Ein KI-Agent beobachtet die Online-Shops der Konkurrenz: bedarfsgesteuerte Scans mit LLM-Analyse und Live-Fortschrittsanzeige sowie regelmäßige Produktanalysen, die marktweite Werbetrends erkennen.
Umgesetzt für ein E-Commerce-Unternehmen im polnischen Einzelhandel
Das Marketing-Team wollte wissen, was die Konkurrenz bewirbt — aber jeden Shop von Hand zu prüfen war langsam, unregelmäßig und in vollen Wochen das Erste, das ausfiel.
Heute wählt ein Mitarbeiter im Browser-Panel die Konkurrenten aus und startet einen Scan. Der Agent lädt die Shop-Seiten, lässt ein Sprachmodell sie in vier festen Abschnitten analysieren – Kampagnen, Angebote, neue Produkte und sonstige Beobachtungen – und zeigt Fortschritt sowie Ergebnisse live im Panel. Ein Klick exportiert alles als teilbaren PDF-Bericht.
Ein zweiter Ablauf läuft regelmäßig: Er durchsucht die Aktionsseiten der Konkurrenz, ermittelt, welche Produkte wie beworben werden, und markiert Produkte und Themen – etwa Vitamin D, Kollagen oder Magnesium –, die bei mehreren Wettbewerbern gleichzeitig auftauchen. So lässt sich eine Einzelaktion von einem breiteren Markttrend unterscheiden.
Zwei Anwendungsfälle auf einer gemeinsamen Datengrundlage: ein bedarfsgesteuerter Scan mit Live-Fortschritt und eine regelmäßige Produktanalyse, die ihre Belege Schritt für Schritt speichert.
Scan bei Bedarf
Marketing-Panel
Team wählt Konkurrenten, startet Scan
Scraping-Schicht
HTTP + Headless-Browser-Fallback
LLM-Analyse
4 feste Abschnitte + Marktzusammenfassung
Live-Ansicht + PDF
Ergebnisse im Panel, Bericht exportierbar
Produktanalyse
Konkurrenz-Shops
öffentliche Seiten & Promo-Unterseiten
Quellenanalyse
Aktionsbegriffe & Produktlinks
Produkt-Extraktion
LLM + Regeln, normalisierte Namen
Gemeinsame Produkte
Themen über mehrere Wettbewerber
PostgreSQL
Auftrag, Live-Protokoll, Ergebnisse · grau = gemeinsames Scraping-Fundament
Vom Team gestartet, bei Bedarf
Wiederkehrend, in einzeln ausführbaren Schritten
Konkurrenz-Seiten ändern sich, blockieren Bots und fallen aus — der Agent ist darauf ausgelegt, damit das Team trotzdem eine Antwort bekommt.
Das Panel sehen nur die Marketing-Gruppe und Administratoren.
Automatische Wiederholungen bei Serverfehlern und ein Headless-Browser-Fallback, wenn eine Seite reines HTTP blockiert.
Jeder Scan hat einen eigenen Eintrag mit Fortschritt und Protokoll, live im Panel – unabhängig davon, wie viele zuvor liefen.
Das LLM muss in vier festen Abschnitten antworten, sodass aus dem Ergebnis immer ein sauberes PDF entsteht.
Die Intelligence-Pipeline ist in Sondieren → Extrahieren → Vergleichen geteilt; jeder Schritt speichert sein Ergebnis und läuft einzeln erneut.
Jede Beobachtung führt zu den ursprünglichen Quelldateien zurück – so bleibt nachvollziehbar, worauf eine Schlussfolgerung beruht.
Technologie: Python · Django · LLM-APIs · Headless Chrome/Selenium · PostgreSQL
Wettbewerbsbeobachtung, Preis-Monitoring und Trenderkennung lassen sich regelmäßig und konsistent automatisieren. Lassen Sie uns über Ihren Anwendungsfall sprechen.
Anwendungsfall besprechen