Um kaum ein Thema ranken sich im Marktplatz-Geschäft so viele Mythen wie um Amazons neue Such-Systeme. Dabei hat Amazon selbst erstaunlich viel veröffentlicht. Wer die Quellen liest — das COSMO-Paper von der Datenbank-Konferenz SIGMOD 2024 und die Beiträge im Amazon-Science-Blog — bekommt ein klares Bild davon, wie die Systeme arbeiten. Und damit auch davon, was gute Listing-Pflege heute leisten muss.
COSMO: ein Wissensgraph, gebaut aus Verhalten — nicht aus Texten
COSMO ist ein Wissensgraph mit rund 6,3 Millionen Knoten (Stand des SIGMOD-2024-Papers). Das Entscheidende ist, woraus er gebaut wird: aus Verhaltensdaten — Paaren aus Suchanfrage und Kauf sowie aus gemeinsam gekauften Produkten. Nicht aus Listing-Texten.
Der Graph bildet Nutzungsintentionen ab: das Warum hinter einer Suche. Dafür nutzt er 15 Relationstypen wie used_for_function, used_for_event, used_for_audience, used_by, used_in, used_with oder capable_of. Ein Schneidebrett hängt im Graphen also nicht nur am Suchbegriff „Schneidebrett", sondern an Intentionen wie „Geschenk für Kochbegeisterte" oder „Grillabend ausstatten".
Wo kommt dann der Listing-Text ins Spiel? Er ist die Andockfläche. Das semantische Matching — im Paper ein Cross-Encoder, der die Zuordnungsgenauigkeit laut Amazon um 60 Prozent verbesserte — kann ein Produkt einer Intention nur dann zuordnen, wenn der Text die passenden Signale trägt. Wer Anlässe, Zielgruppen und Verwendungskontexte nicht benennt, dockt an den entsprechenden Intentionen schlechter an.
Eine Feinheit, die oft übersehen wird: Zielgruppe und Anlass sind im Graphen Intentions-Zuordnungen, keine Produktfakten. „Eignet sich als Geschenk" ist keine Eigenschaft, die ein Produkt hat oder nicht hat — es ist eine Ableitung aus dem Produkttyp und dem Verhalten der Käufer. Genau diese Ableitung nimmt der Graph selbst vor. Der Listing-Text muss sie nicht behaupten, sondern plausibel machen.
RUFUS: ein Shopping-LLM, das die ganze Seite liest
RUFUS, Amazons Shopping-Assistent, ist ein Sprachmodell mit RAG-Architektur (Retrieval Augmented Generation): Es zieht sich bei jeder Antwort Material aus dem Katalog, aus Rezensionen und aus den Fragen und Antworten der Produktseite. Es liest also die ganze Produktseite — auch die Beschreibung.
Daraus folgen zwei Dinge, die verbreiteten Scorer-Weisheiten widersprechen:
- „Die Beschreibung zählt nicht" ist falsch. Titel und Bullets sind die kompakteren Signalflächen — aber RUFUS verwertet den gesamten Text. Eine leere oder lieblose Beschreibung verschenkt eine Antwortquelle.
- Widersprüche sind besonders schädlich. Weil RUFUS Listing und Rezensionen nebeneinander liest, fallen Diskrepanzen direkt auf — und bei Widersprüchen glaubt Amazon eher den Rezensionen als dem Listing. Wer im Text mehr verspricht, als die Reviews bestätigen, verliert doppelt.
Was das für die Listing-Pflege bedeutet
- Intentionssignale explizit machen: Anlässe, Zielgruppen und Verwendungskontexte gehören in den Text — ehrlich und zum Produkt passend, denn der Graph gleicht sie mit echtem Kaufverhalten ab.
- Konsistenz über alle Flächen: Titel, Bullets, Beschreibung und Bilder müssen dieselbe Geschichte erzählen. Jede Abweichung ist ein Angriffspunkt.
- Rezensionen mitlesen: Wenn Kunden systematisch anderes berichten, als das Listing verspricht, gewinnt die Review-Sicht. Das Listing muss nachziehen — oder das Produktproblem gelöst werden.
- Kontinuierlich statt einmalig: Listings verändern sich — durch eigene Updates, durch Amazon, durch neue Rezensionen. Die Pflege ist ein laufender Prozess, kein Projekt.
Genau aus dieser Logik heraus ist unsere Listing-App Profil entstanden: Sie erstellt und pflegt Amazon-Content datenbasiert und überwacht Listings auf Abweichungen — damit die Andockfläche zum Graphen intakt bleibt.
Quellen: „COSMO"-Paper (SIGMOD 2024) und Beiträge im Amazon-Science-Blog zu COSMO und RUFUS. Die genannten Zahlen (6,3 Mio. Knoten, 15 Relationstypen, +60 % Genauigkeit) stammen aus Amazons eigenen Veröffentlichungen.