KI-Produktempfehlungen sind Systeme, die vorhersagen, welche Produkte ein Käufer als Nächstes wahrscheinlich wünscht, indem sie Surf- und Kaufverhalten, Produktattribute und Kontext wie Gerät oder Saison nutzen. Für Marketer sind sie nicht mehr nur ein “Das könnte Ihnen auch gefallen”-Streifen: Sie prägen Startseiten, E-Mails, Suchergebnisse, Anzeigen und zunehmend KI-Shopping-Assistenten, die Fragen in natürlicher Sprache beantworten.
Wie funktionieren Empfehlungs-Engines?
Die meisten Systeme kombinieren mehrere Methoden. Kollaboratives Filtern findet Muster bei Käufern: Leute, die A kauften, kauften auch B. Inhaltsbasiertes Filtern vergleicht Produktattribute wie Farbe, Material oder Marke. Neuere Systeme fügen Deep-Learning-Modelle hinzu, die Aktionssequenzen in einer Sitzung lesen, und in einigen Fällen Sprachmodelle, die Produktbeschreibungen und Bewertungen verstehen.
Das Ergebnis ist eine Rangliste von Produkten für einen bestimmten Slot, wie eine Produktseite, einen Warenkorb oder eine E-Mail. Die besten Systeme trainieren häufig neu, sodass ein plötzlicher Trend oder eine Bestandsänderung schnell sichtbar wird.
Welche Tools nutzen Shops tatsächlich?
Die Wahl hängt von der Plattform und der Größe des Katalogs ab.
- Shopify: integrierte Search & Discovery-App für verwandte Produkte sowie Apps wie Rebuy, LimeSpot und Klaviyo für E-Mail-Empfehlungen
- WooCommerce: Plugins und externe Dienste, einschließlich Klaviyo, Clerk.io und Algolia Recommend
- Enterprise: Google Cloud’s Vertex AI Search for Commerce, Amazon Personalize, Salesforce Commerce Cloud Einstein, Adobe Commerce mit Adobe Sensei-Funktionen, Bloomreach, Dynamic Yield
- E-Mail und CRM: Klaviyo, Braze, Insider und Salesforce Marketing Cloud bieten verhaltensgesteuerte Produktblöcke
Viele davon werden von Marketern konfiguriert, nicht von Data Scientists. Das verlagert die Arbeit vom Erstellen von Modellen hin zur Auswahl von Strategien, Slots und Regeln.
Wo setzen Marketer Empfehlungen ein?
Empfehlungen tauchen entlang der Customer Journey auf. Jeder Slot hat eine andere Aufgabe.
Auf der Website
- Startseite: beliebte oder trendige Artikel für neue Besucher, personalisierte Auswahl für wiederkehrende Besucher
- Produktseite: ähnliche Artikel und häufig zusammen gekauft
- Warenkorb: kostengünstige Add-ons und Zubehör
- Suche: Neusortierung der Ergebnisse nach wahrscheinlichem Interesse
- Leere oder ausverkaufte Seiten: nahe Alternativen statt einer Sackgasse
Außerhalb der Website
- E-Mails bei abgebrochenem Browserverlauf oder Warenkorb mit verwandten Produkten
- E-Mails nach dem Kauf mit ergänzenden Artikeln, zeitlich abgestimmt
- Dynamische Produktanzeigen in Meta und Google, gespeist durch Katalog- und Pixeldaten
Konversationell
- KI-Shopping-Assistenten auf der Website, die Fragen wie “Was ist ein guter Laufschuh für Plattfüße?” beantworten und Produkte vorschlagen
- Produktdaten, die Antworten in Tools wie ChatGPT Shopping und Googles AI Mode speisen, wo saubere Produkt-Feeds und Bewertungen wichtig sind
Was kontrollieren Marketer?
Selbst bei automatisierten Modellen setzt der Marketer den Rahmen. Schlechte Einstellungen führen zu schlechten Empfehlungen, egal wie gut das Modell ist.
- Strategie pro Slot: ähnlich, ergänzend, trendig, kürzlich angesehen, personalisiert
- Geschäftsregeln: ausverkaufte Artikel ausschließen, Margenuntergrenzen festlegen, neue Kollektionen pushen
- Vielfalt: vermeiden, fünf fast identische Artikel anzuzeigen
- Kaltstart: was neue Besucher und neue Produkte sehen, bevor Daten vorhanden sind
- Platzierung und Design: wo der Block sitzt und wie viele Artikel er anzeigt
- Tests: A/B-Tests zwischen Strategien oder gegen keine Empfehlungen
Was sind die Grenzen und Risiken?
Empfehlungen verstärken, was sich bereits verkauft. Ohne Regeln füllen einige wenige Bestseller jeden Slot und neue Produkte erhalten nie Aufmerksamkeit. Das ist gut für kurzfristige Klicks und schlecht für Sortiment und Marge.
Datenschutzregeln gelten ebenfalls. Personalisierung basierend auf Tracking hängt von der Zustimmung gemäß DSGVO, KVKK und ähnlichen Gesetzen ab. Käufer, die Cookies ablehnen, benötigen dennoch sinnvolle, nicht-personalisierte Empfehlungen.
- Filterblasen: Käufer sehen mehr vom Gleichen und weniger vom Sortiment
- Datenqualität: falsche Kategorien oder fehlende Attribute führen zu seltsamen Vorschlägen
- Über-Personalisierung: Empfehlungen, die sich invasiv anfühlen, besonders bei sensiblen Produkten
- Attribution: Anbieter schreiben das Widget oft Verkäufen zu, die ohnehin stattgefunden hätten
Woher wissen Sie, ob sie funktionieren?
Der ehrliche Test ist ein Experiment: Zeigen Sie Empfehlungen einer Gruppe und einer anderen nicht, oder vergleichen Sie zwei Strategien. Klicks auf das Widget sind kein Beweis für den Wert.
Verfolgen Sie den Umsatz pro Besucher, den durchschnittlichen Bestellwert und die Konversionsrate zwischen den Gruppen. Beobachten Sie auch die Marge, da günstige Add-ons die Bestellanzahl erhöhen können, aber nicht den Gewinn.
Welche Produktdaten benötigen Empfehlungen?
Engines lernen aus zwei Quellen: Verhalten und Katalogdaten. Verhalten stammt aus Tracking-Ereignissen wie Produktansichten, Warenkorb-Hinzufügungen und Käufen, jeweils mit einer Produkt-ID. Katalogdaten stammen aus Ihrem Produkt-Feed: Titel, Kategorien, Attribute, Preise, Bestand und Bilder.
Schwache Katalogdaten sind der häufigste Grund, warum Empfehlungen zufällig aussehen. Ein Modegeschäft, das die Farbe nur im Produkttitel speichert, nicht als Feld, kann die Engine nicht bitten, “dasselbe Kleid in einer anderen Farbe” vorzuschlagen. Ein Haushaltswarengeschäft mit drei verschiedenen Schreibweisen einer Kategorie spaltet seine eigenen Daten.
- Konsistente Kategorien mit einer klaren Hierarchie
- Attribute als separate Felder: Farbe, Größe, Material, Stil, Preisband
- Genaue Bestandsniveaus, die mindestens täglich synchronisiert werden
- Saubere Produkt-IDs, die über Website, Feed und Analytik hinweg übereinstimmen
- Gute Bilder, da einige Engines auch visuelle Ähnlichkeit nutzen
Wie verändert generative KI Empfehlungen?
Sprachmodelle fügen eine neue Ebene hinzu. Anstatt eines Rasters von Produkten kann ein Käufer einen Bedarf beschreiben und eine kurze Liste mit Gründen erhalten. Shopify, Amazon mit Rufus und viele Drittanbieter-Tools bieten jetzt diese Art von Assistenten an.
Für Marketer erhöht dies den Wert von reichhaltigen Produktbeschreibungen, klaren Spezifikationen und echten Bewertungen, da der Assistent sie liest, um zu entscheiden, was vorgeschlagen werden soll. Ein Produkt mit einer vagen zweizeiligen Beschreibung ist für jeden Assistenten schwer mit Zuversicht zu empfehlen.
Wie Alien Road KI-Produktempfehlungen anwendet
Bei einem typischen E-Commerce-Engagement beginnen wir mit einem Katalog- und Datenaudit: Produktattribute, Kategorien, Bestands-Feeds und Consent-Setup. Lücken dort begrenzen jede Empfehlungs-Engine, daher steht deren Behebung an erster Stelle.
Wir bilden dann Slots über die Website und E-Mail-Flows ab, wählen eine Strategie für jeden aus und legen Geschäftsregeln für Bestand, Marge und Vielfalt fest. Tests beginnen bei den Slots mit dem höchsten Traffic, normalerweise Produktseiten und Warenkorb.
Die Messung nutzt Holdout-Gruppen, wo die Plattform dies zulässt, und Berichte vergleichen Umsatz pro Besucher, Bestellwert und Marge zwischen den Gruppen. Wir berichten, was die Tests zeigen, einschließlich Slots, bei denen Empfehlungen keinen Unterschied machten.
Wo man diese Woche anfangen sollte
Listen Sie jeden Ort auf, an dem Ihr Shop heute Empfehlungen anzeigt, und die Strategie, die jeder verwendet. Viele Shops finden überall die gleiche “verwandte Produkte”-Einstellung. Ändern Sie einen Slot, wie den Warenkorb, auf ergänzende kostengünstige Artikel mit einer Bestandsregel und lassen Sie ihn zwei Wochen lang gegen die aktuelle Version laufen. Vergleichen Sie den durchschnittlichen Bestellwert zwischen den beiden Gruppen, bevor Sie den nächsten Slot ändern.
Weiterlesen: E-Commerce · E-Commerce