KI-Produktempfehlungen helfen E-Commerce-Marken dabei, jedem Kunden die Artikel anzuzeigen, die er am wahrscheinlichsten als Nächstes kaufen wird, basierend auf dem Surfverhalten, der Kaufhistorie und dem, was ähnliche Kunden ausgewählt haben. Die praktischsten Anwendungen sind verwandte Produkte auf Produktseiten, Add-ons im Warenkorb, personalisierte E-Mail-Blöcke und eine intelligentere On-Site-Suche. Sie funktionieren am besten, wenn die Katalogdaten sauber sind und jede Platzierung eine klare Aufgabe hat.
Die meisten Plattformen enthalten mittlerweile eine Form von Empfehlungs-Engine. Shopify bietet eine integrierte API für Produktempfehlungen und seine Search and Discovery-App, WooCommerce setzt auf Erweiterungen und spezialisierte Tools wie Nosto, Klevu, Algolia Recommend, Dynamic Yield und die Produkt-Feeds von Klaviyo decken fortgeschrittenere Anforderungen ab. Die Engine ist weniger wichtig als der Ort und die Art und Weise, wie Sie sie einsetzen.
Wie entscheiden KI-Empfehlungs-Engines, was angezeigt werden soll?
Die meisten Systeme kombinieren einige Methoden. Kollaboratives Filtern betrachtet das Verhalten: Kunden, die A angesehen oder gekauft haben, haben auch B gekauft. Inhaltsbasiertes Filtern vergleicht Produktattribute wie Kategorie, Farbe, Material und Preis. Viele moderne Engines fügen Echtzeit-Sitzungsdaten hinzu, sodass ein Kunde, der innerhalb von zwei Minuten drei Laufschuhe angeklickt hat, eher Laufausrüstung sieht als seine Kaufhistorie vom letzten Winter.
Geschäftsregeln liegen darüber. Sie können normalerweise nicht vorrätige Artikel ausschließen, margenstarke Produkte hervorheben, Artikel aus einer anderen Geschlechtskategorie ausblenden oder Zubehör innerhalb einer vernünftigen Preisspanne im Vergleich zum Hauptartikel halten.
Welche Platzierungen funktionieren auf einer Produktseite am besten?
Die Produktseite ist der Ort, an dem die meisten Shops beginnen. Zwei Widgets erledigen tendenziell unterschiedliche Aufgaben, und sie zu vermischen ist ein häufiger Fehler:
- Ähnliche Artikel: Alternativen für Kunden, die vom aktuellen Produkt nicht überzeugt sind. Nützlich für Mode, Möbel und alles, bei dem geschmacksbasierte Entscheidungen eine Rolle spielen.
- Häufig zusammen gekauft: Ergänzungen wie eine Hülle für ein Telefon oder eine Nachfüllpackung für ein Gerät. Nützlich, um den durchschnittlichen Bestellwert zu erhöhen.
- Zuletzt angesehen: eine einfache Gedächtnisstütze, die Kunden beim Vergleichen hilft.
- Vervollständigen Sie den Look: kuratierte oder KI-generierte Sets, üblich bei Bekleidung und Wohnkultur.
Platzieren Sie Alternativen hoch genug, um Leute abzufangen, die kurz vor dem Verlassen stehen, und Ergänzungen in der Nähe des In-den-Warenkorb-Buttons. Testen Sie immer nur eine Änderung.
Wie können Warenkorb und Checkout Empfehlungen nutzen?
Der Warenkorb ist der Moment mit der höchsten Kaufabsicht, daher sollten Empfehlungen hier klein, günstig und offensichtlich relevant sein. Ein Shop, der Kaffeemaschinen verkauft, könnte Entkalkungstabletten oder ein Milchkännchen vorschlagen, nicht eine zweite Maschine. Viele Shops verknüpfen dies mit einer Schwelle für kostenlosen Versand: “Fügen Sie einen weiteren Artikel hinzu, um eine kostenlose Lieferung zu erhalten”, gefolgt von Artikeln, die diese Lücke schließen.
Der Checkout selbst sollte sauber bleiben. Die meisten Teams halten Empfehlungen aus dem Zahlungsschritt heraus, da Ablenkungen dort das Risiko abgebrochener Bestellungen bergen. Eine Seite nach dem Kauf oder die Bestellbestätigungs-E-Mail ist ein besserer Ort für ein zweites Angebot.
Helfen Empfehlungen bei E-Mail und Suche?
Ja, und dies sind oft die profitabelsten Platzierungen, da sie Leute erreichen, die nicht auf der Website sind. E-Mail-Plattformen wie Klaviyo und Omnisend können Produktblöcke einfügen, die sich je nach Empfänger ändern: Nachfüll-Erinnerungen für Verbrauchsmaterialien, Artikel ähnlich einem abgebrochenen Warenkorb oder Neuheiten in einer Lieblingskategorie.
Die On-Site-Suche ist der andere große Bereich. Ein Kunde, der eine Suchanfrage eingibt, hat Ihnen genau gesagt, was er will. KI-Suchtools ordnen Ergebnisse nach wahrscheinlicher Relevanz und Beliebtheit, korrigieren Tippfehler und verstehen Synonyme, sodass “Sneakers” Produkte findet, die als “Turnschuhe” gekennzeichnet sind. Suchen ohne Ergebnisse sind verlorene Verkäufe, und eine bessere Suche reduziert diese.
Anwendungsfälle nach Shop-Typ
- Mode: größenabhängige Alternativen und Outfit-Sets.
- Beauty: Nachfüll-E-Mails, die auf die typische Nutzung abgestimmt sind.
- Elektronik: kompatibles Zubehör, gefiltert nach Modell.
- Lebensmittel und Haustierbedarf: Nachbestellungslisten und Abonnement-Aufforderungen.
- Wohnartikel: raumbasierte Bundles mit Preisabgleich.
Welche Daten benötigen Sie, bevor Sie es einschalten?
Die Qualität der Empfehlungen spiegelt die Qualität des Katalogs wider. Wenn die Hälfte Ihrer Produkte keine Kategorie, inkonsistente Farbnamen oder fehlende Bilder hat, kann die Engine sie nicht gut vergleichen. Ein Shop mit wenigen Bestellungen gibt dem kollaborativen Filtern auch wenig zum Lernen; in diesem Fall haben inhaltsbasierte und regelbasierte Methoden anfangs mehr Gewicht.
Überprüfen Sie diese Grundlagen: vollständige Titel und Kategorien, strukturierte Attribute wie Größe und Material, genaue Lagerbestände, die nahezu in Echtzeit synchronisiert werden, und Tracking-Ereignisse für Produktansichten, In-den-Warenkorb-Klicks und Käufe. Zustimmung ist auch wichtig. In Regionen, die von der DSGVO abgedeckt sind, hängt die Personalisierung basierend auf Tracking normalerweise von den Cookie-Entscheidungen des Kunden ab, also planen Sie für Besucher, die ablehnen.
Welche Fehler führen dazu, dass Empfehlungen nach hinten losgehen?
Der häufigste Fehler ist, zu viel zu zeigen. Vier Karussells auf einer Produktseite konkurrieren mit dem Hauptprodukt und drücken den In-den-Warenkorb-Button auf Mobilgeräten nach unten. Ein weiterer Fehler ist das Empfehlen von Artikeln, die der Kunde gerade gekauft hat, wie z. B. ein zweiter identischer Staubsauger einen Tag nach dem Kauf. Die meisten Engines können kürzlich gekaufte Produkte ausschließen; stellen Sie sicher, dass diese Einstellung aktiviert ist.
Auch der Preisabgleich ist wichtig. Ein 200-Euro-Zubehör neben einem 40-Euro-Produkt vorzuschlagen, funktioniert selten. Kaltstartprobleme treffen auch neue Produkte, da sie noch keine Verhaltensdaten haben, sodass sie nie empfohlen werden, es sei denn, Sie fügen eine Regel hinzu, die Neuheiten für einen bestimmten Zeitraum hervorhebt. Achten Sie schließlich auf Widgets, die immer nur Bestseller anzeigen. Das sieht nach Personalisierung aus, ist aber nur eine Beliebtheitsliste und verbirgt den “Long Tail” Ihres Katalogs.
Wie Alien Road KI-Empfehlungen für Online-Shops anwendet
In einer typischen Zusammenarbeit beginnen wir mit einem Audit der Katalogdaten und Analyseereignisse, da fehlerhaftes Tracking jeden Empfehlungstest sinnlos macht. Wir bilden dann die Customer Journey ab und wählen zwei oder drei Platzierungen mit der klarsten Aufgabe aus, normalerweise Produktseiten-Ergänzungen, Warenkorb-Add-ons und einen E-Mail-Flow.
Das Setup nutzt nach Möglichkeit die vorhandenen Plattformfunktionen des Kunden, bevor ein kostenpflichtiges Tool hinzugefügt wird. Wir definieren Regeln mit dem Merchandising-Team, wie z. B. Margenuntergrenzen und ausgeschlossene Kategorien, und führen A/B-Tests durch, wo der Traffic dies zulässt. Das Reporting konzentriert sich auf den Umsatz pro Besucher, den durchschnittlichen Bestellwert und die Klick-zu-Kauf-Rate für jedes Widget, die monatlich überprüft werden. Widgets, die ihren Platz nicht verdienen, werden entfernt; eine sauberere Seite schlägt oft eine überladene.
Wo man diese Woche anfangen kann
Öffnen Sie die Analytik Ihres Shops und finden Sie Ihre Top-20-Produkte nach Aufrufen. Überprüfen Sie, ob jedes eine vollständige Kategorie, Attribute und mindestens eine sinnvolle Ergänzung hat. Fügen Sie dann einen einzelnen “Häufig zusammen gekauft”-Block auf diesen Seiten hinzu oder korrigieren Sie ihn, indem Sie die integrierte Funktion Ihrer Plattform verwenden. Messen Sie den durchschnittlichen Bestellwert für vier Wochen im Vergleich zum vorherigen Zeitraum und entscheiden Sie erst dann, ob ein dediziertes Tool das Abonnement wert ist.
Weiterlesen: E-Commerce · E-Commerce