Feed-Benchmarking ist die Praxis, die Struktur und Performance eines Produktfeeds an einem definierten Maßstab zu messen – an den Angeboten eines Wettbewerbers, an einem Branchendurchschnitt oder an den eigenen früheren Ergebnissen des Händlers –, um festzustellen, wo er Schwächen hat. Statt blind zu optimieren, liefert Benchmarking einen konkreten Bezugspunkt: Wie vollständig sind die Titel der Wettbewerber, wie viele ihrer Produkte haben GTINs, wie schneidet ihre Sichtbarkeit bei denselben Suchbegriffen im Vergleich zu Ihrer ab? So wird Feed-Qualität von einem subjektiven Eindruck zu etwas, das ein Team tatsächlich messen und über die Zeit verfolgen kann.
Warum Feed-Benchmarking wichtig ist
Ohne Benchmark lässt sich kaum erkennen, ob ein Feed tatsächlich unterdurchschnittlich abschneidet oder sich einfach in einer wettbewerbsintensiven Kategorie bewegt – ein Händler vermutet bei einer schwachen Conversion vielleicht ein Preisproblem, obwohl die Wettbewerber in Wahrheit eine dichtere Attributabdeckung und besser strukturierte Titel haben. Benchmarking macht diese Lücke direkt sichtbar, indem es strukturelle Vollständigkeit und von der Plattform gemeldete Qualitätssignale nebeneinanderstellt, und verwandelt so das vage Gefühl, dass etwas nicht stimmt, in eine konkrete, umsetzbare Liste. Es macht außerdem eine fortlaufende Feed-Optimierung belastbar: Statt Felder nach Gefühl anzupassen, kann ein Team aufzeigen, wo der Feed hinter einem messbaren Standard zurückbleibt, und die Korrekturen entsprechend priorisieren.
So funktioniert es
Benchmarking beginnt typischerweise damit, strukturelle Daten eines Feeds zu erheben – Attributvollständigkeit, Bildqualität, Titellänge, Kategorieabdeckung – und sie entweder mit einer Gruppe von Wettbewerbern oder mit der eigenen historischen Ausgangsbasis des Händlers zu vergleichen. Auch von Plattformen gemeldete Kennzahlen fließen ein: Der Optimierungsfaktor eines Kanals liefert eine standardisierte Einschätzung, wie gut ein Feed die verfügbaren Attribute nutzt, und lässt sich über die Zeit oder im Vergleich zu Kategorienormen verfolgen. Manches Benchmarking stützt sich zudem auf die Logfile-Analyse, die untersucht, wie Suchmaschinen-Crawler tatsächlich mit den aus dem Feed erzeugten Produktseiten interagieren, denn ein Feed kann auf dem Papier vollständig aussehen und in der organischen Auffindbarkeit trotzdem schwach abschneiden. Das Ergebnis ist in der Regel eine Scorecard – nach Kategorie, nach Attribut, nach Kanal –, die ein Team in regelmäßigen Abständen erneut prüft, statt nur ein einmaliges Audit durchzuführen.
Beispiel
<item>
<g:id>SKU-71029</g:id>
<title>Ceramic Non-Stick Frying Pan 28cm</title>
<g:price>42.50 USD</g:price>
<g:gtin>00196565119999</g:gtin>
<g:custom_label_2>benchmark_gap:missing_material_attribute</g:custom_label_2>
<g:custom_label_3>competitor_avg_title_len:62</g:custom_label_3>
</item>Keines der beiden custom_label-Felder wird hier direkt von Google oder Meta ausgewertet – es sind interne Tags, die ein Benchmarking-Prozess anhängen kann, um zu markieren, dass diesem Artikel ein Attribut fehlt, das Wettbewerber häufig angeben, und wie seine Titellänge im Vergleich zum Kategoriedurchschnitt ausfällt.
Verwandte Begriffe
Feed-Benchmarking geht Hand in Hand mit der Feed-Optimierung: Benchmarking deckt die Lücke auf, Optimierung schließt sie. Von Plattformen gemeldete Werte zum Optimierungsfaktor und die Logfile-Analyse des Crawler-Verhaltens fließen beide in ein gründliches Benchmarking ein und ergeben ein vollständigeres Bild als die Attributvollständigkeit allein. Teams, die zum ersten Mal einen wiederholbaren Benchmarking-Prozess aufbauen, finden in Die Checkliste für E-Commerce-Manager für ein lückenloses Produktfeed-Audit einen strukturierten Ausgangspunkt.
