Die maschinelle Texterstellung ist eine Erleichterung für Texter und Content-Manager im E-Commerce. Jeder, der in irgendeiner Weise mit dem Schreiben von Texten zu tun hat, profitiert von ihr.
Es gibt mehrere Ansätze für das Schreiben von Produkt-Content:
- Der traditionelle Weg, bei dem ein Schreiber individuell Texte verfasst, bietet Präzision, ist aber zeitaufwändig und teuer.
- KITextgeneratoren wie GPT liefern schnell große Mengen, sind jedoch bei spezifischen Details oft ungenau. Für sicherheitsrelevante Inhalte ist die automatisierte Generierung durch KI-Modelle allein ungeeignet, da sie Fakten erfinden könnte. Hier braucht es für jeden Text eine fachliche Überarbeitung.
- Die datenbasierte deterministische Generierung erstellt Texte nach festen Regeln, was konsistente Qualität und hohe Geschwindigkeit ermöglicht, jedoch mit eingeschränkter Kreativität und anfänglichem Mehraufwand. Bei standardisierten Produkten mit klaren Datenpunkten bietet die deterministische Generierung Skalierbarkeit und Konsistenz.
Aber worin unterscheiden sich die Technologien hinsichtlich Herausforderung wirksame Produktbeschreibungen im E-Commerce zu erstellen? Wie können sie bei den Textherausforderungen im E-Commerce am besten unterstützen
Das erwartet dich in diesem Beitrag:
- Die Herausforderungen von Produktbeschreibungen im E-Commerce
- Wie können GPT oder deterministische Systeme helfen?
- Wie kann GPT für Produktbeschreibungen eingesetzt werden?
- Fazit
Die Herausforderungen von Produktbeschreibungen im E-Commerce
Produktbeschreibungen sind das A und O für einen Online Shop und ist die Textart, die einen großen Anteil der im E-Commerce erstellten Texte ausmacht. Sie bringen allerdings einige knifflige Herausforderungen mit sich:
Qualität – die Anforderungen der Konsumenten an Produktbeschreibungen:
Konsumenten wünschen sich ausreichende und relevante Informationen zu den Produkten, die es ihnen ermöglicht, die richtigen Kaufentscheidungen zu treffen. Das unterscheidet sich möglicherweise inhaltlich, je nach dem wo sich Konsumenten in ihrer Customer Journey befinden. Zusätzlich darf eine Einordnung in den aktuellen Kontext nicht fehlen. Themen beispielsweise wie der Klimawandel oder verändertes Kaufverhalten durch Krisen, sind Einflussnehmer auf die Kaufentscheidung. Es hilft, wenn eine Produktbeschreibung auf aktuelle Entwicklungen Bezug nimmt.
Wirksamkeit – Produktbeschreibungen sind kein Selbstzweck, sie haben einen Job zu erledigen:
Erfüllt eine Produktbeschreibung die Erwartungen der Konsumenten hat sie natürlich automatisch eine Wirksamkeit und das zeigt sich in den Kennzahlen. Die Aufgabe eines Content Teams im E-Commerce ist es, Produktbeschreibungen so zu verfassen und zu optimieren, dass sie in irgendeiner Form wirksam für das E-Commerce Unternehmen sind. Beispielsweise, indem sie dazu beitragen besser in Suchmaschinen gefunden zu werden, die Conversion zu erhöhen oder die Retouren zu senken.
Masse – Eine Produktbeschreibung kommt selten allein:
Meistens haben Online Shops mehrere hundert oder noch eher mehrere tausend Produkte, die sie präsentieren. In einigen Fällen auch noch verschiedene Zielmärkte, in denen die Produkte in anderen Sprachen erklärt werden müssen. Das ganze multipliziert sich noch mit den verschiedenen Absatzkanälen, wie Beispielsweise der zusätzliche Verkauf auf Amazon, deren Textanforderungen von denen des eigenen Shops sich unterscheiden. Also gilt es, eine riesige Menge an Produktbeschreibungen zu erstellen, eventuell zu übersetzen und aktuell zu halten.
Prozesse – mehrere Rollen, viele Beteiligte und riesige Excel-Listen:
Ein Blick in die Redaktionsprozesse von Produktbeschreibungen zeigt die Schwierigkeit der Aufgabe (wirksame) "Produktbeschreibungen" im E-Commerce nur annähernd ausreichend gerecht zu werden.
Prozess neue Texte erstellen: dieser Prozess wird beispielsweise angestoßen, wenn neue Produkte zum Abverkauf bereit sind. Es gibt die Aufgabe Informationen zum Produkt für die Texter bereit zu stellen, Textentwurf erstellen, fachlich prüfen lassen, Textentwurf anpassen, erneute Prüfung, .... Ein Hin- und Hergeschicke von Dokumenten beginnt oder es entstehen riesige, umständliche Excel-Listen mit Freigabestufen.
Übersetzungsprozess: Die vermeintlich fertigen Produktbeschreibungen werden an diverse Übersetzer anderer Sprachen verschickt und dort (hoffentlich maschinell) unterstützt übersetzt. Es braucht nun eine sprachliche und inhaltliche Freigabe. Der Übersetzungsentwurf geht mit Anmerkungen zurück an die Übersetzer und so weiter. Ein wahnsinniger fehleranfälliger Koordinationsaufwand beginnt.
Aktualisierungsprozess: Neue Informationen zu Produkten liegen vor. Ein Ereignis verändert die Sicht der Kunden auf einen Prozess. Nun gilt es bestehende Produktbeschreibungen anzupassen. Bei tausenden von Produkten. Formulierung der Veränderung, eventuell erneute inhaltliche Freigaben, Übersetzungen ... alles beginnt von vorn. Weiter brauchen wir auf diese Herausforderung nicht eingehen, kaum ein Online-Shop schafft es dieser Aufgabe gerecht zu werden.
Was am Ende darunter leidet sind die Wirksamkeit der Produktbeschreibungen und das Content Team, immer mit dem Gefühl der Aufgabe nicht gerecht werden zu können.
Die Produktionsprozesse und ihre Realität: Wie können GPT oder deterministische Systeme helfen?
KI-gestützte Textgenerierung: Schnell, aber nicht perfekt
KI-Tools wie die großen Sprachmodelle wie ChatGPT, Gemini oder Microsoft CoPilot ermöglichen die automatische Erstellung von Produktbeschreibungen auf Basis weniger Stichpunkte. Diese Technologien sind effizient und liefern in vielen Fällen gute Ergebnisse – sprachlich sind sie oft gut und grammatikalisch fehlerfrei. Das Problem ist, dass man nie vorhersagen kann, ob der einzelne Text richtig ist, alle nötigen Informationen enthält und keine Details dazu “halluziniert”. Ein vollautomatisierter Prozess ist daher nicht ohne Risiko.
Ein Beispiel: Im Falle der Musselin Bettwäsche ist die Textur bedeutend und eine wesentliche Eigenschaft für dieses Material. Die Wahrscheinlichkeit kommt aber zu einer Entwurfsausgabe, die den Satz enthält: "Die feine Webart und die hochwertige Baumwolle sorgen für eine außergewöhnlich weiche und glatte Oberfläche, die Ihre Haut sanft umhüllt."
Deshalb setzen viele Unternehmen auf ein Hybrid-Modell, denn es bietet viel einen großen Gestaltungsspielraum: Es kann Redakteur:innen einfach erste Entwürfe liefern, die als Inspiration dienen und das „Weiße-Blatt-Syndrom“ überwinden. Oder es kann so angelegt werden, dass durch ausgeklügelte Prompts nahezu fertige Texte entstehen – sodass die Redakteur:innen am Ende nur noch Fakten prüfen und minimale Anpassungen für die Markensprache vornehmen müssen.
Echte Automatisierung mit deterministischer Textgenerierung
Das Vorgehen bei der Textgenerierung mit einem Data-to-Text System ist sehr strukturiert und die Abfolge genau vorgegeben, dabei geht es darum, ein übergeordnetes Textmodell zu erstellen, aus dem dann eine große Menge von Texten generiert werden kann. Ein gutes Einsatzgebiet für die deterministische Texterstellung sind Texte, die eng an Daten ausgerichtet sind und für die ein hoher Grad an Richtigkeit erwartet wird. Das wird mit einer zentralen Qualitätskontrolle erreicht – stimmt das Modell, dann stimmen alle Texte.
Welche Methode bietet sich für ECommerce Teams an?
Die Wahl der Methode hängt von:
- der Textmenge
- der Produktionsgeschwindigkeit
- und der Fehlertoleranz ab.
.jpg?width=5208&height=3071&name=Performance%20Texter_Redaktionen%20-%20Textexpertise-%20Entscheidung%20Methode%20Erstellung%20(1).jpg)
Team: Neben den Skills für die deterministische Generierung, ist hier der Aufwand für das Erstellen eines Regelwerks in Erwägung zu ziehen. Schnelle Ergebnisse sieht man in der Regel mit LLMs oder für sehr kurze Texte.
Daten: LLMs können in manchen Fällen Zahlen als Datenwerte seltsam einsetzen, etwa wenn sie auf 5 Stellen genau übernommen werden. Die Ableitung von Benefits aus Zahlen ist eine Fähigkeit, die die Redakteure in der DG viel besser umsetzen.
Lange Texte als Datenwerte sind für die DT eher nutzlos, aber für LLMs sehr attraktiv.
Produkt: Grundsätzlich können LLMs alle Produkte betexten, sie sind aber besser, wenn sie viel Input über ein Produkt haben, bei Nischenprodukten eher DT. Bei komplexen Produkten ist wahrscheinlich die Korrektur von LLM sehr aufwendig.
Text: Bei Texten gilt die Daumenregel: Je genauer die Vorgaben eingehalten werden sollen, desto mehr neigt sich die Waage zu einer deterministischen Automatisierung. Hier kann man solche Vorgaben, wie Textlänge, Struktur, Wörterwahl genau festlegen, bei LLMs kann es immer wieder zu Abweichungen kommen.
Was bietet eine Kombination beider Ansätze?
Die Abwägung von dem einen oder anderen Ansatz spiegelt nicht die Realität wieder. E-Commerce Unternehmen benötigen vielmehr ein System, das die Technologie Auswahl flexibel erlaubt je nach dem spezifischen Bedarf. Manchmal kann es sinnvoll sein, schnell ein paar Texte zu generieren, bei denen die Fehlertoleranz auch eher hoch ist. Sogar auf Textebene können unterschiedliche Anforderungen zu unterschiedlichem Technologie Einsatz führen.
Fazit
Beide Ansätze haben Vorteile und Nachteile, die jeweils für verschiedene Einsatzgebiete überwiegen oder unterliegen. Beide Technologien helfen auf ganz spezifische Weise. Im Hinblick auf die Herausforderung bei Produktbeschreibungen im E-Commerce ist es zunehmend wichtiger ein System zu haben, in dem Technologie flexibel einsetzbar und steuerbar ist - je nach Herausforderung / Ausgangslage oder Anwendungsfall.
Weitere Informationen zur automatisierten Textgenerierung
KI-Text-Tools basieren entweder auf GPT- oder Data-to-Text-Technologie. Für die Verwendung einer Data-to-Text-Software benötigst du strukturierte Daten, um daraus qualitativ hochwertige und relevante Inhalte zu erstellen. Deine Daten werden in Text umgewandelt, was Konsistenz und gleichbleibende Qualiät sicherstellt. Die Texte kannst du ganz nach deinen Vorstellungen figurieren. KI-Schreibtools, die auf GPT basieren, sind mit Hunderten von Milliarden von Wörtern trainiert, die einen bedeutenden Teil des Internets repräsentieren. GPT-Tools eignen sich vorrangig als Ideengeber und Hilfsmittel für die Erstellung einzelner Texte, wie Blogbeiträge.
Natural Language Generation (NLG) bezeichnet die automatisierte Generierung von natürlicher Sprache durch eine Maschine. Als Teilgebiet der Computerlinguistik ist die Generierung von Inhalten eine spezielle Form der künstlichen Intelligenz. Die Generierung natürlicher Sprache wird in vielen Branchen und für viele Zwecke eingesetzt, z. B. im E-Commerce, bei Finanzdienstleistungen und in der Pharmazie. Sie wird als besonders effektiv angesehen, um sich wiederholende und zeitintensive Schreibaufgaben wie Produktbeschreibungen, Berichte oder personalisierte Inhalte zu automatisieren.
Data-to-Text findet Anwendung in den Bereichen E-Commerce, Finanzen, Pharmazie, Medien und Verlagswesen. GPT kann beim Brainstorming und bei der Suche nach Inspiration hilfreich sein, beispielsweise wenn der Benutzer unter einer Schreibblockade leidet. Der Einsatz von GPT in Chatbots zur Beantwortung wiederkehrender Kundenanfragen ist ebenfalls sehr nützlich, da es ineffizient und unpraktisch ist, diese Texte von Menschen erstellen zu lassen. Weitere Informationen finden sich in unserem One-Pager „Data-to-Text vs. (Chat)GPT“.
