Automatische Kollektions-Zuordnung klingt einfach, solange ein Shop 15 oder 20 Kollektionen hat. Sobald ein Katalog auf 60, 100 oder mehr Kollektionen wächst — was bei Multi-Marken-Shops oder großen Sortimenten schnell passiert — wird die Aufgabe deutlich schwieriger. Ein Sprachmodell, dem man einfach "welche dieser 120 Kollektionen passt zu diesem Produkt" fragt, liefert bei dieser Menge an Optionen spürbar unzuverlässigere Ergebnisse als bei zehn Optionen.
Warum mehr Kollektionen die Genauigkeit senken
Je mehr Optionen ein Modell gleichzeitig gegeneinander abwägen muss, desto größer die Wahrscheinlichkeit von Verwechslungen zwischen ähnlich benannten oder thematisch nahen Kollektionen. Eine Kollektion "Sommerkleider" und eine Kollektion "Strandkleidung" überschneiden sich inhaltlich stark; bei 100 gleichzeitig zu bewertenden Optionen steigt das Risiko, dass ein Produkt der falschen der beiden zugeordnet wird, gegenüber einer Bewertung mit nur diesen zwei Optionen deutlich an.
Markenerkennung aus Kollektionstiteln
Ein erster Baustein der Lösung ist die automatische Erkennung von Markennamen direkt aus den Kollektionstiteln. Viele Shops mit mehreren geführten Marken benennen Kollektionen nach dem Markennamen, etwa "Marke X — Herbstkollektion" oder schlicht "Marke Y". pshly.ai erkennt diese Muster und nutzt die Markenzuordnung als zusätzliches, sehr starkes Signal: ein Produkt, dessen Herstellerfeld oder Vendor-Feld "Marke X" enthält, wird bevorzugt gegen Kollektionen abgeglichen, die erkennbar zu Marke X gehören, statt gegen den kompletten Kollektionspool.
Chunking ab 60 Kollektionen
Sobald ein Katalog die Schwelle von 60 Kollektionen überschreitet, wechselt pshly.ai automatisch in einen Chunking-Modus. Statt alle Kollektionen in einer einzigen Anfrage gegen ein Produkt zu bewerten, wird der Kollektionspool in kleinere, thematisch gruppierte Blöcke aufgeteilt. Jeder Block wird separat bewertet, und die besten Ergebnisse aus allen Blöcken werden anschließend zusammengeführt und final gerankt. Dieser Zwischenschritt reduziert die Verwechslungsrate erheblich, weil das Modell innerhalb eines Blocks nie mehr als eine überschaubare Anzahl an Optionen gleichzeitig gegeneinander abwägen muss.
Mindest-Score als Filter gegen schwache Treffer
Nicht jeder Vorschlag, den ein Modell liefert, ist gleich zuverlässig. pshly.ai vergibt für jeden Vorschlag einen Confidence-Score und filtert Ergebnisse unterhalb eines konfigurierten Mindestwerts konsequent heraus. Ein schwacher Treffer mit niedrigem Score wird gar nicht erst als Vorschlag angezeigt, statt einen unsicheren Vorschlag zu präsentieren, den ein Nutzer versehentlich ungeprüft übernimmt. Das bedeutet in der Praxis: lieber weniger, aber verlässlichere Vorschläge als eine lange Liste mit gemischter Qualität.
Nachvalidierung nach Marke, Zielgruppe und Typ
Nach der ersten Vorschlagsrunde durchläuft jedes Ergebnis eine zweite Validierungsebene. Dabei wird geprüft, ob der vorgeschlagene Kollektionstreffer konsistent ist mit drei zusätzlichen Signalen aus dem Produkt selbst: der erkannten Marke, der Zielgruppe (etwa Damen, Herren oder Kinder) und dem Produkttyp. Passt ein vorgeschlagener Treffer nicht zu diesen Signalen — etwa ein Herrenprodukt, das versehentlich einer Damen-Kollektion zugeordnet werden soll — wird der Vorschlag verworfen, selbst wenn der ursprüngliche Score hoch genug war, um die erste Schwelle zu passieren.
Warum diese Nachvalidierung False Positives entscheidend reduziert
Ohne diese zweite Ebene würden gelegentlich Vorschläge durchrutschen, die auf oberflächlicher Textähnlichkeit basieren, aber inhaltlich falsch sind — etwa ein Kinderschuh, der aufgrund ähnlicher Beschreibungssprache versehentlich einer Erwachsenen-Kollektion zugeordnet wird. Die Kombination aus Markenerkennung, Chunking, Mindest-Score und Nachvalidierung sorgt dafür, dass am Ende nur Vorschläge übrig bleiben, die auf mehreren unabhängigen Signalen gleichzeitig basieren, statt auf einer einzelnen, potenziell irreführenden Textähnlichkeit.
Praxisbeispiel: Multi-Marken-Katalog mit 140 Kollektionen
Ein Shop, der acht verschiedene Modemarken unter einem Dach führt, hatte 140 aktive Kollektionen, viele davon markenspezifisch benannt. Vor der Nachvalidierung lag die Trefferquote bei manueller Stichprobenkontrolle bei etwa 78 Prozent korrekt zugeordneter Vorschläge. Nach Einführung von Markenerkennung, Chunking und Nachvalidierung stieg diese Quote in derselben Stichprobe auf über 95 Prozent, bei gleichzeitig etwas weniger Gesamtvorschlägen, weil unsichere Treffer konsequent aussortiert wurden.
Was das für Ihren Review-Aufwand bedeutet
Je zuverlässiger die Vorschläge, desto weniger Zeit verbringen Sie mit dem Verwerfen falscher Zuordnungen im Review-Modal. Bei einem gut strukturierten Katalog mit klaren Markennamen in den Kollektionstiteln liegt die Zeit für die Prüfung von 1.000 Produktvorschlägen typischerweise bei unter einer Stunde, weil die meisten Vorschläge ohne Korrektur direkt übernommen werden können.
Der Mindestscore als Qualitätsregler
Jeder Kollektionsvorschlag erhält einen Score dafür, wie sicher sich das Modell beim Match ist. Mit der Einstellung für den Mindestscore legen Sie die Grenze fest. Niedrig eingestellt bekommen Sie volle Abdeckung mit mehr Rauschen und damit mehr Review-Aufwand. Hoch eingestellt bleiben nur sichere Treffer, dafür fehlen Randfälle. In der Praxis bewährt sich ein zweistufiges Vorgehen: erst ein Lauf mit hoher Schwelle, den Sie fast ungesehen durchpushen, danach ein zweiter Lauf mit niedrigerer Schwelle, bei dem Sie die verbleibenden Zweifelsfälle bewusst durchgehen.
Marken- und Zielgruppenvalidierung gegen Fehlzuordnungen
Die meisten Fehlzuordnungen entstehen, weil ein Produkt optisch passt, aber nach Marke oder Zielgruppe nicht in die Kollektion gehört. Deshalb läuft nach der KI-Analyse eine Validierung auf Marke und Zielgruppe: Produkte einer anderen Marke als von der Kollektion vorgegeben oder für eine abweichende Zielgruppe fallen automatisch heraus. Große Batches werden zudem in Chunks verarbeitet, damit das Modell je Teil genug Kontext behält und keine Produkte durch eine zu lange Liste in einem Aufruf verloren gehen.
Fazit
Große Kataloge mit vielen Kollektionen brauchen mehr als eine einfache Ähnlichkeitsabfrage. Die Kombination aus Markenerkennung, Chunking, Mindest-Score-Filterung und Nachvalidierung ist speziell für Kataloge konzipiert, bei denen naive Ansätze an ihre Grenzen stoßen. Mehr zur gesamten Kollektions-Funktion und wie sie sich in den täglichen Workflow einfügt, finden Sie unter Kollektionsbeschreibungen.
Prüfen Sie, wie präzise die Zuordnung für Ihren eigenen Katalog ausfällt — starten Sie kostenlos und lassen Sie Ihre ersten Kollektions-Vorschläge generieren.