Wie Google Shopping APIs moderne E-Commerce-Intelligenz ermöglichen

Wenn ein Käufer auf Google nach einem Produkt sucht, sind die Shopping-Ergebnisse eine Live-Momentaufnahme des Marktes: welche Händler es verkaufen, zu welchem Preis, mit welchem Versand, so wie es dieser Käufer von seinem Standort aus sieht. Für ein E-Commerce-Team beantwortet diese Momentaufnahme Fragen, für die man sonst Dutzende einzelner Crawls bräuchte: Wer unterbietet uns, bei welchen Produkten, in welchen Märkten und um wie viel.

Eine Google Shopping API verwandelt diese Momentaufnahme in strukturierte Daten, die sich nach Zeitplan abfragen lassen. Dieser Leitfaden behandelt, wofür Teams sie nutzen, wie man sie so sammelt, dass die Zahlen vertrauenswürdig sind, und ein kleines Stück Code, das Suchergebnisse in eine Preisübersicht verwandelt. Er ist Teil der breiteren Praxis der Preisintelligenz, wobei Shopping-Daten einer ihrer effizientesten Inputs sind.

Warum sich Shopping-Daten vom Crawlen von Händlern unterscheiden

Der traditionelle Weg, die Preise der Konkurrenz zu beobachten, besteht darin, die Produktseiten jedes Händlers zu crawlen. Das funktioniert, skaliert aber schlecht: Jeder Händler braucht seinen eigenen Collector, seinen eigenen Parser und sein eigenes Produkt-Matching. Shopping-Ergebnisse drehen das Modell um:

• Eine Anfrage deckt viele Verkäufer ab. Eine einzige Suche liefert Angebote von jedem Händler, den Google für dieses Produkt listet.
• Produkte sind bereits gruppiert. Angebote für denselben Artikel erscheinen zusammen, was den Großteil der Mühe beim Abgleich von Produkten über Shops hinweg erspart.
• Sie zeigt die Sicht des Käufers. Die Ergebnisse spiegeln den Markt und die Sprache der Suche wider, einschließlich welche Verkäufer erscheinen und in welcher Reihenfolge, was tatsächlich die Klicks bestimmt.

Der Kompromiss betrifft die Abdeckung. Shopping-Ergebnisse zeigen die Händler, die dort gelistet sind, nicht jeden Verkäufer im Markt, und sie zeigen den gelisteten Preis, der sich vom Preis nach einem Gutschein oder an der Kasse unterscheiden kann. Für eine Verfolgung des gesamten Katalogs braucht man weiterhin Händler-Crawls; für eine marktweite Sicht auf die eigenen Schlüsselprodukte sind Shopping-Daten oft schneller und günstiger. Unser Leitfaden zum Aufbau eines Echtzeit-Feeds für Wettbewerbspreise behandelt die Kombination beider Ansätze.

Wofür Teams sie nutzen

Frage	Was die Daten zeigen
Sind wir wettbewerbsfähig bepreist?	Unser Rang beim Preis für jedes Produkt und der Abstand zum günstigsten Verkäufer
Wer unterbietet uns?	Welche Verkäufer unter uns erscheinen, wie oft und bei welchen Produkten
Wie überfüllt ist dieses Produkt?	Die Anzahl der Verkäufer und wie weit die Preise streuen
Läuft bei einem Mitbewerber eine Aktion?	Plötzliche Preissenkungen bei den Produkten eines Verkäufers
Wie unterscheiden sich Märkte?	Die Verkäufer und Preise desselben Produkts in jedem Land
Verstoßen Wiederverkäufer gegen die Preispolitik?	Autorisierte Verkäufer, die unter dem empfohlenen Mindestverkaufspreis listen

Dieser letzte Anwendungsfall betrifft ebenso sehr den Markenschutz wie die Preisgestaltung: Hersteller nutzen Shopping-Daten, um nicht autorisierte Verkäufer und Verstöße gegen Mindestpreise zu erkennen, ohne jeden Wiederverkäufer zu crawlen.

Sie richtig sammeln

Shopping-Ergebnisse hängen davon ab, wer fragt, daher ist konsistentes Sammeln wichtiger als Volumen.

1. Standort und Sprache fixieren. Ergebnisse ändern sich je nach Land und oft je nach Stadt. Verwende bei jedem Durchlauf dieselben Standort- und Spracheinstellungen, sonst vermischen sich Vergleiche zwischen Durchläufen über Märkte hinweg.
2. Stabile Suchanfragen verwenden. Suche jedes Mal mit denselben Produktbegriffen, idealerweise dem Produktnamen und der Modellnummer, damit dieselben Angebote zurückkommen.
3. In einem zum Markt passenden Rhythmus sammeln. Untersuchungen zu Online-Preisen zeigen, dass wöchentliches Sammeln die meisten regelmäßigen Preisänderungen bei großen Händlern erfasst, während schnelllebige Kategorien und Aktionen tägliche Prüfungen benötigen. Unsere Studie dazu, wie schnell sich Online-Preise ändern, behandelt die Belege.
4. Die Rohdaten aufbewahren. Speichere die vollständige Antwort jedes Durchlaufs mit Zeitpunkt und Einstellungen, damit sich ein Befund später erneut prüfen lässt.
5. Preise vor dem Vergleich normalisieren. Währungen, Dezimalformate und Steuerinklusion unterscheiden sich je nach Markt. Unser Leitfaden zum Normalisieren von Preisen, Zahlen und Daten über Gebietsschemata hinweg behandelt das Parsen.

Google-Suchen im großen Maßstab von den eigenen Servern aus durchzuführen, stößt schnell auf Blockaden und inkonsistente Ergebnisse, weshalb die meisten Teams eine dafür gebaute API nutzen. Shifters SERP API liefert Google-Shopping-Ergebnisse als strukturiertes JSON, mit dem von dir eingestellten Standort und der Sprache, sodass die Arbeit bei der Analyse beginnt statt beim Sammeln.

Von Ergebnissen zu einer Preisübersicht

Sobald Produkt, Verkäufer und Preis jedes Angebots in einen einfachen Datensatz überführt sind, erzeugen ein paar Zeilen Code die Übersicht, die ein Pricing-Team tatsächlich braucht. Das untenstehende Modul baut die Anfrageparameter für eine Suche auf und verwandelt die Angebote eines Durchlaufs in eine Zusammenfassung pro Produkt: den günstigsten Verkäufer, den Medianpreis, wie breit die Streuung ist und wo der eigene Shop steht.

from collections import defaultdict
from statistics import median


def shopping_params(query, location, country, language="en", api_key="YOUR_API_KEY"):
    """One Google Shopping search, as seen by a shopper in `location`."""
    return {"engine": "google_shopping", "api_key": api_key, "q": query,
            "location": location, "gl": country, "hl": language}


def market_view(offers, my_seller):
    """offers: [{"product": key, "seller": name, "price": float}] from one search run.

    For each product: the cheapest seller, the median price, how wide the spread
    is, and where `my_seller` ranks on price.
    """
    by_product = defaultdict(list)
    for o in offers:
        by_product[o["product"]].append(o)
    report = {}
    for product, rows in by_product.items():
        rows.sort(key=lambda o: o["price"])
        prices = [o["price"] for o in rows]
        mine = next((i for i, o in enumerate(rows) if o["seller"] == my_seller), None)
        report[product] = {
            "sellers": len(rows),
            "cheapest": f"{rows[0]['seller']} {prices[0]:.2f}",
            "median": round(median(prices), 2),
            "spread_pct": round(100 * (prices[-1] - prices[0]) / prices[0], 1),
            "my_rank": None if mine is None else mine + 1,
            "gap_to_cheapest_pct": None if mine is None
            else round(100 * (rows[mine]["price"] - prices[0]) / prices[0], 1),
        }
    return report

Ausgeführt mit einer Handvoll beispielhafter Angebote:

from shopping import market_view

offers = [   # illustrative results from one search run, mapped into the offer shape
    {"product": "air fryer 6qt", "seller": "Store A", "price": 89.99},
    {"product": "air fryer 6qt", "seller": "Our Store", "price": 99.00},
    {"product": "air fryer 6qt", "seller": "Store C", "price": 119.95},
    {"product": "blender 1.5l", "seller": "Our Store", "price": 54.00},
    {"product": "blender 1.5l", "seller": "Store B", "price": 59.99},
]
for product, view in market_view(offers, my_seller="Our Store").items():
    print(product, view)

air fryer 6qt {'sellers': 3, 'cheapest': 'Store A 89.99', 'median': 99.0, 'spread_pct': 33.3, 'my_rank': 2, 'gap_to_cheapest_pct': 10.0}
blender 1.5l {'sellers': 2, 'cheapest': 'Our Store 54.00', 'median': 57.0, 'spread_pct': 11.1, 'my_rank': 1, 'gap_to_cheapest_pct': 0.0}

Die Heißluftfritteuse ist ein überfülltes Produkt mit breiter Streuung, bei dem Our Store an zweiter Stelle liegt, 10 % über dem günstigsten Verkäufer. Der Mixer ist ein ruhiges Produkt, bei dem Our Store bereits am günstigsten ist. Lässt man denselben Bericht jeden Tag laufen, sind die Veränderungen, ein neuer Verkäufer unter dir, eine sich plötzlich verbreiternde Streuung, die Signale, auf die man reagieren sollte.

Signale in Entscheidungen verwandeln

• Dort bepreisen, wo du sichtbar bist. Produkte, bei denen du beim Preis auf Platz eins oder zwei liegst, gewinnen bereits beim Preis; es kann Spielraum geben, Marge zurückzugewinnen. Produkte, bei denen du am Ende liegst, sind dort, wo eine Preisänderung den meisten Traffic bewegt.
• Die Streuung beobachten, nicht nur das Minimum. Eine breite Streuung bedeutet meist einen Markt mit Preisspielraum; eine enge bedeutet ein Massenprodukt, bei dem kleine Unterschiede zählen.
• Aktionen von dauerhafter Repricing-Änderung trennen. Ein Preisrückgang eines Mitbewerbers, der sich innerhalb einer Woche umkehrt, ist eine Aktion; einer, der bestehen bleibt, ist ein neuer Preis. Unser Leitfaden zum Verfolgen von Konkurrenzaktionen und Rabattzyklen zeigt, wie man beides unterscheidet.
• Märkte vor der Expansion vergleichen. Die Anzahl der Verkäufer und ihre Preise in einem neuen Land zeigen, wie überfüllt er ist, bevor man dort listet.

Grenzen, die man im Blick behalten sollte

• Nicht jeder Verkäufer listet bei Google Shopping. Die Daten zeigen den sichtbaren Markt, nicht den gesamten Markt.
• Gelistete Preise sind nicht immer die endgültigen Preise. Versand, Steuern, Gutscheine und Mitgliederpreise können ändern, was der Käufer tatsächlich zahlt.
• Ergebnisse variieren zwischen identischen Suchen. Handle nach Mustern, die sich über mehrere Durchläufe hinweg halten, nicht nach der Reihenfolge eines einzelnen Durchlaufs.
• Personalisierung ist begrenzt, aber real. Verwende neutrale Einstellungen und einen festen Standort, um Durchläufe vergleichbar zu halten.

FAQ

Was ist eine Google Shopping API?

Ein Dienst, der Google-Shopping-Suchen für dich durchführt und die Ergebnisse als strukturierte Daten zurückgibt: die Produkte, die sie anbietenden Verkäufer und deren Preise, so wie sie vom angegebenen Standort und in der angegebenen Sprache aus erscheinen.

Was können E-Commerce-Teams mit Google-Shopping-Daten tun?

Die Preise von Mitbewerbern über viele Verkäufer hinweg gleichzeitig verfolgen, sehen, wo die eigenen Preise stehen, Aktionen und neue Verkäufer erkennen, Märkte vor einer Expansion vergleichen und Wiederverkäufer gegen empfohlene Mindestverkaufspreise prüfen.

Wie oft sollte ich Google-Shopping-Ergebnisse sammeln?

Wöchentlich reicht für viele Kategorien aus; täglich für schnelllebige, rund um Aktionen und in der Hochsaison. Standort, Sprache und Suchanfragen fest halten, damit Durchläufe vergleichbar bleiben.

Zeigt Google Shopping den Preis jedes Verkäufers?

Nein. Es zeigt die Händler, die ihre Produkte dort listen, und den gelisteten Preis, der sich vom Preis nach Versand, Gutscheinen oder an der Kasse unterscheiden kann. Kombiniere es mit direkten Händler-Crawls, wo vollständige Abdeckung benötigt wird.

Fazit

Google-Shopping-Ergebnisse sind eine der effizientesten Sichten auf den Markt eines Produkts: viele Verkäufer, bereits gruppiert, so wie sie ein lokaler Käufer sieht. Sammle sie mit festem Standort, fester Sprache und festen Suchanfragen, bewahre die Rohdaten auf, normalisiere die Preise und fasse jeden Durchlauf zu Rang, Streuung und Abstand zum günstigsten Verkäufer zusammen. Über die Zeit beobachtet, sagen diese wenigen Zahlen einem E-Commerce-Team, wo es Preise bewegen und wo es sie in Ruhe lassen sollte. Für umfassendere E-Commerce-Datenbedürfnisse siehe unsere E-Commerce-Lösungen.