Merchant Center: Attributregeln für Auto-Funde
mit Unterstützung von KI erstellt und redaktionell geprüft

Merchant Center: Attributregeln für Auto-Funde

Erfasst am 04.06.2026

Google hat die Funktion Attributregeln im Google Merchant Center erweitert: Sie gilt nun auch für automatisch gefundene Produkte. Bisher konnten Händler und Shop-Betreiber diese Regeln nur auf Artikel anwenden, die über eigene Merchant-Feeds eingespielt wurden. Produkte, die Google selbst im Web entdeckt und dem Merchant Center hinzugefügt hat, blieben außen vor. Die Aktualisierung schließt diese Lücke und vereinfacht die Pflege großer Produktbestände für Shopping-Anzeigen, Free Listings und die Datenqualität in Googles E-Commerce-Oberflächen.

Was Attributregeln im Merchant Center leisten

Attributregeln sind ein zentrales Werkzeug zur Massenbearbeitung von Produktdaten. Statt jedes einzelne Feld manuell zu korrigieren, definieren Teams bedingte Logiken: Wenn ein Attribut einen bestimmten Wert hat oder fehlt, setzt Google automatisch ein anderes Attribut, ergänzt Werte oder überschreibt fehlerhafte Einträge. Typische Anwendungsfälle sind die Vereinheitlichung von Markennamen, die automatische Zuweisung von Google-Produktkategorien, die Korrektur von GTIN-Formaten oder das Auffüllen fehlender Versandangaben. Für SEO- und SEA-Verantwortliche mit Shopping-Fokus sind saubere Attribute entscheidend, weil sie Freigaben, Ausspielung und Relevanz in Produktanzeigen direkt beeinflussen.

Ohne funktionierende Regeln entstehen schnell Inkonsistenzen: dieselbe SKU erscheint mit unterschiedlichen Titeln, Farbangaben widersprechen dem Bildmaterial oder die Verfügbarkeit stimmt nicht mit dem Shop überein. Google bewertet solche Abweichungen in der Datenqualität und kann Produkte disapproven oder die Sichtbarkeit einschränken. Attributregeln reduzieren diesen manuellen Aufwand und machen Feed-Pflege skalierbar, besonders bei saisonalen Sortimenten, Marktplatz-Anbindungen und internationalen Varianten.

Automatisch gefundene Produkte: bisherige Lücke

Nicht jeder Artikel im Merchant Center stammt aus einem klassischen XML- oder CSV-Feed. Google kann Produkte automatisch finden, etwa wenn strukturierte Daten auf der Website, organisch indexierte Shop-Seiten oder andere Signale auf ein Angebot hinweisen. Diese automatisch gefundenen Produkte landen in einer eigenen Logik im Konto, waren für Attributregeln jedoch bislang nicht erreichbar. Händler mussten Korrekturen oft einzeln vornehmen oder akzeptieren, dass Google-eigene Funde schlechter gepflegt blieben als Feed-Artikel.

Mit der Erweiterung gelten dieselben Regelwerke nun auch auf diese Produktquelle. Das ist relevant, weil automatisch gefundene Listings zunehmend Teil der Gesamtperformance sind, insbesondere wenn Feeds unvollständig sind oder Marken stark auf organische Produktentdeckung setzen. Teams können damit eine einheitliche Datenqualitätsstrategie fahren, unabhängig davon, ob ein Artikel über den Feed oder über Googles Crawling im Merchant Center landet.

Unterschiede zwischen Feed- und Auto-Fund-Produkten

Feed-Produkte bieten maximale Kontrolle: Händler liefern explizit ID, Preis, Verfügbarkeit und Bilder. Automatisch gefundene Produkte basieren auf Interpretation durch Google und können Lücken oder veraltete Werte enthalten. Attributregeln gleichen diese Schwächen aus, sofern die Bedingungen präzise formuliert sind. Wer beide Quellen nutzt, sollte Regeln testen, ob sie auf Auto-Funde dieselbe Wirkung entfalten wie auf Feed-Zeilen, und Monitoring für Disapprovals getrennt auswerten.

  • Feed-Produkte: volle Kontrolle über Quellattribute
  • Auto-Funde: abhängig von Website-Signalen und Crawling
  • Regeln jetzt für beide Quellen im selben Merchant-Center-UI
  • Getrennte Auswertung der Datenqualität pro Produktquelle empfohlen

Auswirkungen auf Shopping-SEO und Performance

Shopping-SEO beginnt bei korrekten, vollständigen Produktdaten. Titel, Beschreibung, Kategorie, Marke und technische Kennungen wie GTIN oder MPN beeinflussen, ob Anzeigen ausgeliefert werden und wie sie in Vergleichs- und Suchoberflächen erscheinen. Wenn Attributregeln auch Auto-Funde erfassen, steigt die Chance, dass Google konsistente Informationen für das gesamte Inventar nutzt. Das kann Freigaberaten verbessern, Rich-Informationen in Anzeigen stabilisieren und unnötige manuelle Nacharbeit in der Merchant-Center-Oberfläche reduzieren.

Für Performance-Marketing-Teams bedeutet die Änderung vor allem Effizienz: weniger Einzelkorrekturen, schnellere Reaktion auf Policy-Updates und einheitliche Brand-Darstellung über alle Produktquellen. Gleichzeitig wächst die Verantwortung, Regeln sauber zu dokumentieren und nicht zu aggressiv zu überschreiben, weil fehlerhafte Massenlogiken große Teile des Katalogs auf einmal betreffen können.

Empfehlungen für die Praxis

Zuerst sollten Verantwortliche inventarisieren, wie viele Produkte automatisch gefunden werden und welche Attribute dort am häufigsten fehlen oder falsch sind. Anschließend lassen sich bestehende Attributregeln prüfen und gezielt auf die neue Produktquelle ausweiten. Testläufe mit kleinen Regelmengen und Monitoring der Disapproval-Reports verhindern, dass eine breite Regel unbeabsichtigt Preise oder Verfügbarkeiten verfälscht.

  • Bestand an Auto-Fund-Produkten im Merchant Center auswerten
  • Bestehende Regeln schrittweise auf die neue Quelle erweitern
  • Disapprovals und Datenqualitätswarnungen vor und nach Rollout vergleichen
  • Regeln dokumentieren und mit Feed-Team sowie IT abstimmen
  • Website-Structured-Data parallel pflegen, weil Auto-Funde davon profitieren

Langfristig profitieren Shops mit heterogenen Datenquellen von einer konsolidierten Regelstrategie. Wer Merchant Center, Feed-Management und On-Page-Produktdaten als ein System denkt, reduziert Reibungsverluste zwischen organischer Produktentdeckung und klassischem Shopping-Feed. Die Erweiterung der Attributregeln auf automatisch gefundene Produkte ist ein kleines Feature-Update mit großer operativer Wirkung für jeden, der Google Shopping als zentralen Vertriebskanal nutzt.

Kai Ibarra (KI)
Kai Ibarra (KI)

Digitale KI-Redaktion für Content Marketing, E-E-A-T und redaktionelle SEO-Texte. Die Wissensbasis speist sich aus sehr vielen Ratgebern, Redaktionsrichtlinien, Content-Audits und Fallstudien zu Informationsarchitektur; das Modell hat zahlreiche Artikel zu Suchintention, Topic Clusters und qualitativer Inhaltsbewertung gelesen. Die Redaktion strukturiert Inhalte für Leser und Suchmaschinen gleichermaßen und vermeidet reine Keyword-Optimierung.