Visuelle Suche und Bilderkennung im Mode-Commerce
Mit Bilderkennung können Konsumenten und Einkäufer per Bild suchen, und Marken können Produkte automatisch verschlagworten. Wie die Technologie funktioniert, wo sie gut abschneidet und wovon sie abhängt.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- Visuelle Suche wandelt Bilder in numerische Darstellungen um, damit sich Produkte mit ähnlichem Aussehen schnell finden lassen.
- Der unmittelbarste geschäftliche Nutzen ist für viele Marken das automatisierte Attribut-Tagging, das Filter, Suche und Produktdatenqualität verbessert.
- Die Ergebnisse hängen stark von einheitlicher Produktfotografie und gut strukturierten Katalogdaten ab.
- Visuelle Ähnlichkeit ist nicht gleich Relevanz, deshalb sollten Ergebnisse Bildabgleich mit Verfügbarkeit, Preis und Geschäftsregeln kombinieren.
- Bilderkennung ist auch im B2B nützlich, etwa um Modelle in grossen digitalen Kollektionen zu finden oder Musterteile Katalogartikeln zuzuordnen.
Eine Kundin sieht eine Jacke auf einem Streetstyle-Foto, lädt das Bild hoch und findet innert Sekunden ähnliche Modelle an Lager. Ein Einkäufer fotografiert das Schaufenster eines Wettbewerbers und will wissen, welche Teile in der Kollektion einer Marke am nächsten herankommen. Ein Contentteam braucht vor dem Launch Tags zu Ausschnitt, Ärmel und Muster für Hunderte neuer Produkte. Alle drei stützen sich auf dieselbe Technologie: Computer Vision, die erkennt, was auf einem Modebild zu sehen ist, und visuell ähnliche Artikel findet.
Wie funktioniert visuelle Suche?
Moderne Bilderkennungsmodelle wandeln ein Bild in eine Zahlenreihe um, oft Embedding genannt, die seine visuellen Merkmale erfasst: Form, Farbe, Textur, Muster und Details. Bilder, die sich ähneln, erzeugen ähnliche Embeddings. Die visuelle Suche vergleicht das Embedding eines Suchbilds mit denen aller Katalogbilder und liefert die nächstgelegenen Treffer.
Dieselben Modelle lassen sich darauf trainieren oder anpassen, bestimmte Attribute zu erkennen, etwa «Rundhals», «Puffärmel» oder «Hahnentritt», und einzelne Artikel auf dem Foto eines kompletten Outfits zu erkennen. Manche Systeme verknüpfen zudem Bilder und Text, sodass eine Suche nach «oversized Trenchcoat in Beige» direkt mit Produktbildern abgeglichen werden kann.
Wo wird sie im Mode-Commerce eingesetzt?
| Anwendung | Was sie tut | Hauptnutzen |
|---|---|---|
| Suche per Bild | Kunden laden ein Foto hoch, um ähnliche Produkte zu finden | Erfasst Nachfrage, die sich schwer in Worte fassen lässt |
| Ähnliche Artikel | Zeigt visuell verwandte Produkte auf einer Produktseite | Alternativen, wenn eine Grösse oder Farbe nicht verfügbar ist |
| Automatisiertes Tagging | Vergibt Attribute wie Muster, Ausschnitt oder Länge | Bessere Filter, schnellere Contentproduktion |
| Shop the Look | Erkennt Artikel auf einem Outfitbild und verlinkt sie mit Produkten | Grössere Warenkörbe dank redaktioneller Bildwelten |
| Qualitätsprüfung des Katalogs | Erkennt falsche Bilder, Duplikate oder falsch bezeichnete Farben | Weniger Fehler in den Produktdaten |
| Kollektionssuche im B2B | Findet Modelle in grossen digitalen Kollektionen per Bild | Schnellere Navigation für Einkäufer und Vertriebsteams |
Für viele Marken bringt das automatisierte Tagging zuerst Nutzen. Einheitliche Attribute verbessern die Filter im Shop, helfen Suchmaschinen, Produkte zu verstehen, und liefern Empfehlungs- und Prognosemodellen bessere Eingaben.
Was bestimmt die Qualität der Ergebnisse?
- Fotografiestandards: Einheitliche Hintergründe, Blickwinkel und Beleuchtung machen den Abgleich weit verlässlicher als gemischte Bildwelten.
- Katalogabdeckung: Jedes relevante Produkt braucht gute Bilder, einschliesslich aller Farbstellungen.
- Mode-spezifisches Training: Allgemeine Bildmodelle verwechseln oft feine Unterschiede, etwa ähnliche Stoffe oder subtile Schnittunterschiede, die für Kunden zählen.
- Attributdefinitionen: Tags müssen einem klaren, kontrollierten Vokabular folgen, das Merchandising und Contentteams vereinbart haben.
- Farbtreue: Beleuchtung und Bildschirmunterschiede machen Farbe zu einem der am schwersten zuverlässig erkennbaren Attribute.
Wo liegen die Grenzen?
Visuelle Suche funktioniert am besten bei klar fotografierten, markanten Produkten. Schwer tut sie sich mit Nutzerfotos von geringer Qualität, stark gestylten Bildern, teilweise verdeckten Kleidungsstücken und Produkten, deren Unterschied in Material oder Verarbeitung statt im Aussehen liegt. Ein Wollmantel und einer aus Synthetik können auf einem Foto nahezu identisch aussehen.
Auch automatisiertes Tagging macht Fehler, besonders bei subtilen oder subjektiven Attributen wie «lockere Passform» oder Stilkategorien. Ein sinnvoller Ansatz lässt die KI Tags mit einem Konfidenzwert vorschlagen, übernimmt Tags mit hoher Konfidenz automatisch und leitet unsichere zur Prüfung an eine Person weiter.
Hinzu kommen Datenschutzfragen, wenn Kunden eigene Fotos hochladen. Die Bilder können Gesichter, Wohnungen oder andere Personen zeigen, deshalb sollten Marken sie nur für die Suche selbst verarbeiten, sie nicht länger als nötig speichern und klar erklären, wie mit hochgeladenen Bildern umgegangen wird. Diese Pflichten ergeben sich aus Datenschutzregeln, die bereits für alle personenbezogenen Daten gelten, die eine Marke erhebt.
Wie sollte eine Marke beginnen?
- Definieren Sie das Problem: bessere Produktsuche im Shop, schnelleres Tagging oder höhere Katalogqualität.
- Prüfen Sie Fotografie und Katalogdaten, denn sie bestimmen, was die Technologie leisten kann.
- Vereinbaren Sie ein kontrolliertes Vokabular für die Attribute, die Sie verschlagworten wollen.
- Testen Sie an einer repräsentativen Stichprobe von Produkten und messen Sie die Genauigkeit pro Attribut vor dem Rollout.
- Überwachen Sie nach dem Launch die Leistung, einschliesslich der Nutzung der visuellen Suche durch Kunden und des Anteils der von Mitarbeitenden korrigierten Tags.
Im Wholesale hilft dieselbe Technologie Einkäufern, sich in grossen digitalen Kollektionen zurechtzufinden. Ein Einkäufer, der eine bestimmte Silhouette oder einen bestimmten Print sucht, findet sie per Bild, statt durch Hunderte Modelle zu scrollen, und Vertriebsteams können ein fotografiertes Musterteil während eines Termins rasch seinem Katalogeintrag zuordnen.
Visuelle Suche ist nicht neu, aber sie ist genauer und zugänglicher geworden. Ihr eigentlicher Beitrag ist oft weniger sichtbar als ein Kamerasymbol in der Suchleiste: sauberere, einheitlichere Produktdaten, die jeden Kanal verbessern, in dem Produkte präsentiert werden, von der eigenen Website der Marke über Handelspartner bis zu B2B-Orderplattformen.
Häufige Fragen
Lohnt sich visuelle Suche für eine mittelgrosse Modemarke?
Oft ist der wertvollste Einstieg das automatisierte Attribut-Tagging statt einer Bildsuche für Kunden. Tagging verbessert Filter, Suche und Datenqualität über alle Kanäle und bringt selbst bei moderatem Traffic im Shop Nutzen.
Warum liefert visuelle Suche manchmal die falsche Farbe?
Farbe hängt von Beleuchtung, Kameraeinstellungen und Bildschirmen ab, und Modelle können durch diese Schwankungen in die Irre geführt werden. Einheitliche Produktfotografie und die Kombination von Bilderkennung mit strukturierten Farbdaten verringern solche Fehler.
Kann Bilderkennung das manuelle Produkt-Tagging ersetzen?
Sie kann einen grossen Teil des Routine-Taggings übernehmen, doch subtile oder subjektive Attribute brauchen weiterhin eine Prüfung. Ein Konfidenz-Schwellenwert, bei dem unsichere Tags an Mitarbeitende gehen, schafft eine gute Balance zwischen Tempo und Genauigkeit.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
