Der Shopping Graph ist Googles große, mit maschinellem Lernen aufgebaute Datenbank über Produkte. Man kann ihn sich als das Produkt-Pendant zum bekannteren Knowledge Graph vorstellen: Während der Knowledge Graph Entitäten wie Personen, Orte und Organisationen miteinander verknüpft, ordnet der Shopping Graph Produkte, Marken, Händler, Preise, Verfügbarkeiten, Attribute und Bewertungen zu einem zusammenhängenden Bild. Google beschreibt ihn als Datensatz mit Milliarden von Produkteinträgen, der dem System hilft zu verstehen, was ein Produkt ist, wer es verkauft und wie es sich zu ähnlichen Produkten verhält. Auf der Google-Entwicklerkonferenz wurde die Größenordnung mit über 50 bis 60 Milliarden Produkteinträgen und Milliarden Aktualisierungen pro Stunde beziffert.
Für Onlinehändler ist der Shopping Graph deshalb so wichtig, weil Googles KI-Shopping genau aus ihm schöpft. Sowohl die AI Overviews als auch der AI Mode greifen für Produktinformationen auf den Shopping Graph zurück. Wer dort nicht vertreten ist, kann in diesen Ergebnissen schlicht nicht erscheinen – unabhängig davon, wie gut die eigene Website klassisch rankt. Der Shopping Graph ist damit weniger ein Optimierungsdetail als ein Türsteher: Er entscheidet, wer im KI-gestützten Einkaufserlebnis von Google überhaupt zur Auswahl steht.
Wie der Shopping Graph gespeist wird
Der Graph zieht seine Daten aus mehreren Quellen und führt sie zu einer normalisierten Produktentität zusammen. Die beiden wichtigsten Kanäle für Händler sind:
- Der Produkt-Feed im Google Merchant Center. Dies ist die kanonische, primäre Datenquelle. Über den Feed liefert ein Händler strukturiert Titel, Beschreibung, Preis, Verfügbarkeit, GTIN, Marke und weitere Attribute. Ohne einen aktuellen Merchant-Center-Feed gelangen Produkte gar nicht erst in den Shopping Graph.
- Das schema.org-
Product-Markup auf den Shop-Seiten. Strukturierte Daten direkt auf der Produktseite ergänzen den Feed und liefern zusätzliche, von der Seite verifizierbare Signale.
Darüber hinaus reichert Google den Graph mit Informationen an, die es im Web crawlt: Produktbeschreibungen, Bilder, Nutzerbewertungen und Signale von Drittseiten. Maschinelles Lernen verarbeitet all das, um nicht nur zu erkennen, dass es ein Produkt gibt, sondern auch dessen Eigenschaften – Material, Farbe, Größe, Einsatzzweck – und wie es sich zu Alternativen verhält. Beschreiben zwei Händler dasselbe Produkt unterschiedlich, normalisiert der Shopping Graph diese Angaben zu einer einzigen, standardisierten Entität.
Feed und Markup sind getrennte Systeme
Ein häufiges Missverständnis: Merchant-Center-Feed und seitenbasiertes Markup seien austauschbar. Das sind sie nicht. Sie sind zwei getrennte Eingabekanäle, die beide in den Shopping Graph münden, aber unterschiedliche Rollen spielen. Der Feed ist der verbindliche, vom Händler kontrollierte Datenstrom; das Markup ist die auf der Seite selbst sichtbare Bestätigung derselben Fakten. Für maximale Abdeckung sollten beide vorhanden, vollständig und vor allem widerspruchsfrei sein – Preisangaben im Feed und auf der Seite dürfen nicht auseinanderlaufen.
Warum der Shopping Graph für Shopware-Shops zählt
Für einen Shopware-Betreiber lässt sich die Konsequenz hart und einfach formulieren: Ohne aktuellen Merchant-Center-Feed tauchen die Produkte in Googles KI-Shopping nicht auf. Datenqualität im Feed ist hier das primäre Signal, nicht irgendein Keyword-Trick. Die praktische Aufgabe besteht darin, den Produkt-Feed sauber, vollständig und aktuell zu halten – idealerweise automatisiert nach jeder Katalogänderung neu erzeugt.
Für viele Mittelständler ist das zugleich eine beruhigende Nachricht. Wer Merchant Center und Produktdaten ohnehin schon für Google Shopping pflegt, hat einen großen Teil der Google-seitigen Hausaufgaben für die KI-Sichtbarkeit bereits erledigt. Die verbleibende Arbeit besteht dann eher im Lückenschluss und in der Datentiefe als in einem komplett neuen Projekt.
Ein konkretes Beispiel
Ein Shopware-Shop für Outdoor-Ausrüstung pflegt einen vollständigen Merchant-Center-Feed mit GTINs, korrekten Preisen, Lagerbeständen und Versandangaben. Fragt ein Nutzer Googles AI Mode nach „wasserdichte Wanderjacke unter 200 Euro mit guter Atmungsaktivität“, kann Google die Produkte dieses Shops aus dem Shopping Graph ziehen, gegen die Anfrage abgleichen und in der KI-Antwort vorschlagen – inklusive Preis und Verfügbarkeit. Ein konkurrierender Shop ohne gepflegten Feed bleibt in dieser Antwort unsichtbar, selbst wenn er das passendere Produkt hätte. Die Sichtbarkeit entscheidet sich an der Datenpipeline, nicht am Marketingbudget.
Shopping Graph, SEO und Agentic Commerce
Mit dem Shopping Graph verschmilzt Googles Produkt-Ökosystem: organische Suche, Merchant Center, strukturierte Daten, Bewertungen, Preise und Lagerbestände fließen in dieselbe Datenbasis. Die Folge ist, dass die Performance zunehmend an der Genauigkeit der gesamten Produktdaten-Pipeline hängt und nicht mehr nur an Keywords oder Backlinks. Genau diese saubere, maschinenlesbare Datengrundlage ist auch das Fundament für Agentic Commerce – also für KI-Agenten, die im Auftrag des Nutzers nicht nur empfehlen, sondern kaufen. Wer seine Daten für den Shopping Graph in Ordnung bringt, baut damit zugleich an der Voraussetzung für die nächste Stufe des KI-gestützten Einkaufens. Weiterführende Details zum Aufbau und zur Funktionsweise liefert die Produktdaten-Spezifikation in der Google Merchant Center-Hilfe.
Shopping Graph und der Wandel der Produktsuche
Der Shopping Graph ist mehr als ein technisches Detail im Hintergrund – er steht für eine grundlegende Verschiebung darin, wie Menschen Produkte finden. Klassisch begann die Produktsuche mit einer Tippanfrage und endete in einer Liste blauer Links und Anzeigen. Im KI-gestützten Modell formuliert der Nutzer ein vollständiges Bedürfnis in natürlicher Sprache – etwa „ich suche ein leises, energieeffizientes Modell für eine kleine Wohnung mit Lieferung bis Freitag“ – und erwartet eine kuratierte Antwort statt einer Trefferliste. Damit Google eine solche Antwort bauen kann, muss es Produkte nicht nur kennen, sondern ihre Eigenschaften, Preise und Verfügbarkeiten verstehen und gegeneinander abwägen können. Genau das leistet der Shopping Graph.
Für Händler verschiebt sich dadurch der Hebel. Es genügt nicht mehr, auf ein einzelnes Keyword zu optimieren. Entscheidend wird, wie vollständig, korrekt und attributreich die Produktdaten sind, denn aus ihnen baut der Graph das Bild, gegen das jede natürlichsprachliche Anfrage abgeglichen wird. Ein Produkt mit gepflegtem Material, präziser Größenangabe, korrekter Energieklasse und sauberer Versandinformation hat in diesem Modell schlicht mehr Anknüpfungspunkte, an denen es zu einer konkreten Anfrage passen kann.
Welche Datenfelder im Shopping Graph besonders zählen
Nicht alle Feed-Attribute sind gleich wichtig. Einige bilden das Fundament der Aufnahme, andere entscheiden über die Passgenauigkeit zu spezifischen Anfragen. Eine grobe Priorisierung:
| Feld | Funktion im Graph |
|---|---|
| GTIN / MPN | eindeutige Identifikation und Zusammenführung mehrerer Händler zu einer Produktentität |
| Titel & Beschreibung | semantische Einordnung, Abgleich mit natürlichsprachlichen Anfragen |
| Preis & Verfügbarkeit | Filterung nach Budget und Lieferfähigkeit, oft Ausschlusskriterium |
| Marke | Verknüpfung mit der Marken-Entität, Vertrauenssignal |
| produktspezifische Attribute (Farbe, Größe, Material, Energieklasse) | Treffergenauigkeit bei detaillierten Anfragen |
| Versand & Rückgabe | zunehmend relevant für transaktionale KI-Antworten |
Lückenhafte Attribute sind der häufigste Grund, warum ein Produkt zwar im Graph liegt, aber bei spezifischen Anfragen nicht ausgespielt wird. Wer nur Titel und Preis pflegt, ist sichtbar für „Kaffeemaschine“, aber unsichtbar für „Kaffeevollautomat mit Milchsystem unter 600 Euro, sofort lieferbar“ – und genau dort liegt die Kaufabsicht.
Die Rolle der Datenqualität
Der Shopping Graph belohnt Konsistenz und bestraft Widersprüche. Weicht der Preis im Feed vom Preis auf der Seite ab, oder meldet der Feed Verfügbarkeit, während die Produktseite „ausverkauft“ zeigt, untergräbt das das Vertrauen in die Datenquelle – im schlimmsten Fall werden betroffene Produkte zurückgehalten. Für einen Shopware-Shop heißt das konkret: Der Feed-Export sollte direkt an die führende Datenquelle gekoppelt sein, nicht an einen manuell gepflegten Zwischenstand, der schnell veraltet. Automatisierung ist hier kein Komfort, sondern die Voraussetzung für verlässliche Sichtbarkeit.
Abgrenzung: Shopping Graph, Knowledge Graph und Feed
Weil im Umfeld der Produktsuche viele ähnlich klingende Begriffe kursieren, lohnt eine saubere Abgrenzung. Der Knowledge Graph ist Googles allgemeine Wissensdatenbank über Entitäten der Welt – Personen, Orte, Organisationen, Konzepte. Der Shopping Graph ist das spezialisierte Pendant für Produkte: gleiche Grundidee einer vernetzten Entitäten-Datenbank, aber auf Handelsobjekte zugeschnitten und mit Preisen, Verfügbarkeiten und Händlerbezügen angereichert. Der Produkt-Feed wiederum ist keine Datenbank, sondern ein Eingabekanal – der strukturierte Datenstrom, mit dem ein Händler seine Produkte in den Shopping Graph einspeist.
Diese Unterscheidung ist mehr als akademisch. Sie macht klar, an welcher Stelle ein Händler tatsächlich Einfluss hat: nicht am Graph selbst, sondern an dem, was er hineingibt. Die Qualität des Feeds und des Seiten-Markups ist der einzige direkt steuerbare Hebel. Alles Weitere – die Normalisierung, die Verknüpfung mit Bewertungen, die Einordnung gegenüber Wettbewerbsprodukten – passiert innerhalb von Googles System und entzieht sich der direkten Kontrolle.
Was Händler konkret tun können
Aus der Funktionsweise des Shopping Graph lassen sich klare Handlungsschritte ableiten, die unabhängig von der Shop-Größe gelten:
- Merchant-Center-Konto vollständig aufsetzen und den Produkt-Feed an die führende Datenquelle koppeln, damit Preise und Bestände automatisch aktuell bleiben.
- Alle verfügbaren Identifikatoren pflegen – insbesondere GTIN und MPN –, damit Produkte eindeutig einer Entität zugeordnet werden.
- Attribute über das Pflichtfeld hinaus ausfüllen: Material, Farbe, Größe, Energieklasse, Einsatzzweck. Jedes zusätzliche, korrekte Attribut erhöht die Chance, zu einer spezifischen Anfrage zu passen.
- Feed und Seiten-Markup widerspruchsfrei halten. Abweichungen zwischen beiden untergraben das Vertrauen in die Datenquelle.
- Versand- und Rückgabeangaben hinterlegen, weil diese für transaktionale KI-Antworten zunehmend mitgelesen werden.
Der gemeinsame Nenner dieser Maßnahmen ist unspektakulär: Es geht um Datenqualität und Aktualität, nicht um einen Trick. Genau das macht den Shopping Graph für solide aufgestellte Händler zu einer fairen Chance – Sichtbarkeit folgt der Datenarbeit, nicht dem Budget.
Häufige Fragen zum Shopping Graph
Ist der Shopping Graph dasselbe wie Google Shopping? Nein. Google Shopping ist die sichtbare Oberfläche mit Produktanzeigen und -listings. Der Shopping Graph ist die dahinterliegende Produktdatenbank, aus der diese Oberflächen – und neuerdings auch AI Overviews und AI Mode – schöpfen.
Komme ich ohne Merchant Center in den Shopping Graph? Praktisch nicht zuverlässig. Der Merchant-Center-Feed ist die kanonische Quelle. Seiten-Markup allein ist eine Ergänzung, kein vollwertiger Ersatz für die Aufnahme.
Wie aktuell müssen meine Daten sein? So aktuell wie möglich. Der Graph wird laufend aktualisiert, und veraltete Preise oder Bestände können dazu führen, dass Produkte falsch dargestellt oder herausgefiltert werden. Ein automatisierter Feed-Export nach jeder Katalogänderung ist der robuste Weg.
Hilft der Shopping Graph auch bei ChatGPT oder Perplexity? Direkt nein – er ist ein Google-System. Die zugrunde liegende Arbeit, also saubere strukturierte Produktdaten, nützt aber auch der Sichtbarkeit in anderen KI-Systemen, weil diese ebenfalls maschinenlesbare Fakten bevorzugen.