Shop-Attribution mit Agenten: Bestellungen vor Dashboard

Erst die Bestellungen, dann ihre mögliche Herkunft

Der gezeigte Aufbau verbindet eine Framer-Website mit Shopify als Shopgrundlage. Zu Beginn fehlten mir brauchbare Angaben dazu, woher die Bestellungen kamen. Mit dem ergänzten Datensystem wurden in Shopify Herkunftshinweise sichtbar, etwa organische Google-Suche, bezahlte Kampagnen, Facebook oder direkte Zugriffe. Das machte die ursprüngliche Frage erstmals konkreter bearbeitbar.

Shopify bezeichne ich im Video als Ausgangsquelle für die Bestellungen. Für die Prüfung ist diese Eingrenzung wichtig: Eine dort vorhandene Bestellung ist ein anderer Nachweis als die Behauptung, dass ein bestimmter Werbekontakt den Kauf verursacht hat. Die Bestellung liefert einen festen Bezugspunkt. Ihre Herkunft kann trotzdem unklar bleiben, unterschiedlich eingeordnet werden oder sich nicht vollständig rekonstruieren lassen.

Ich würde deshalb zwei Fragen getrennt notieren. Erstens: Welche Bestellungen liegen im betrachteten Zeitraum vor? Zweitens: Welche Herkunftshinweise sind diesen Bestellungen zugeordnet, und worauf beruhen sie? Wenn beides sofort zu einer einzigen Kennzahl verschmilzt, verschwindet die Unsicherheit. Ein übersichtlicher Bericht wäre dann leichter zu lesen, aber schwerer ehrlich zu beurteilen.

Der Widerspruch wurde zum Debuggingauftrag

Im Film beschreibe ich eine Lücke: Google Ads zeigte über einen längeren Abschnitt keine Conversions, obwohl in Shopify Bestellungen mit entsprechenden Herkunftshinweisen vorhanden waren. Ähnliche Abweichungen gab es nach meiner Schilderung auch bei anderen verbundenen Oberflächen. Ich habe den Agenten darauf angesetzt und immer wieder auf die Bestellungen als Vergleichsgrundlage verwiesen.

Das ist ein konkreterer Auftrag als „optimiere unser Tracking“. Der Agent bekommt einen sichtbaren Widerspruch und soll dessen Datenweg untersuchen. Welche Bestellung wurde erfasst? Welche Zuordnung steht daneben? Welche Information erreicht die andere Oberfläche? Im Video schildere ich mehrere Runden der Fehlersuche, keinen einmaligen Prompt, der das gesamte Tracking von selbst repariert hätte.

Für eine eigene Untersuchung würde ich außerdem Zeitraum, Zeitzone und die Bedeutung der verglichenen Ereignisse schriftlich festhalten. Das ist eine praktische Prüfliste, nicht die Behauptung, dass alle diese Punkte im Film als Fehler gefunden wurden. Sie verhindert, dass man unterschiedliche Ausschnitte für denselben Bestand hält. Erst wenn der Vergleich klar ist, lässt sich sinnvoll entscheiden, ob eine Implementierung geändert werden muss.

Der Agent baut mit, das Datensystem arbeitet weiter

Eine kleine Selbstkorrektur im Video ist besonders aufschlussreich. Zunächst beschreibe ich, wie ein neues Bestellsignal ankommt und eingeordnet wird, als würde der Agent diese Zuordnung übernehmen. Dann korrigiere ich mich: Im laufenden Ablauf macht das System selbst die Zuordnung anhand der Signale. Der Agent muss dafür nicht jedes Mal neu tätig werden.

Diese Unterscheidung geht in vielen Beschreibungen von Agentensystemen verloren. Ein Agent kann eine Integration entwickeln, Fehler suchen und Regeln überarbeiten. Daraus folgt nicht, dass jeder einzelne Vorgang anschließend eine neue Sprachmodellentscheidung benötigt. Im gezeigten Fall beschreibe ich eine dauerhaft erreichbare Dateninfrastruktur, während Hermes mein Werkzeug für Analyse und Weiterentwicklung bleibt.

Ich übernehme daraus keine heutige Hosting- oder Kostenempfehlung. Die damalige Aussage, dass der kleine Aufbau im verwendeten Rahmen ohne zusätzliche Hostingkosten lief, sagt nichts über andere Projekte und deren Anforderungen. Der übertragbare Gedanke ist enger: Trenne den Betrieb des Datenwegs von der Arbeit des Agenten am Datenweg. So wird klarer, welche Komponente gerade einen Fehler haben könnte und wo eine menschliche Änderung erforderlich ist.

Prozentwerte brauchen ihren Zeitraum

Später frage ich Hermes nach der Herkunft der Verkäufe. Während ich die Antwort durchgehe, merke ich an, dass sie sich auf die letzten sieben Tage bezieht. Die zuvor besprochene Verteilung war anders. Das ist kein nebensächlicher Kommentar: Eine Kanalverteilung kann sich verändern, und verschiedene Zeitfenster beantworten unterschiedliche Fragen.

Wer eine aktuelle Wochenansicht mit einer älteren Gesamtaussage vermischt, baut leicht eine scheinbar schlüssige Geschichte. Im Film ist organische Suche weiterhin wichtig, der ausgewiesene Anteil unterscheidet sich aber von der vorher erwähnten Zahl. Für den Artikel ist deshalb nicht die einzelne Prozentzahl der entscheidende Befund. Es ist der sichtbare Moment, in dem der Zeitraum der Antwort geprüft werden muss.

Meine praktische Konsequenz wäre, jeden solchen Bericht mit Zeitraum und Datenstand beginnen zu lassen. Danach sollten ungeklärte Zuordnungen ausdrücklich stehen bleiben. „Direkt“ wird im Video selbst als Bereich beschrieben, dessen Herkunft nicht genauer bekannt ist. Ein Agent sollte diese Lücke nicht mit einer plausiblen Kanalgeschichte füllen, nur damit die Aufteilung vollständig aussieht. Eine offene Kategorie kann die ehrlichere Grundlage für eine Entscheidung sein.

Aus der Datenbasis werden begrenzte nächste Versuche

Mit den gewonnenen Informationen bespreche ich im Video verschiedene Arbeitsrichtungen: Blog und organische Suche, Google-Kampagnen und Inhalte für Meta. Der Ablauf ist wiederholend. Eine Maßnahme läuft, danach werden die Signale erneut betrachtet und mögliche Änderungen besprochen. Bei Google nenne ich beispielsweise negative Keywords, bei Meta andere Inhalte. Das sind konkrete Arbeitspunkte statt einer allgemeinen Aufforderung, mehr Marketing zu machen.

Die Daten sollen dabei helfen, Aufmerksamkeit zu verteilen. Sie entscheiden nicht automatisch, welcher Kanal für immer der beste ist. Ein kurzer Zeitraum, wenige Bestellungen oder eine noch lückenhafte Zuordnung können ein sehr instabiles Bild liefern. Deshalb würde ich vor jeder Änderung notieren, welche Beobachtung sie begründet und woran man den nächsten Versuch beurteilen möchte. Sonst wird aus wiederholtem Ausprobieren nur ein Wechsel zwischen jeweils auffälligen Zahlen.

Die Darstellung im Video enthält Aussagen über gestiegene Verkäufe. Gleichzeitig erwähne ich den anfänglichen Start mit vorhandener Community, Facebook, Newsletter und Rabatt. Schon diese Beschreibung zeigt mehrere mögliche Einflüsse. Aus der zeitlichen Folge lässt sich nicht sauber herauslesen, welcher Anteil auf einzelne Maßnahmen oder Agenten zurückgeht. Ich würde daher vom Aufbau einer besseren Entscheidungsgrundlage sprechen, nicht von einem bewiesenen autonomen Wachstumsmotor.

Eine zentrale Bedienung ersetzt nicht die Trennung der Aufgaben

Zum Schluss zeige ich, dass ich Analysen und Websiteaufträge auch über Telegram anstoßen kann. Ein möglicher Auftrag ist, eine andere Startseitenfassung zu entwerfen und im Browser als Vorschau zu zeigen. Erst danach entscheide ich über weitere Änderungen und die Veröffentlichung. Der gemeinsame Bedienweg spart das Wechseln zwischen einzelnen Werkzeugen, macht aber aus einem Entwurf noch keine freigegebene Änderung.

Für einen eigenen Einstieg würde ich darum nicht versuchen, sofort das gesamte Shopmarketing über einen Agenten zu steuern. Ich würde einen Bericht über einen klaren Zeitraum erstellen lassen, dessen Bestellungen gegen die Ausgangsquelle prüfen und die ungeklärten Zuordnungen sichtbar machen. Danach kann eine einzelne Frage folgen, etwa welche Kampagne genauer untersucht werden sollte. Damit bleibt nachvollziehbar, wo die Daten enden und die Entscheidung beginnt.

Was bleibt.

Der nützlichste Teil dieses Aufbaus ist für mich die Möglichkeit, einen Widerspruch bis zu seiner Quelle zurückzuverfolgen. Erst dann werden Empfehlungen zu Kanälen oder Kampagnen belastbarer.

Wenn dein Agent schon Maßnahmen vorschlägt, aber die zugrunde liegenden Bestellungen und Zeiträume nicht sauber erklären kann, würde ich dort zuerst weiterarbeiten.