Automatisierung der Amazon-Produktrecherche: Was KI leisten sollte

Bevor Sie entscheiden, was automatisiert werden soll, listen Sie die Schritte auf. Die meisten Recherchen folgen einem ähnlichen Ablauf, unabhängig vom verwendeten Tool.

• Ideengenerierung: Kategorien und Keywords finden, die eine Prüfung wert sind.
• Nachfrageschätzung: Suchvolumen, Umsatzschätzungen und Saisonalität.
• Wettbewerbsanalyse: Anzahl der Verkäufer, Rezensionsanzahl, Listing-Qualität und Markenkonzentration.
• Kundeneinblicke: Worüber sich Käufer beschweren und was sie sich wünschen.
• Kostenmodellierung: Einstandspreis, FBA-Gebühren, Referral-Gebühren, Werbekosten und Marge.
• Lieferantenbewertung: Muster, Fabrikaudits, Zertifizierungen und Lieferzeiten.
• Entscheidung: Go, Produkt anpassen oder verwerfen.

Die ersten vier Schritte beinhalten große Datenmengen und eignen sich für die Automatisierung. Die letzten drei hängen von Informationen ab, die kein Tool vollständig besitzt.

Drittanbieter-Suiten wie Helium 10, Jungle Scout und SmartScout schätzen Umsatz und Suchvolumen anhand eigener Modelle. Amazon selbst bietet im Seller Central den Product Opportunity Explorer, der Suchbegriffe in Nischen gruppiert und Suchvolumentrends, Klickanteile und Retourenquoten anzeigt, sofern verfügbar. Brand Analytics ergänzt tatsächliche Suchbegriffs-Rankings für Markeninhaber.

Betrachten Sie Umsatzschätzungen von Drittanbietern als Richtwerte. Sie sind modelliert, nicht von Amazon gemeldet, und verschiedene Tools widersprechen sich oft. Daten aus dem Product Opportunity Explorer stammen von Amazon, werden aber in Nischen aggregiert, deren Grenzen möglicherweise nicht mit Ihrer Produktidee übereinstimmen.

Große Sprachmodelle sind gut darin, Texte in großem Umfang zu lesen und zusammenzufassen. Das macht sie nützlich für den Schritt der Kundeneinblicke, der früher tagelanges manuelles Lesen erforderte.

Rezensions-Mining

Exportieren Sie Rezensionen der Top-20-Konkurrenz-ASINs über ein Tool oder manuell im Rahmen der Plattformbedingungen und lassen Sie ein Modell die Beschwerden nach Themen gruppieren. Ein typischer Prompt fragt nach den zehn häufigsten Problemen, mit Anzahl und einem Beispielzitat für jedes. Sie erhalten eine Liste wie “Deckel bricht nach wenigen Monaten”, “zu schwer zu tragen” oder “Anleitung unklar”, die auf Produktänderungen hinweist.

Keyword-Clustering

Fügen Sie einige hundert Suchbegriffe aus dem Product Opportunity Explorer ein und bitten Sie das Modell, diese nach Absicht zu clustern: Anwendungsfall, Zielgruppe, Merkmal, Preissignal. Cluster zeigen, ob eine Nische unterschiedliche Teilmärkte hat, zum Beispiel “für Reisen” versus “für Zuhause”, die ein einzelnes Listing nicht gut bedienen kann.

Listing-Vergleich

Geben Sie dem Modell die Titel und Bullet Points der Top-Ten-Listings und fragen Sie, welche Behauptungen alle teilen und welche keine von ihnen macht. Lücken in der Kommunikation sind nicht dasselbe wie Lücken im Markt, aber sie sind ein günstiger Ausgangspunkt für die Differenzierung.

Automatisierung produziert selbstbewusste Ergebnisse aus schwachen Eingaben, und die Produktrecherche ist voll von schwachen Eingaben. Achten Sie auf diese Fehlerquellen.

• Umsatzschätzungen, die präzise aussehen, aber aus Modellen mit hoher Fehlerquote stammen.
• Rezensionszusammenfassungen, die eine laute Minderheit übergewichten; prüfen Sie immer die Anzahl hinter jedem Thema.
• KI-generierte Produktideen, die die Fertigungsrealität ignorieren, wie Funktionen, die die Stückkosten verdoppeln würden.
• Opportunity-Scores, die Metriken auf eine Weise kombinieren, die Sie nicht überprüfen können.
• Saisonale Nischen, die stark aussehen, weil das Datenfenster nur die Spitzenmonate erfasste.
• Eingeschränkte oder gesperrte Kategorien, die Tools nicht kennzeichnen, wie bestimmte topische Produkte oder Spielzeug, das Tests erfordert.

Ein Modell kann auch Details erfinden, wenn es nach einer bestimmten ASIN oder einem Markt gefragt wird, zu dem es keine Daten hat. Geben Sie ihm die Daten und fordern Sie es auf, nur mit dem zu arbeiten, was Sie bereitgestellt haben.

Drei Schritte widersetzen sich der Automatisierung. Der erste ist die Lieferantenbewertung. Die tatsächliche Qualität einer Fabrik zeigt sich in physischen Mustern, Kommunikationsgeschwindigkeit und der Bereitschaft, Probleme zu lösen – nichts davon erscheint in einer Tabelle. Bestellen Sie Muster von mindestens drei Lieferanten und testen Sie diese selbst.

Der zweite ist die Markenpassung. Ein Produkt kann in jedem Tool gut abschneiden und dennoch falsch für Ihre Marke, Ihr Kapital oder die Fähigkeiten Ihres Teams sein. Eine Marke, die auf umweltfreundliche Küchenutensilien spezialisiert ist, sollte zweimal überlegen, bevor sie Telefonzubehör hinzufügt, selbst wenn die Zahlen gut aussehen.

Der dritte ist das finale Kostenmodell. Tools berechnen FBA-Gebühren gut, aber Sie müssen realistische Werbekosten für den Launch, Retourenquoten für die Kategorie, Lagergebühren für schwache Monate und das im Inventar gebundene Kapital hinzufügen. Ein Produkt mit einer gesunden Marge auf dem Papier kann in den ersten sechs Monaten Geld verlieren, sobald die Launch-Werbeausgaben enthalten sind.

Hier ist ein Beispiel-Workflow für ein kleines Team, das ein Dutzend Ideen pro Monat prüft.

• Woche 1: Führen Sie den Product Opportunity Explorer und ein Drittanbieter-Tool für jede Idee aus; verwerfen Sie alles mit fallenden Suchtrends oder extremer Markenkonzentration.
• Woche 1: Exportieren Sie für die verbleibenden Ideen die Rezensionen der Top-Verkäufer und führen Sie ein KI-Clustering der Beschwerden durch.
• Woche 2: Eine Person liest die Cluster und entscheidet, welche Beschwerden durch eine Produktänderung zu angemessenen Kosten behoben werden könnten.
• Woche 2: Erstellen Sie das Kostenmodell, einschließlich eines Launch-Werbebudgets und einer konservativen Conversion-Rate.
• Woche 3: Bestellen Sie Muster für die zwei oder drei Ideen, die überleben.
• Woche 4: Testen Sie die Muster und entscheiden Sie.

Automatisierung verkürzt Woche eins und zwei von Tagen manueller Arbeit auf Stunden. Sie verkürzt nicht Woche drei und vier, und das sollte sie auch nicht.

Führen Sie ein Rechercheprotokoll für jede Idee, in dem Sie die Datenquelle, das Abrufdatum und die gezogene Schlussfolgerung festhalten. Wenn ein Produkt startet, vergleichen Sie die tatsächlichen Ergebnisse mit der Recherche-Schätzung. Nach ein paar Starts lernen Sie, welche Tools in Ihren Kategorien wie stark überschätzen, und Sie passen Ihre Schwellenwerte an.

Es hilft auch, den Grund aufzuschreiben, warum Sie jede Idee verworfen haben. Sechs Monate später, wenn ein Tool dieselbe Nische erneut markiert, können Sie sehen, ob der ursprüngliche Grund noch gilt.