellere Frage: Wenn ein Käufer die KI fragt, was er kaufen soll — empfiehlt sie dich? Öffne das KI-Sichtbarkeits-Projekt eines Kunden und geh auf den Tab Shopping. Der Fokus liegt auf kaufnahen Fragen — „bestes X für Y“, „top X unter Z €“, „welches X soll ich kaufen“ — also genau dem Prompt-Typ, den Menschen tippen, wenn sie bereit sind, Geld auszugeben. Die Shopping-Sichtbarkeit ist Teil der KI-Sichtbarkeit, kein separates Produkt. Sie nutzt dieselben Modelle, dieselben täglichen Scans und dieselbe ehrliche Messung (Stichprobengröße und Fehlerspanne an jedem Wert). Nichts wird geschätzt — jede Zahl stammt aus echten Scan-Durchläufen von Prompts, die als kaufnah markiert sind.

Die Leitkennzahl ist deine Shopping-Empfehlungsrate: Wie oft hat die KI über alle kaufnahen Durchläufe hinweg tatsächlich deine Marke empfohlen? Sie wird als Prozentwert mit der exakten Stichprobengröße ausgewiesen („27/50 Shopping-Runs empfehlen dich“, n = 50 Durchläufe) plus einer ±-Fehlerspanne — und mit einem Hinweis auf geringe Aussagekraft, solange die Stichprobe klein ist (unter zehn Durchläufen). So sieht eine einzelne glückliche Antwort nie wie ein Trend aus. Direkt darunter stellt die Tabelle „Du vs. Wettbewerber — Shopping-Empfehlungen“ deine Empfehlungsrate neben die jedes beobachteten Wettbewerbers, jeweils mit eigener Rate, Fehlerspanne und Anzahl der Durchläufe. Neben der Rate zeigt jede Marke ihren Anteil der Empfehlungen — von allen Markenempfehlungen über deine Shopping-Runs hinweg der Anteil, der auf diese Marke entfiel (ihre Empfehlungen ÷ Empfehlungen aller getrackten Marken). Während die Rate beantwortet „Wie oft wird diese Marke empfohlen?“, beantwortet der Anteil der Empfehlungen die Wettbewerbsfrage „Von allen ausgesprochenen Empfehlungen — wer gewinnt?“ — ein echter Share of Voice für kaufnahe Antworten, der sich über die gezeigten Marken auf rund 100 % summiert. Zusammen sagen dir beide, ob die KI kaufbereite Kunden zu dir oder zu einem Rivalen lenkt. Lege im Tab einen Produkttyp / eine Kategorie fest, und CrunchJunkie legt passende Vorlagen für kaufnahe Prompts an; bearbeiten oder ergänzen kannst du sie jederzeit. Auf Produktebene zeigt jedes getrackte Produkt zusätzlich zur Empfehlungsrate eine Win-Rate im direkten Vergleich. Während die Empfehlungsrate über alle Shopping-Runs geht, zählt die Win-Rate nur die „entscheidenden“ Durchläufe — die, in denen die KI mindestens ein getracktes Produkt empfohlen hat (deins oder das eines Wettbewerbers) — und misst den Anteil davon, der dieses Produkt enthielt. Sie beantwortet die schärfere Frage: Wenn die KI in dieser Kategorie tatsächlich etwas auswählt, wie oft bist du es? Weil Durchläufe ohne jede Empfehlung ignoriert werden, verwässert sie nicht, und die Zahl der entscheidenden Durchläufe wird mit ausgewiesen — der Wert trägt seine Stichprobengröße also immer mit sich.

Über die Marke hinaus kannst du einzelne Produkte tracken und für jedes die Empfehlungsrate sehen — du weißt also genau, welche SKUs die KI Käufern vorsetzt, und nicht nur, ob deine Marke überhaupt vorkommt. Füge eigene Produkte (und die von Wettbewerbern) hinzu; jedes wird zu einem getrackten Eintrag, der wie jeder andere Prompt gescannt wird. CrunchJunkie liefert außerdem eine Entdeckungsansicht: „Produkte, die die KI empfohlen hat und die du nicht trackst“. Nennt eine Shopping-Antwort ein konkretes Produkt, das du nicht angelegt hast, taucht es dort auf — samt Häufigkeit (z. B. „9/12 Durchläufe“) und einem Tracken-Button, der es mit einem Klick auf deine Liste holt. Schneller findest du die Produkte nicht, die in KI-Antworten schon gewinnen — deine eigenen oder die eines Wettbewerbers — und fängst an, sie zu messen. Die Kehrseite ist das Panel „Deine Produkte, die die KI nie empfiehlt“: deine eigenen getrackten Produkte, die in der aktuellen Stichprobe in keinem einzigen Shopping-Durchlauf empfohlen wurden. Das sind deine klarsten Chancen — die SKUs, die die KI übersieht. Kombiniere es mit dem Panel Feed-KI-Reife: Schließe die Lücken im Feed (GTIN, Verfügbarkeit, Preis, Bilder, Bewertungen) und auf den Produktseiten, dann scanne erneut und schau, ob sie aufgegriffen werden. Gelistet werden immer nur deine eigenen Produkte, und die Daten stammen aus echten Scans — lies das Panel bei kleinen Fallzahlen also mit der Stichprobengröße im Hinterkopf. Jede getrackte SKU erzeugt einen kaufnahen Prompt (einen, gelegentlich zwei) und wird im Zeitplan deines Projekts gescannt. Weil Scannen Geld kostet, ist das Tracking pro Tarif gedeckelt: Solo 25, Starter 100, Pro 500, Agency 2.000 und Scale unbegrenzt getrackte SKUs. Gescannt werden nur SKUs, die du wirklich trackst, und der Tab zeigt dir immer die prognostizierten Checks pro Monat, bevor du dich festlegst — die Kosten sind also transparent. Mit eigenen API-Schlüsseln ist das Scannen pro SKU kostenlos; bei Managed AI wird es wie der Rest der KI-Sichtbarkeit nach Checks abgerechnet.

Du musst Produkte nicht von Hand anlegen. CrunchJunkie importiert deinen Katalog aus einem Standard-Produktfeed im Bereich Produkt-Feed des Shopping-Tabs. Drei Formate werden unterstützt: Google Shopping XML (der RSS-/Atom-Feed mit dem g:-Namespace, den Merchant Center erzeugt), tabgetrennt (TSV) und kommagetrennt (CSV). Du kannst entweder eine Feed-URL einfügen, die CrunchJunkie abruft, oder eine Datei hochladen (.xml, .csv, .tsv oder .txt). CrunchJunkie liest je Produkt id/SKU, Titel, Marke, Produkttyp/Kategorie, Link und Preis und ordnet gängige Spaltennamen automatisch zu (so landen „sku“, „mpn“ oder „offerid“ alle auf der id). Produkte ohne Titel werden übersprungen statt geraten, und sehr große Feeds werden bei 50.000 Artikeln gekappt. Importierte Produkte fangen nicht von selbst an zu scannen — der Import füllt nur den Katalog. Von dort wählst du, welche du trackst, filterst nach Produkttyp, Marke oder Preisspanne und trackst mit „Alle passenden tracken“ einen gefilterten Satz in einem Rutsch. Die Massenaktion zeigt vorher eine Vorschau der prognostizierten zusätzlichen Checks und des neuen Gesamtwerts und geht nie über das Limit deines Tarifs hinaus (SKUs darüber werden übersprungen, nicht getrackt).

Liegt dein Katalog schon in Google Merchant Center, verbinde ihn direkt, statt einen Feed zu exportieren. Unter Daten → Integrationen (oder über die Merchant-Center-Karte im Shopping-Tab) klickst du auf Verbinden und autorisierst mit Google. Die Verbindung nutzt die Content API for Shopping und fordert Googles Content-API-Berechtigung an (auth/content) — dieses Häkchen musst du auf Googles Zustimmungsbildschirm gesetzt lassen, sonst kann die Verbindung deinen Katalog nicht lesen. Der Zugriff ist rein lesend: CrunchJunkie liest nur deine Produktliste und schreibt nie in dein Merchant Center. Nach dem Verbinden wählst du das Merchant-Center-Konto, aus dem importiert wird (Unterkonten einer MCC werden ebenfalls aufgeführt), und klickst auf „Jetzt synchronisieren“, um den Katalog zu holen. Jedes Produkt wird in dieselbe Form gebracht wie beim Feed-Import, Tracking, Filter und Massenaktionen funktionieren also identisch. Die Synchronisation startest du selbst — klick einfach erneut auf Synchronisieren, wenn sich dein Katalog geändert hat. Trennen kannst du die Verbindung jederzeit im selben Panel und den Zugriff komplett in deinem Google-Konto widerrufen.

Sobald du einen Katalog importiert hast (per Feed oder Merchant Center), zeigt der Bereich Produkt-Feed einen Feed-KI-Reife-Score von 0 bis 100. Er misst, wie vollständig dein Katalog bei genau den Feldern ist, auf die sich KI-Shopping-Assistenten — ChatGPT Shopping, Google AI Mode und Overviews, Perplexity — stützen, wenn sie entscheiden, was sie empfehlen: GTIN/Barcode, Verfügbarkeit, Preis, Bild, Produkttyp/Kategorie, Produktlink und ein aussagekräftiger Titel. Google Merchant Center ist das Bindeglied hinter allen drei Engines — wie vollständig dein Feed ist, ist damit der Hebel, den du bei der KI-Shopping-Sichtbarkeit am direktesten in der Hand hast. Der Score ist eine gewichtete Feldabdeckung über deine importierten SKUs: Jedes Feld ist danach gewichtet, wie stark es für KI-Shopping zählt (GTIN, Verfügbarkeit und Preis wiegen am schwersten), und jede Zeile zeigt die exakte Abdeckung („82 % (410/500)“) mit einem grün/gelb/roten Status. Nichts wird geschätzt: Es ist schlicht gezählt, welche SKUs das jeweilige Feld tatsächlich mitbringen. Eine Zeile „Größter Hebel“ nennt die Lücke mit der größten Wirkung, die du zuerst schließen solltest. Wir sind auch ehrlich bei dem, was wir nicht sehen können: Produktbewertungen (Anzahl und Sterne) sind ein starkes KI-Shopping-Signal, das ein Standard-Feed-Import nicht mitliefert — wir weisen darauf hin, statt es zu bewerten. Schließe die Lücken in Merchant Center oder in deinem Feed, importiere neu, und der Score aktualisiert sich.

Wenn die KI eine kaufnahe Frage beantwortet, zieht sie meist zuerst Live-Quellen aus dem Web heran. Das Panel „Worauf die KI für Shopping-Antworten schaut“ zeigt, auf welche Domains sich die KI über deine Shopping-Durchläufe hinweg bezogen hat, sortiert danach, wie viele Durchläufe jede zitiert haben, und markiert die bekannten als deine eigene Website, Marktplatz (Amazon, eBay, Otto, Idealo …) oder Community/Bewertungen (Reddit, Trustpilot, YouTube …). Berechnet wird das aus den Quellen, die bei jedem Scan ohnehin erfasst werden — zusätzliche Scans laufen dafür nicht. Die Leitzahl ist der Anteil deiner eigenen Website: wie oft sich die KI auf deine eigenen Seiten gestützt hat, wenn sie in deiner Kategorie empfiehlt. Ein niedriger Anteil heißt, die KI entscheidet anhand von Marktplätzen und Drittanbieter-Seiten statt anhand deiner Website — und sagt dir damit genau, wo du dir Zitate verdienen musst (auf deinen Produktseiten), um Einfluss auf ihre Empfehlungen zu nehmen. Wie bei jeder Zahl hier gilt: Sie bezieht sich auf die echte Zahl der Durchläufe, und eine Domain mit null Durchläufen taucht nie auf. (Für den Anteil deiner eigenen Website muss die Website der Marke im KI-Sichtbarkeits-Setup hinterlegt sein.)

Die KI dazu zu bringen, auf deine eigenen Produktseiten zu schauen, ist nur die halbe Miete — die Seiten müssen für einen Shopping-Agenten auch lesbar sein. KI-Shopping-Antworten stützen sich stark auf strukturierte Daten (schema.org JSON-LD), und drei Signale leisten die meiste Arbeit: ein Product-Block (Name und Marke), ein Offer (Preis und Verfügbarkeit) und ein AggregateRating (Bewertungssterne und -anzahl). Seiten mit allen dreien werden deutlich eher ausgewählt und mit echtem Preis und echter Bewertung zitiert statt mit einer Schätzung. Genau das prüft das Panel Produktseiten-Schema im Shopping-Tab über die Produktseiten aus deinem importierten Feed. Klicke auf „Seiten prüfen“, und CrunchJunkie crawlt eine begrenzte Charge deiner Produkt-URLs, parst das JSON-LD jeder Seite und meldet den Anteil der erreichbaren Seiten, die jedes der drei Signale bereitstellen — zum Beispiel „82 % Product, 74 % Offer, 41 % Bewertung“ — mit den exakten Seitenzahlen hinter jedem Wert. Genauigkeit geht vor: Ein Signal gilt nur dann als vorhanden, wenn das Markup der Seite es tatsächlich angibt, und Seiten, die sich nicht abrufen lassen, fallen aus dem Nenner heraus, statt als Fehlschlag zu zählen. Die Liste „Produktseiten ohne Schema“ sortiert die schwächsten Seiten nach oben (ein fehlender Product-Block wiegt am schwersten), mit einem Häkchen je Seite für Produkt / Angebot / Bewertung, damit du auf einen Blick siehst, was fehlt. Ergänze das fehlende JSON-LD auf diesen Seiten und prüfe erneut. Ergebnisse werden pro URL gecacht und in begrenzten Chargen geprüft, die Prüfung bleibt also schnell und günstig — und eine für eine Marke geprüfte URL wird für alle wiederverwendet.

Gute kaufnahe Prompts spiegeln, wie Käufer wirklich einkaufen. Der Shopping-Tab legt auf Basis deines Produkttyps Vorlagen an, und du kannst Crunch außerdem einen maßgeschneiderten Satz schreiben lassen: Klicke auf „Mit Crunch generieren“, und es entstehen kaufnahe Fragen, die auf dein Sortiment zugeschnitten sind, markiert mit dem Badge „Von Crunch zugeschnitten“. Das läuft nur auf Klick — beim Laden der Seite wird nichts automatisch generiert —, und wenn noch kein KI-Modell verbunden ist, fällt es auf sinnvolle statische Vorlagen zurück und sagt dir das auch. Generierte Prompts sind bewusst markenlose Kategoriefragen (zum Beispiel „Was ist die beste Feuchtigkeitscreme für fettige Haut unter 40 €?“) und nennen deine Marke nicht. Das ist der Punkt: Die Shopping-Sichtbarkeit misst, ob die KI dich empfiehlt, wenn der Käufer dich noch nicht ausgewählt hat — der Prompt darf dem Modell deinen Namen also nicht in den Mund legen. Prüfe, bearbeite und übernimm die generierten Prompts; danach werden sie gemeinsam mit deinen übrigen Shopping-Prompts gescannt. Wie überall bei Crunch braucht auch die Generierung ein verfügbares KI-Modell (Managed AI oder dein eigener Schlüssel).

Shopping-Daten fließen direkt in Kundenberichte. Die Berichtsvorlage KI-Sichtbarkeit enthält eine Tabelle „Shopping-Sichtbarkeit“ und eine Tabelle „Top empfohlene Produkte“, beide aus echten Scan-Daten — ein Kunde sieht also nicht nur, dass er in KI sichtbar ist, sondern ob die KI ihn und seine Produkte auch für den Kauf empfiehlt. Genauso fügst du alles davon selbst in einen Bericht ein: Zieh ein Tabellen-Widget hinein, wähle als Quelle die KI-Sichtbarkeit und setze die Dimension. Jeder Shopping- und Produktdatenpunkt aus dem Shopping-Tab steht als Widget bereit — Shopping (Empfehlungsrate der Marke und Anteil der Empfehlungen im Wettbewerbsvergleich), Produkt (Top empfohlene Produkte), SKU (getrackte Feed-Produkte), Produkt-Schema (Anteil deiner Produktseiten mit Product-/Offer-/Bewertungs-Markup), Feed-Reife (Feldabdeckung des Feeds), Shopping-Quellen (die Domains, auf die sich die KI bei Shopping-Antworten stützt, inklusive Anteil deiner eigenen Website) und Quellenzustand (zitierte Seiten, die tot oder zurückgezogen sind). Die Widgets Produkt-Schema und Quellenzustand lesen die gecachten Prüfergebnisse — führe die Prüfung bzw. den Quellen-Check also zuerst im Tab aus; die übrigen rechnen direkt aus den Scan-Daten. Wie bei jedem Wert der KI-Sichtbarkeit tragen die Zahlen ihre Stichprobengröße mit sich, damit die Messung nie mehr behauptet, als sie hergibt.