Was ist ein Ecommerce Knowledge Graph? Product Knowledge Graphs für Shopify Brands erklärt
Ein Ecommerce Knowledge Graph verknüpft Eure Produkte, Varianten, Collections, Inhalte, Richtlinien und Bestellungen, damit AI Zusammenhänge über alles hinweg verstehen kann. So funktioniert ein Product Knowledge Graph und das verändert er für Eure Shopify Brand.
ByWas ist ein E-Commerce Knowledge Graph?
Ein Ecommerce Knowledge Graph ist eine strukturierte Landkarte Eures Onlineshops. Darin werden Produkte, Varianten, Kollektionen, Inhalte, Richtlinien, Bestellungen und Kunden als verbundene Entitäten gespeichert, zusammen mit ihren Beziehungen zueinander, etwa „ist Variante von“, „gehört zu Kollektion“ oder „fällt unter Richtlinie“. AI nutzt diese Verknüpfungen, um über Zusammenhänge hinweg zu schlussfolgern, statt nur einzelne Seiten zu durchsuchen. So werden Antworten, Empfehlungen und automatisierte Aktionen genauer.
Ein Kunde fragt in Eurem Store-Chat: „Ist die Alpine Shell Jacket wasserdicht, habt Ihr sie noch in XL, und kann ich sie zurückgeben, wenn ich sie im Sale kaufe?“
Drei kurze Fragen. Um sie korrekt zu beantworten, braucht eine AI ein Produktattribut, also die Wasserdichtigkeit, eine Variante samt aktuellem Bestand in XL, die Kollektion des Produkts, also Sale, und die passende Regel aus Eurer Retourenrichtlinie für Sale-Artikel. Diese Infos liegen auf vier verschiedenen Seiten Eures Shops. Eine AI, die nur Seiten durchsucht, findet vielleicht einen Teil davon. Eine AI, die versteht, wie alles zusammenhängt, findet alles und gibt eine Antwort, die wirklich passt.
Genau diese vernetzte Struktur nennt man Knowledge Graph. In diesem Guide erfahrt Ihr, was ein Ecommerce Knowledge Graph ist, wie ein Product Knowledge Graph funktioniert, wie er sich von Knowledge Base, RAG und Vector Database unterscheidet und was das für eine Shopify Brand in der Praxis verändert.
Was ist ein Knowledge Graph?
Ein Knowledge Graph speichert Informationen als Netzwerk aus Dingen und ihren Beziehungen. Jedes Ding ist ein Knoten, auch Entität genannt, und jede Beziehung ist eine Kante. Die kleinste Wissenseinheit ist ein Fakt aus drei Teilen, oft Triple genannt:
- Alpine Shell Jacket → hat Wasserdichtigkeit → 20.000 mm
- Alpine Shell Jacket XL → ist Variante von → Alpine Shell Jacket
- Sale Collection → fällt unter → Retourenregel für Final Sale
Jeder Fakt für sich ist simpel. Wertvoll wird es durch die Verbindungen: Sobald Fakten dieselben Knoten teilen, kann eine Maschine einem Pfad von einem Fakt zum nächsten folgen und Fragen beantworten, die keine einzelne Seite allein beantwortet.
Richtig bekannt wurde das Konzept 2012, als Google seinen Knowledge Graph eingeführt hat, um reale Entitäten zu verstehen statt nur Keywords abzugleichen. Dasselbe Prinzip steckt heute hinter der Produktsuche bei Amazon, Empfehlungssystemen im Retail und zunehmend auch hinter AI agents, die mit Euren Kunden sprechen.
Was ist ein Product Knowledge Graph?
Ein Product Knowledge Graph wendet dieses Modell auf einen Katalog an. Produkte werden zu Knoten, genauso wie alles, was sie beschreibt: Brands, Produkttypen, Materialien, Größen, Farben, Einsatzbereiche und kompatibles Zubehör. Die Kanten halten fest, wie alles zusammenhängt. So weiß der Graph, dass eine Jacke eine Art Outerwear ist, eine bestimmte Membran nutzt, in fünf Größen verfügbar ist und zu einer bestimmten Kapuze passt.
Ein Ecommerce Knowledge Graph, bei Flyweight nennen wir das Commerce Knowledge Graph, geht noch einen Schritt weiter. Er verbindet den Katalog mit allem anderen, was Euer Shop weiß:
| Entität | Beispiele in einem Shopify-Store | Typische Beziehungen |
|---|---|---|
| Produkte und Varianten | Alpine Shell Jacket, Größe XL, Farbe Navy | Variante von, auf Lager, Preis |
| Kollektionen und Taxonomie | Jacken, Sale, Neu eingetroffen | gehört zu, ist ein Typ von |
| Produkteigenschaften | Wassersäule, Material, Passform | hat Eigenschaft, kompatibel mit |
| Inhalte | Größenguide, FAQs, Blogartikel | erklärt, beantwortet |
| Richtlinien | Rücksendungen, Versand, Garantie | gilt für, schließt aus |
| Bestellungen und Kunden | Bestellung #8412, Fulfillment-Status | enthält, aufgegeben von, berechtigt für |
| Verbundene Systeme | Helpdesk, Klaviyo, Fulfillment-Tool | synchronisiert mit, löst aus |
Der Unterschied ist entscheidend. Ein Product Graph hilft einer Maschine zu verstehen, was Ihr verkauft. Ein Ecommerce Knowledge Graph hilft ihr zu verstehen, wie Euer Geschäft funktioniert: welche Regeln für welche Produkte gelten, was ein Kunde bereits bestellt hat und was die AI als Nächstes tun darf.
So funktioniert es: eine Kundenfrage Schritt für Schritt
Zurück zur Jackenfrage. So beantwortet ein AI Agent sie, wenn er über einen Graphen schlussfolgern kann:
- Entität erkennen. „Alpine shell jacket“ wird einem konkreten Produktknoten zugeordnet, auch wenn der Kunde sich vertippt oder ein Synonym nutzt.
- Attribut auslesen. Das Produkt hat eine Kante zur Wasserdichtigkeit, also nennt der Agent den echten Wert, statt aus dem Wort „shell“ etwas abzuleiten.
- Variante prüfen. Er folgt der Kante zur XL-Variante und liest den aktuellen Bestand aus.
- Die richtige Regel finden. Das Produkt liegt in der Sale Collection, und diese Kollektion ist mit einer bestimmten Passage in der Retourenrichtlinie verknüpft.
- Alles in einer Antwort beantworten. In diesem Beispielshop: „Ja, sie ist mit 20.000 mm bewertet, XL ist auf Lager, und Sale-Artikel können innerhalb von 14 Tagen gegen Store Credit zurückgegeben werden.“
Ohne den Graphen zieht die AI eine Handvoll Textausschnitte, die der Frage ähnlich sehen, und hofft, dass die richtigen darunter sind. Wenn die Retourenseite oben die allgemeine 30-Tage-Regel erklärt und weiter unten die Ausnahme für Sale nennt, entscheidet der zufällig ausgewählte Ausschnitt darüber, ob die Antwort stimmt. Genau hier entstehen die meisten falschen Chatbot-Antworten: nicht wegen fehlender Informationen, sondern wegen fehlender Verbindungen zwischen diesen Informationen.
Knowledge Graph vs Knowledge Base vs RAG vs Vector Database
Diese Begriffe werden oft durcheinandergebracht, auch weil sie häufig zusammen eingesetzt werden. So unterscheiden sie sich.
| Ansatz | Was es ist | Wie die AI es nutzt | Wo die Grenzen liegen |
|---|---|---|---|
| Wissensdatenbank | Eine Sammlung von Dokumenten: FAQs, Hilfeartikel, Richtlinienseiten | Sucht nach dem relevantesten Artikel | Fakten stecken im Text fest, Beziehungen zwischen Artikeln sind nicht explizit |
| Vektordatenbank | Speichert Text als Embeddings, also numerische Bedeutungsrepräsentationen | Findet Passagen, die semantisch zur Anfrage passen | Ähnlich ist nicht automatisch richtig, Ketten wie Produkt → Kollektion → Richtlinie kann es nicht nachvollziehen |
| RAG (retrieval-augmented generation) | Eine Methode: relevante Inhalte abrufen und dann ein großes Sprachmodell die Antwort formulieren lassen | Verankert Antworten in Euren Inhalten statt nur in den Trainingsdaten des Modells | Nur so gut wie das, was abgerufen wird, bei mehrstufigen Fragen fehlt oft ein Teil |
| Knowledge Graph | Entitäten plus klare Beziehungen zwischen ihnen | Folgt Beziehungen und sammelt genau die Fakten, die eine Frage braucht | Braucht Struktur und laufende Pflege |
Ist ein Knowledge Graph besser als RAG? Beide lösen unterschiedliche Probleme, und die stärksten Systeme kombinieren beides. RAG sorgt dafür, dass die AI aus Euren Daten antwortet statt aus Erinnerung. Ein Knowledge Graph sorgt dafür, dass die abgerufenen Daten korrekt miteinander verbunden sind. Diese Kombination wird oft GraphRAG genannt: Der Graph entscheidet, welche Fakten zusammengehören, und das Sprachmodell formuliert daraus eine natürliche Antwort.
Dasselbe gilt für Knowledge Base vs Knowledge Graph. Eure FAQs und Help-Artikel werden nicht überflüssig, sondern zu Inputs. Der Graph verknüpft jeden Artikel mit den Produkten, Kollektionen und Richtlinien, um die es darin geht, damit beim richtigen Produkt auch der richtige Artikel auftaucht.
Beispiele für Knowledge Graphs im Ecommerce
Große Händler investieren seit Jahren in Product Knowledge Graphs, vor allem für Search und Empfehlungen.
- Amazon baut seinen Product Graph zu großen Teilen automatisiert auf. Amazon Science berichtet, dass das AutoKnow-System die Zahl der Fakten im Graphen verdreifacht hat, indem Produktattribute in großem Maßstab extrahiert und bereinigt wurden.
- DoorDash nutzt LLMs, um Produktattribute aus unstrukturierten SKU-Daten zu extrahieren, und ergänzt damit seinen Product Knowledge Graph, der personalisierte Search und Empfehlungen speist.
- Google betreibt neben seinem Knowledge Graph auch einen Shopping Graph mit Produkten, Händlern, Preisen und Bewertungen. Strukturierte Daten auf Euren Produktseiten sind einer der Wege, über die Euer Katalog dort hineingelangt.
- Eine mittelgroße Shopify Brand kann dieselbe Logik in kleinerem Maßstab nutzen. Ein Shop mit 800 SKUs, einer Größenberatung, drei Versandzonen und einer Retourenrichtlinie mit zwei Ausnahmen hat bereits alles, was ein nützlicher Graph braucht. Meist fehlt nur die Zeit, ihn manuell aufzubauen.
Was ein Ecommerce Knowledge Graph AI ermöglicht
Für eine Shopify Brand geht es bei den praktischen Use Cases weniger um Data Science und mehr darum, alltägliche Antworten und Aktionen sauber hinzubekommen. Genau das prägt die Customer Experience.
Intelligentere Produktempfehlungen
Empfehlungen können auf echten Produktattributen und Kundenbedürfnissen basieren, nicht nur auf „Kunden kauften auch“. Ein Kunde, der sagt „Ich laufe lange Strecken im Regen“, kann über Wasserdichtigkeit, Gewicht und Passform gematcht werden. Attributbasierte Personalisierung entschärft außerdem das Cold-Start-Problem: Ein ganz neues Produkt hat noch keine Verkaufshistorie, aber es hat bereits Attribute.
Klare Vergleiche zwischen Produkten und Varianten
Wenn Attribute als vergleichbare Felder statt als Fließtext gespeichert sind, kann die AI genau erklären, worin sich zwei Modelle oder zwei Varianten unterscheiden, ohne Spezifikationen aus benachbarten Produktbeschreibungen zu vermischen.
Kompatibilität und Cross-Selling
„Passt dieser Filter zu meiner Maschine?“ ist eine Beziehungsfrage. Mit compatible-with-Kanten kann die AI verlässlich antworten und das passende Zubehör empfehlen statt irgendeinen Bestseller.
Präzise, shopspezifische Richtlinien
Ausnahmen in Richtlinien für Sale-Artikel, personalisierte Produkte oder internationale Bestellungen sind mit den Produkten verknüpft, für die sie gelten. Die AI wendet Eure Regeln an, nicht die gängigste Regel im Internet.
Kontextbezogener Support und sichere Aktionen
Wenn Bestellungen und Kundenkontext verbunden sind, kann die AI „Wo ist meine Bestellung?“ mit echten Daten beantworten. Bevor sie eine Lieferadresse ändert oder eine Bestellung storniert, prüft sie erst den Fulfilment-Status und Eure Geschäftsregeln. Genau diese Prüfung macht AI process automation sicher genug zum Aktivieren.
Bessere Produkterkennung und Suche
Eine Onsite-Suche, die versteht, dass „Regenjacke“ und „wasserdichte Shell“ zum selben Produkttyp gehören, liefert weniger leere Ergebnisse zurück, mehr dazu in unserem Guide zur AI-Suche für Shopify. Dieselbe Disziplin, also saubere Attribute und eine konsistente Taxonomie, macht Eure Produktseiten auch für Google und AI-Suchmaschinen leichter verständlich.
Wie Ihr einen Product Knowledge Graph aufbaut, und wo es schwierig wird
Wenn Ihr so etwas von Grund auf aufbauen würdet, sieht der Prozess meist so aus:
- Entitäten und Taxonomie definieren. Legt fest, welche Produktkategorien, Produkttypen, Produktattribute und Beziehungen für Euren Katalog und die Fragen Eurer Kunden relevant sind.
- Attribute aus unstrukturierten Daten extrahieren. Die meisten Produktinformationen stecken in Titeln, Produktbeschreibungen und Bildern statt in sauberen Feldern. Natural Language Processing, also NLP, und Large Language Models helfen dabei, Text in Attribut-Wert-Paare zu überführen.
- Duplikate auflösen. „Navy“, „dark blue“ und „marine“ können dieselbe Farbe sein. Zwei Lieferantennamen können zu derselben Brand gehören.
- Inhalte, Richtlinien und Bestellungen verbinden. Verknüpft FAQs, Guides und Richtlinien-Passagen mit den Produkten und Kollektionen, auf die sie sich beziehen, und bindet Live-Bestelldaten an.
- Alles aktuell halten. Neue Produkte, Preisänderungen und Richtlinien-Updates müssen laufend in den Graphen fließen, sonst veralten die Antworten.
Die Herausforderungen sind vorhersehbar: chaotische Produktdaten aus mehreren Datenquellen, inkonsistente Attribute zwischen Kollektionen, der Aufwand, alles synchron zu halten, und ein Setup, das mit wachsendem Katalog skalieren muss. Große Händler lösen das mit dedizierten Teams, Machine-Learning-Pipelines und Graphdatenbanken. Genau deshalb waren Knowledge Graphs bei kleinen und mittelgroßen Onlineshops lange selten, obwohl die zugrunde liegenden Daten längst vorhanden waren.
Sind Knowledge Graphs im Zeitalter von LLMs noch relevant?
Mehr denn je. LLMs sind sehr gut in Sprache, aber unzuverlässig bei Fakten, die ihnen nicht gegeben wurden. Wenn Informationen fehlen oder mehrdeutig sind, füllen sie die Lücke oft mit einer plausibel klingenden Antwort. Genau das wird meist als AI-Halluzination bezeichnet. Ein Knowledge Graph gibt dem Modell eine strukturierte, überprüfbare Grundlage, auf der es seine Antworten verankern kann.
Google setzt weiterhin auf seinen Knowledge Graph, und AI-Suchmaschinen bevorzugen klar strukturierte, gut verknüpfte Informationen, wenn sie entscheiden, welche Brands und Produkte erwähnt werden. Die Richtung bei AI geht nicht weg von Knowledge Graphs, sondern hin zur Kombination mit Sprachmodellen.
Wie Flyweight Euren Shopify Store in einen Commerce Knowledge Graph verwandelt
Die meisten Shopify Brands müssen so etwas nicht selbst aufbauen, weil das Ausgangsmaterial bereits im Shop vorhanden ist. Flyweight verbindet Produkte, Varianten, Kollektionen, Seiten, Blogs, FAQs, Store-Struktur, Bestellinformationen, Bestand, Metafields, Marktplätze, Richtlinien und Sprachen in einem Commerce Knowledge Graph. Zusätzliche Quellen wie Zendesk, Content-Metafields oder Datei-Uploads können ergänzt werden.
Das ist eine commerce-native Form von GraphRAG: Der Graph entscheidet, welche Fakten zusammengehören, und ein Sprachmodell formuliert daraus eine natürliche Antwort. Der Unterschied zu einem reinen Text-GraphRAG-Setup liegt darin, woher der Graph kommt. Statt Fließtext zu scrapen und darauf zu hoffen, dass die Extraktion stimmt, baut Flyweight den Graphen weitgehend aus Daten auf, die in Shopify bereits strukturiert vorliegen, wo Produkte, Varianten, Bestellungen und Kollektionen echte Entitäten mit realen Beziehungen sind.
- Kein manueller Pflegeaufwand. Der Graph wird aus Euren bestehenden Shop-Inhalten aufgebaut und jede Nacht automatisch aktualisiert, damit neue Produkte, Inhalte und Richtlinienänderungen ohne manuelle Arbeit einfließen.
- Eine Quelle für Antworten und Aktionen. Derselbe Graph steuert AI Sales & Support-Konversationen und AI Process Automation, bei der der Agent vor jeder Aktion prüft, was erlaubt ist.
- Ihr behaltet die Kontrolle. Ihr könnt Wissen hinzufügen über Metafields und zusätzliche Inhalte, oder Inhalte ausschließen, die die AI nicht nutzen soll.
