Vollständiger Leitfaden zu JSON-LD-Produktschema für E-Commerce

Was ist das JSON-LD-Produktschema?

JSON-LD (JavaScript Object Notation for Linked Data) ist eine standardisierte Methode, um Produktinformationen in einem Format zu beschreiben, das Maschinen leicht verstehen und verarbeiten können. Es handelt sich um eine Form strukturierter Daten, die KI-Agenten, Suchmaschinen und Shopping-Systemen genau mitteilen, was Ihr Produkt ist, wie viel es kostet, ob es vorrätig ist und welche weiteren entscheidenden Attribute es hat.

Im Gegensatz zu einfachem HTML-Text, den Menschen visuell lesen, befindet sich das JSON-LD-Markup in einem <script type="application/ld+json">-Tag und enthält strukturierte, maschinenlesbare Produktmetadaten. Dieses Markup ist entscheidend, weil sich KI-Shopping-Agenten wie ChatGPT, Perplexity und Google Gemini auf dieses standardisierte Format verlassen, um Produkte korrekt zu identifizieren und zu empfehlen.

Ohne JSON-LD-Markup sieht ein KI-System nur gerendertes HTML — es muss raten, was ein Produkt ist, was es kostet und ob es verfügbar ist. Mit ordnungsgemäßem JSON-LD verfügt das System über explizite, strukturierte Informationen, die Mehrdeutigkeiten beseitigen und genaue Empfehlungen ermöglichen.

Warum KI-Agenten das JSON-LD-Produktschema brauchen

Moderne KI-Shopping-Assistenten funktionieren grundlegend anders als klassische Suchmaschinen. Wenn ein Nutzer fragt „Was ist eine gute leichte, wasserdichte Jacke unter 150 €?", muss das KI-System Folgendes leisten:

• Produktattribute verstehen: Ist sie wasserdicht? Leicht? Wie ist der Preis? Diese Details müssen explizit und maschinenlesbar sein.
• Verfügbarkeit prüfen: Ist sie auf Lager? Kann sie zum Standort des Nutzers versendet werden? JSON-LD enthält Verfügbarkeits- und Lieferinformationen.
• Glaubwürdigkeit bewerten: Wie sind Bewertungen und Rezensionen? Ist der Händler vertrauenswürdig? Das Schema-Markup enthält aggregateRating-Daten.
• Das Produkt eindeutig identifizieren: Über GTIN, SKU oder andere Kennungen bestätigt das System, dass es sich quellenübergreifend um dasselbe Produkt handelt.
• Händlerübergreifend vergleichen: Wenn das Produkt von mehreren Verkäufern angeboten wird, helfen strukturierte Daten der KI, gleichwertige Angebote zu erkennen.

Ohne JSON-LD tut sich das KI-System mit all diesen Aufgaben schwer. Es muss Informationen aus dem visuellen Layout ableiten, was fragil und fehleranfällig ist. JSON-LD beseitigt das Rätselraten durch explizite, standardisierte Metadaten.

Erforderliche Eigenschaften im Produktschema

Das Product-Schema umfasst viele Eigenschaften, doch einige sind für die KI-Lesbarkeit entscheidend:

Kerneigenschaften

name — Der Name oder Titel des Produkts. Beispiel: „Wasserdichte Wanderjacke".

description — Eine ausführliche Beschreibung, was das Produkt ist und welche Probleme es löst. KI-Agenten nutzen sie, um Nutzerabsichten zuzuordnen.

image — Eine URL zu einem hochwertigen Produktbild. KI-Systeme verwenden Bilder, um das Produkt zu verifizieren und sein Aussehen zu verstehen.

brand — Der Hersteller oder Markenname. Hilft KI-Systemen, Produkten zu vertrauen und sie zu identifizieren.

offers — Ein Offer-Objekt mit Preis, priceCurrency, Verfügbarkeit und Verkäuferinformationen.

Kennungs-Eigenschaften

gtin (oder gtin13, gtin12) — Die Global Trade Item Number. Entscheidend, damit KI-Systeme Produkte quellenübergreifend identifizieren und deduplizieren können.

sku — Ihre interne Produktkennung, nützlich zur Rückverknüpfung mit Ihrem Lagerverwaltungssystem.

mpn (Manufacturer Part Number) — Die offizielle Herstellerkennung des Produkts.

Vertrauens- und Bewertungseigenschaften

aggregateRating — Ein AggregateRating-Objekt mit ratingValue (Punktzahl) und reviewCount. KI-Systeme gewichten dies stark für Empfehlungen.

review — Einzelne Review-Objekte mit reviewRating und reviewBody. Sie liefern Glaubwürdigkeit und Kontext.

Codebeispiel: vollständiges Produktschema

Hier ein vollständig implementiertes Product-Schema-Beispiel:

{
  "@context": "https://schema.org/",
  "@type": "Product",
  "name": "Wasserdichte Wanderjacke",
  "description": "Leichte, atmungsaktive, wasserdichte Jacke für Outdoor-Wanderungen. Mit verschweißten Nähten, packbarem Design und überlegener Wasserabweisung.",
  "image": "https://example.com/images/jacket.jpg",
  "brand": {
    "@type": "Brand",
    "name": "OutdoorGear Co"
  },
  "gtin13": "1234567890123",
  "sku": "WRJ-BLUE-M",
  "mpn": "OG-WRJ-2024",
  "offers": {
    "@type": "Offer",
    "url": "https://example.com/products/waterproof-jacket",
    "priceCurrency": "EUR",
    "price": "149.99",
    "availability": "https://schema.org/InStock",
    "seller": {
      "@type": "Organization",
      "name": "Example Store"
    }
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.7",
    "reviewCount": "328"
  }
}

Häufige Fehler, die Sie vermeiden sollten

1. GTIN oder andere Kennungen weglassen — Ohne eindeutige Produktkennungen können KI-Systeme Ihre Produkte nicht zuverlässig identifizieren. Einer der häufigsten und teuersten Fehler.

2. Statische Daten hartkodieren — Wenn sich Preise oder Verfügbarkeit ändern, das JSON-LD aber nicht aktualisiert wird, cachen KI-Systeme veraltete Informationen und verlieren das Vertrauen.

3. Falschen Verfügbarkeitsstatus verwenden — Ein vergriffenes Produkt als „InStock" zu kennzeichnen ist ein Vertrauenskiller. KI-Systeme stufen Ihre künftigen Produkte herab, wenn sie falsche Angaben entdecken.

4. Inkonsistente Preise zwischen Markup und Seite — Weicht der sichtbare Preis vom Preis im JSON-LD ab, verwirrt das KI-Systeme und Nutzer. Das schadet der Glaubwürdigkeit.

5. Fehlende oder qualitativ schlechte Bilder — Bilder sind entscheidend für Vertrauen. KI-Systeme nutzen sie, um Produkte zu verifizieren und Nutzerabsichten zu erfüllen.

6. Unvollständige Beschreibungen — Vage Produktnamen und kurze Beschreibungen liefern der KI nicht genug Kontext, um Anwendungsfälle und Zielgruppen zu verstehen.

Ihr Produktschema testen

Nach der Implementierung sollten Sie Ihr Markup stets testen und validieren:

• Google Rich Results Test (https://search.google.com/test/rich-results) — Validiert Schema.org-Markup und zeigt, wie Google es interpretiert.
• Schema.org Validator (https://validator.schema.org) — Prüft JSON-LD-Syntax und Konformität mit der Schema-Spezifikation.
• Yoast SEO — WordPress-Plugin mit integrierter Schema-Validierung.
• Structured Data Testing Tool — Zeigt, wie Ihr Markup von Suchmaschinen interpretiert wird.

Die geschäftlichen Auswirkungen

E-Commerce-Shops, die ein vollständiges, korrektes JSON-LD-Produktschema implementieren, sehen deutliche Verbesserungen bei der KI-gestützten Entdeckung. Wenn KI-Shopping-Assistenten Ihre Produkte zuverlässig verstehen, empfehlen sie sie häufiger. Studien zeigen, dass Händler mit ordnungsgemäß strukturierten Daten eine 20 bis 40 % höhere Sichtbarkeit in KI-Shopping-Systemen erzielen als Wettbewerber mit fehlendem oder unvollständigem Markup.

Da KI-Shopping-Agenten zum primären Entdeckungsmechanismus für Verbraucher werden, ist das JSON-LD-Produktschema nicht länger optional — es ist unverzichtbare Infrastruktur für den E-Commerce-Erfolg.