AI Merchandising (KI-Merchandising) Einsatz von Künstlicher Intelligenz zur Entscheidung, welche Produkte wem und in welcher Reihenfolge gezeigt werden, ohne für jede Situation manuelle Regeln aufstellen zu müssen. Im deutschen Markt wird häufig auch der englische Begriff AI-powered Merchandising oder AI Merchandising genutzt. Definition Im stationären Geschäft beobachtet ein guter Verkäufer den eintretenden Kunden, sieht, was er anschaut, erinnert sich an dessen letzten Kauf und sortiert das Angebot mental neu, bevor er einen Vorschlag macht. KI-gestütztes Merchandising tut Ähnliches im Online-Shop, nur in Tausenden gleichzeitigen Sessions. Traditionelles digitales Merchandising funktioniert mit statischen, manuell konfigurierten Regeln: «Bei der Suche nach Laufschuhen zeige zuerst Marke X» oder «In der Kategorie Mäntel hebe Produkte mit höherer Marge an». Diese Regeln geben Kontrolle, skalieren aber nicht. Ein Katalog mit 50.000 Artikeln, hunderten möglichen Kombinationen aus Suche, Saison, Bestand und Nutzerprofil erzeugt mehr Szenarien, als ein menschliches Team handhaben kann. KI-gestütztes Merchandising bringt Machine-Learning-Modelle ein, die Signale in Echtzeit verarbeiten: was jeder Besucher sucht, welche Produkte er ansieht, was er in den Warenkorb legt, was er ignoriert und was Nutzer mit ähnlichen Mustern am Ende kaufen. Mit diesen Daten passt das System die Reihenfolge der Suchergebnisse, Kategorieseiten und Empfehlungs-Karussells an, ohne dass jemand jedes Mal eine Regel ändern muss. Das bedeutet nicht, dass die menschliche Steuerung verschwindet. E-Commerce-Teams definieren weiterhin die Strategie (Lagerräumung priorisieren, neue Kollektion pushen, Durchschnittsmarge steigern), und die KI führt diese Strategie Produkt für Produkt, Nutzer für Nutzer aus. Wofür es nützlich ist Der direkteste Nutzen ist Relevanz in der Skalierung. Ein Käufer, der in einem Kosmetik-Shop «Feuchtigkeitscreme» sucht, sollte nicht dieselben Ergebnisse sehen wie ein anderer, der dasselbe sucht, aber bereits drei Sessions lang Anti-Aging-Produkte vergleicht. Ohne KI sehen beide dieselbe Liste. Mit KI sieht jeder eine andere Reihenfolge, abgestimmt auf seine Kaufabsicht. Praktisch bedeutet das: weniger ergebnislose Suchen, geringere Absprungrate auf Kategorieseiten und ein höherer durchschnittlicher Bestellwert, weil Empfehlungen für komplementäre Produkte auf realen Co-Kaufmustern beruhen statt auf generischen Assoziationen. Der andere, weniger sichtbare, aber ebenso konkrete Nutzen ist die operative Zeitersparnis. Merchandising-Teams müssen nicht mehr Dutzende manueller Regeln pflegen und können diese Zeit für strategische Entscheidungen verwenden, die die KI nicht treffen kann: Markenpositionierung, Kampagnen-Narrativ, Auswahl neuer Lieferanten. Doofinder Doofinder kombiniert manuelle Steuerung (Searchandising) mit KI-getriebener Personalisierung. Das System sammelt Verhaltensdaten, wie angesehene Seiten, Klicks, in den Warenkorb gelegte Produkte und Käufe. Und nutzt sie, um in Echtzeit die Reihenfolge der Suchergebnisse und Produktempfehlungen für jeden Besucher anzupassen. Einige konkrete Funktionen: Personalisierte 1:1-Ergebnisse: Suchergebnisse werden je nach Verhaltensprofil jedes Nutzers neu geordnet. Zwei Personen, die denselben Begriff suchen, sehen unterschiedliche Produkte basierend auf ihren früheren Interaktionen. KI-Empfehlungs-Karussells: Karussells (auf Home, Produktseiten und Kategorien) speisen sich aus Verhaltensanalyse und Image Matching, um visuell ähnliche oder komplementäre Produkte vorzuschlagen. Automatisches Visual Tagging: Die KI analysiert die Katalogbilder, um Attribut-Tags zu generieren (Farbe, Stil, Material). Das verbessert die Suchgenauigkeit und ermöglicht Merchandising auf Basis von Metadaten, die sonst manuell eingepflegt werden müssten. Searchandising: Das E-Commerce-Team kann Boosting-Regeln, Pinning und Werbebanner innerhalb der Suchergebnisse anlegen, und die KI ergänzt sie durch Optimierung des restlichen Rankings. Dieses Hybridmodell (manuelle Regeln + KI) lässt strategische Team-Entscheidungen mit der automatischen Optimierung koexistieren, die nur Machine Learning in dieser Skalierung leisten kann. Praxisbeispiel Ein Sportmode-Shop mit 8.000 Artikeln launcht seine Sommerkollektion. Das Merchandising-Team legt eine Regel an: Bei Suchen nach «Running» oder «Trail» erscheinen neue Produkte auf hervorgehobenen Positionen. So weit, so manuell. Die KI ergänzt diese Regel: Sie erkennt, dass Nutzer, die in den letzten 30 Tagen Trailrunning-Schuhe gekauft haben, sich für technische Socken und Trinkrucksäcke interessieren. Für diese Profile mischt sie Zubehör zwischen die Schuhe. Für einen neuen Besucher ohne Historie behält sie die vom Team definierte Standard-Reihenfolge. Quellen AI Search Personalization — Doofinder Support