Amazon COSMO erklärt: So versteht der Wissensgraph deine Produkte

Wie COSMO aus Kundendaten lernt

COSMO nutzt Large Language Models, um strukturiertes Produktwissen aus vier Datenquellen zu gewinnen:

• Query-Purchase-Paare: Welche Suchanfragen führen zu welchen Käufen?
• Co-Purchase-Paare: Welche Produkte werden in derselben Session zusammen gekauft?
• Rezensionsinhalte: Welche Anwendungsszenarien, Zielgruppen und Kontexte beschreiben Kunden?
• Produktbeschreibungen: Welche Eigenschaften und Funktionen kommuniziert das Listing?

Aus diesen Daten generiert COSMO typisierte Relationen. Ein Beispiel: Wenn zahlreiche Kunden nach „Blutdruckmessgerät für Senioren“ suchen und anschließend ein Gerät mit großem Display und Einknopfbedienung kaufen, lernt das System mehrere Relationen: used_for_aud: Senioren, capable_of: einfache Bedienung und used_in_loc: Zuhause. Diese Relationen werden Teil des Wissensgraphen und beeinflussen künftige Suchergebnisse.

Die Qualität dieser automatischen Wissenserkennung lässt sich beziffern: In der SIGMOD-Studie erzielte COSMO-LM einen 60 % höheren Macro-F1-Score als die beste bisherige Baseline. Der Macro-F1-Score ist ein Standardmaß aus der Informationswissenschaft. Er misst, wie zuverlässig ein Modell Zusammenhänge erkennt und wie wenige Fehler es dabei macht. Ein Plus von 60 % bedeutet: COSMO-LM erkennt deutlich zuverlässiger, welche Zusammenhänge zwischen Produkten und Kaufsituationen typisch und belastbar sind und filtert zufällige Korrelationen heraus.

Amazon setzt dafür auf einen „Human-in-the-loop“-Prozess: Menschliche Prüfer bewerten automatisch generierte Relationen nach Plausibilität und Repräsentativität. Von den generierten Hypothesen übersteht nur rund ein Drittel diese Prüfung (SIGMOD 2024). Für den Wissensgraphen bedeutet das höhere Datenqualität bei den Relationen, die über die Ausspielung deines Produkts entscheiden.

Funktion und Produkt: Was es kann und ist

Diese sechs Relationen definieren den Kernzweck, die Fähigkeiten und die Einordnung deines Produkts:

• used_for_func: die Kernfunktion, wofür das Produkt primär eingesetzt wird. Beim Blutdruckmessgerät: Blutdruck und Puls messen. Diese Relation klingt trivial, wird aber oft nicht explizit genug kommuniziert: etwa wenn ein Listing nur „Gesundheitsmonitor“ schreibt, statt „misst systolischen und diastolischen Blutdruck sowie Puls“.
• capable_of: spezifische Fähigkeiten und Features, die das Produkt auszeichnen. Beim Blutdruckmessgerät: Arrhythmie-Erkennung, Durchschnittswertberechnung aus drei Messungen, Speicherung für zwei Personen. Genau diese konkreten Fähigkeiten entscheiden, ob COSMO dein Produkt bei spezifischen Anfragen wie „Blutdruckmessgerät mit Herzrhythmus-Erkennung“ matchen kann.
• used_to: das Problem, das das Produkt löst. Beim Blutdruckmessgerät: Bluthochdruck überwachen, Messwerte für den Arztbesuch dokumentieren. Gerade bei intentionsbasierten Suchanfragen wie „Blutdruck zuhause kontrollieren“ ist diese Relation der Schlüssel.
• is_a: die Kategoriezuordnung. Wie ordnet COSMO dein Produkt taxonomisch ein? Beim Blutdruckmessgerät: Medizingerät, Gesundheitselektronik, Oberarm-Blutdruckmessgerät. Je präziser die Einordnung, desto gezielter die Ausspielung.
• used_as: die Rolle des Produkts. Wird es als Ersatzteil, Geschenk oder Upgrade eingesetzt? Beim Blutdruckmessgerät: Ergänzung zum Arztbesuch, Einstieg ins Selbstmonitoring, Geschenk für die Eltern. Wenn Rezensionen häufig „als Geschenk für meine Mutter gekauft“ erwähnen, lernt COSMO diese Rolle.
• used_with: Komplementärprodukte, die typischerweise zusammen verwendet werden. Beim Blutdruckmessgerät: XL-Manschetten für größere Oberarme, Netzteile, Aufbewahrungsetuis, Blutdruck-Tagebücher. COSMO lernt diese Zusammenhänge aus Co-Purchase-Daten. Wenn Kunden regelmäßig Ersatzmanschetten zum Messgerät kaufen, stärkt das die Relation.

Zielgruppe und Motivation: Für wen es gedacht ist

Diese fünf Relationen beschreiben, wer das Produkt braucht, wer es kauft und warum:

• used_for_aud: die definierte Zielgruppe. Beim Blutdruckmessgerät: Hypertoniker, Senioren, Schwangere mit erhöhtem Blutdruck-Risiko. Diese Relation beantwortet die Frage: Für wen ist das Produkt explizit entwickelt?
• used_by: wer das Produkt im Alltag kauft und nutzt. Oft aus Rezensionsdaten abgeleitet. Beim Blutdruckmessgerät: Patienten selbst, pflegende Angehörige, gesundheitsbewusste Erwachsene ab 40. Der Unterschied zu used_for_aud: Dort steht, für wen es gedacht ist. Hier steht, wer es in der Praxis nutzt – manchmal eine ganz andere Gruppe.
• x_interested_in: Interessen und Affinitäten der Zielgruppe, die über das Produkt hinausgehen. Beim Blutdruckmessgerät: Gesundheitsvorsorge, Fitness-Tracking, Telemedizin. Diese Relation hilft COSMO bei Anfragen wie „Gesundheitsprodukte für zuhause“, auch wenn das Wort „Blutdruckmessgerät“ nicht vorkommt.
• x_is_a: Eigenschaften der Zielgruppe. Beim Blutdruckmessgerät: gesundheitsbewusst, vorsorgeorientiert, eventuell chronisch krank. COSMO nutzt diese Meta-Information, um Zielgruppen-Cluster zu bilden und Produkte übergreifend zu verknüpfen.
• x_want: was die Zielgruppe erreichen will, übergeordnete Ziele und Bedürfnisse. Beim Blutdruckmessgerät: Gesundheit eigenständig überwachen, Arztbesuche vorbereiten, Medikamentenwirkung kontrollieren. Diese Relation ist besonders wertvoll bei Suchanfragen, die ein Ziel formulieren statt ein Produkt zu benennen.

Kontext und Situation: Wann und wo es eingesetzt wird

Diese vier Relationen beschreiben die Umstände, unter denen dein Produkt gebraucht wird:

• used_in_loc: der Einsatzort. Beim Blutdruckmessgerät: Zuhause, unterwegs (Reise-Blutdruckmessgerät), in der Arztpraxis. Ein Listing, das „kompakt und leicht für unterwegs“ erwähnt, bedient diese Relation aktiv.
• used_for_eve: der Anlass oder die Aktivität. Beim Blutdruckmessgerät: Routinemessung morgens und abends, Kontrolle vor dem Arztbesuch, Überwachung nach Medikamentenumstellung. Wenn dein Listing solche Anlässe benennt, kann COSMO dein Produkt bei situationsbezogenen Anfragen ausspielen.
• used_on: Oberfläche oder Material, auf dem das Produkt eingesetzt wird. Diese Relation ist stärker bei Produkten wie Farben (auf Holz), Cremes (auf Haut) oder Werkzeugen (auf Metall). Beim Blutdruckmessgerät ist sie weniger zentral. Nicht jede der 15 Relationen ist für jedes Produkt gleich relevant. COSMO gewichtet automatisch, welche Relationen für eine Produktkategorie typisch sind.
• used_in_body: die Körperstelle, vor allem relevant für Kosmetik, Medizinprodukte und Wearables. Beim Blutdruckmessgerät: Oberarm oder Handgelenk. Diese Information ist entscheidend für die Differenzierung: „Oberarm-Blutdruckmessgerät“ und „Handgelenk-Blutdruckmessgerät“ sind für COSMO zwei verschiedene Produkttypen.

Drei Schwachstellen, die Sichtbarkeit kosten

1. Leere Relationen: Dein Listing adressiert gewisse Relationen gar nicht. Wenn du zum Beispiel keine Anwendungsszenarien beschreibst und auch die Rezensionen zu deinem Produkt dahingehend keinen Aufschluss geben, kann COSMO keine Kontext-Relationen bilden, und dein Angebot ist bei kontextbezogenen Suchanfragen unsichtbar.
2. Widersprüchliche Signale: Dein Produktangebot und die dazugehörigen Kundenrezensionen erzählen verschiedene Geschichten. COSMO folgt den Rezensionen und nimmt die Widersprüchlichkeit wahr, d.h. deine Positionierung wird unterlaufen.
3. Fehlende Kontextdimensionen: Dein Listing ist bei den Kernfunktionen gut aufgestellt, deckt aber andere relevante Dimensionen nicht ab. Das bedeutet nicht, dass du versuchst, „alles für alle“ zu sein. Im Gegenteil: Bleibe klar in deiner Positionierung, aber kommuniziere auch die Kontexte, die zu deiner Zielgruppe passen. Ein Blutdruckmessgerät für Senioren sollte nicht nur die Messfunktion beschreiben, sondern auch den Einsatzort (Zuhause), den Anlass (Routinemessung morgens und abends) und die Komplementärprodukte (XL-Manschette, Aufbewahrungstasche) benennen. Jede fehlende Dimension ist eine verpasste Ausspielung bei entsprechenden Suchanfragen.

Was ist Amazon COSMO und welche Rolle spielt es für die Produktsuche?

Amazon COSMO (Common Sense Knowledge Generation and Serving System) baut einen Wissensgraphen mit 6,3 Millionen Knoten und 29 Millionen Verbindungen auf. Das System extrahiert über Large Language Models strukturiertes Produktwissen aus Kundendaten und Listing-Inhalten und validiert die Ergebnisse durch menschliche Prüfer nach Plausibilität und Repräsentativität. In einem Test mit 10 % des US-Traffics erzielte COSMO eine 0,7 % relative Umsatzsteigerung. Bei Amazons Volumen entspricht das mehreren hundert Millionen Dollar jährlich.

Wie unterscheidet sich COSMO vom A10-Algorithmus?

A10 rankt Produkte primär über Keyword-Matching und Sales Velocity. COSMO arbeitet auf einer anderen Ebene: Es modelliert semantische Beziehungen zwischen Produkten, Zielgruppen und Kaufkontexten. Eine Suchanfrage wie „Blutdruckmessgerät für meine Eltern, einfach zu bedienen“ wird nicht als Keyword-String abgeglichen, sondern in typisierte Relationen zerlegt und gegen den Wissensgraphen geprüft.

Welche Auswirkungen haben die 15 COSMO-Relationen auf die Listing-Sichtbarkeit?

Jede Relation ist ein potenzieller Matching-Punkt zwischen Suchanfrage und Produkt. Listings, die mehr passende Relationen abdecken, werden bei natürlichsprachlichen Suchanfragen und KI-Empfehlungen (Rufus) häufiger ausgespielt. Fehlende Relationen bedeuten: Für bestimmte Suchanfragen existiert dein Produkt im Wissensgraphen nicht.

Was ist der wirksamste Ansatz zur COSMO-Optimierung?

Den größten Gestaltungsspielraum bietet der A+ Content: Anwendungsszenarien, Zielgruppen-Visualisierungen und Kontextinformationen füttern die COSMO-Relationen unmittelbar. Eine Analyse von über 1.300 Rufus-empfohlenen Produkten zeigt, dass 87 % A+ oder A+ Premium Content haben (Amalytix, 2026). Parallel dazu ist die Konsistenz zwischen Listing-Inhalten und Kundenrezensionen wichtig. COSMO behandelt Rezensionen als primäre Datenquelle und priorisiert sie bei Widersprüchen.

Wie hängen Amazon COSMO und Rufus zusammen?

COSMO liefert den strukturierten Wissensgraphen, Rufus nutzt ihn für konversationelle Produktempfehlungen. Seit Mai 2026 firmiert Rufus auf der Amazon-Oberfläche unter dem Namen „Alexa for Shopping“. Die zugrunde liegende Technologie bleibt dieselbe, der Markenname auf der Oberfläche ändert sich. Über 250 Millionen Kunden haben Rufus genutzt, und Kunden, die Rufus nutzen, kaufen mit 60 % höherer Wahrscheinlichkeit. Wer für COSMO optimiert, verbessert damit auch die Ausspielungswahrscheinlichkeit durch Rufus (und damit Alexa for Shopping).