KI-Produktempfehlungen nutzen Kaufhistorie, Surfverhalten und Produktattribute, um jedem Käufer Artikel vorzuschlagen, die er wahrscheinlich haben möchte – auf Produktseiten, in Warenkörben, in E-Mails und in Anzeigen. In Kundenkampagnen funktionieren sie, wenn die Katalogdaten sauber sind, die Platzierungen zur Phase des Käufers passen und jedes Widget gegen eine einfache Baseline wie Bestseller getestet wird.
Wie funktionieren KI-Produktempfehlungen?
Empfehlungs-Engines stützen sich auf einige Methoden-Familien. Kollaboratives Filtern findet Muster bei Käufern: Leute, die ein Zelt kauften, kauften oft auch eine Isomatte. Inhaltsbasiertes Filtern vergleicht Produktattribute wie Kategorie, Farbe, Material und Preis. Moderne Systeme kombinieren diese mit Machine-Learning-Modellen, die aktuelles Verhalten, Sitzungskontext und Geschäftsregeln gewichten.
Die meisten Shops bauen dies nicht selbst. Shopify bietet native Produktempfehlungen und eine Search & Discovery App, und viele Händler fügen Apps wie Rebuy, LimeSpot oder Nosto hinzu. WooCommerce-Shops nutzen Plugins oder verbinden externe Engines. Größere Einzelhändler nutzen Plattformen wie Google Cloud’s Vertex AI Search for commerce, Amazon Personalize, Dynamic Yield oder Algolia Recommend. E-Mail-Plattformen wie Klaviyo enthalten Empfehlungsblöcke, die aus Shop-Daten erstellt werden.
Die Engine ist nur so gut wie ihre Eingaben. Fehlende Kategorien, inkonsistente Titel und Produkte ohne Lagerbestandsinformationen führen zu seltsamen Vorschlägen.
Wo erscheinen Empfehlungen in einer Kampagne?
On-Site-Platzierungen
- Produktseite: ähnliche Artikel und häufig zusammen gekauft.
- Warenkorb und Checkout: kostengünstige Add-ons, die die Bestellung abrunden.
- Startseite: kürzlich angesehene und personalisierte Auswahl für wiederkehrende Besucher.
- Leere Suchergebnisse: Alternativen statt einer Sackgasse.
- Post-Purchase-Seite: ergänzende Artikel oder Nachschub.
E-Mail und Messaging
Warenkorbabbruch-, Browse-Abbruch- und Post-Purchase-Flows funktionieren besser, wenn sie relevante Produkte statt eines festen Bestseller-Blocks zeigen. Klaviyo und ähnliche Tools füllen diese Slots automatisch aus Katalog- und Eventdaten.
Bezahlte Werbung
Dynamische Produktanzeigen auf Meta (Advantage+ Kataloganzeigen) und Googles Performance Max mit einem Merchant Center-Feed sind eigenständige Empfehlungssysteme: Die Plattformen wählen aus, welche Produkte wem gezeigt werden. Feed-Qualität und Produktgruppierung beeinflussen stark, was sie auswählen.
Welche Daten benötigen Empfehlungen?
Bevor ein Widget live geht, prüfen wir die Datengrundlagen:
- Ein vollständiger Produktfeed mit genauen Titeln, Kategorien, Preisen, Bildern und Lagerstatus.
- Event-Tracking für Produktansichten, Warenkorb-Hinzufügungen und Käufe, konsistent an die Engine und an Analysetools wie GA4 gesendet.
- Genügend Traffic und Bestellungen, damit sich Muster bilden können; kleine Kataloge mit wenigen Bestellungen fahren mit regelbasierten Auswahlen möglicherweise besser.
- Geschäftsregeln: nicht vorrätige Artikel ausschließen, Margenuntergrenzen respektieren, vermeiden, eine billigere Version dessen zu empfehlen, was bereits im Warenkorb liegt.
- Einwilligungsmanagement: Personalisierte Empfehlungen basierend auf Verhalten hängen von der Cookie-Einwilligung des Käufers gemäß DSGVO oder KVKK ab, und das Fallback für Besucher ohne Einwilligung muss weiterhin funktionieren.
Wie testen wir, ob Empfehlungen funktionieren?
Ein Empfehlungs-Widget sieht immer hilfreich aus, weshalb es getestet werden muss. Der ehrliche Vergleich erfolgt gegen eine einfache Alternative: Bestseller in derselben Kategorie oder gar kein Widget.
Unsere übliche Methode:
- Wählen Sie eine Platzierung, wie den Warenkorb, und eine Kennzahl, die wichtig ist, wie den durchschnittlichen Bestellwert.
- Führen Sie einen A/B-Test durch, bei dem die Hälfte der Besucher KI-Empfehlungen sieht und die andere Hälfte Bestseller.
- Lassen Sie ihn lange genug laufen, um mindestens zwei volle Wochenzyklen und genügend Bestellungen für eine aussagekräftige Auswertung abzudecken.
- Blicken Sie über die Hauptkennzahl hinaus: Prüfen Sie die Conversion-Rate, damit ein höherer Bestellwert nicht weniger Bestellungen verbirgt.
- Segmentieren Sie die Ergebnisse nach neuen und wiederkehrenden Besuchern, da Personalisierung wiederkehrenden Käufern meist mehr hilft.
Viele Apps berichten ihre eigene Umsatzattribuierung und zählen oft jede Bestellung, die eine geklickte Empfehlung enthielt. Diese Zahlen sind tendenziell großzügig. Ein kontrollierter Test ist die einzige zuverlässige Messung.
Wie Alien Road KI-Produktempfehlungen für Kunden anwendet
Bei einem typischen Engagement beginnt die Discovery mit der Analytik und dem Katalog des Shops. Wir betrachten den durchschnittlichen Bestellwert, den Anteil der Bestellungen mit mehr als einem Artikel, Top-Produktpaare und Abbruchpunkte im Funnel. Dies zeigt, wo Empfehlungen einen Mehrwert bieten könnten und wo sie nur Unordnung hinzufügen würden.
Das Setup umfasst Feed-Bereinigung, Tracking-Checks und den Platzierungsplan. Wir beginnen normalerweise mit einer oder zwei hochfrequentierten Platzierungen, wie Cross-Sells auf der Produktseite und Warenkorb-Add-ons, anstatt jedes Widget einzuschalten, das die App anbietet. Geschäftsregeln für Lagerbestand, Marge und Kategorielogik werden vor dem Start konfiguriert.
Zur Messung läuft jede neue Platzierung als kontrollierter Test gegen eine Bestseller-Baseline, wobei Bestellwert, Conversion-Rate und Umsatz pro Besucher in GA4 und den eigenen Berichten des Shops verfolgt werden. E-Mail-Empfehlungsblöcke werden in Flows mit Split-Varianten getestet.
Das Reporting vergleicht Testergebnisse ehrlich, einschließlich Platzierungen, die keinen Unterschied machten. Wenn ein Widget die Baseline nicht schlägt, wird es entfernt oder neu gestaltet, da jedes Element auf einer Produktseite um Aufmerksamkeit konkurriert.
Wie lange dauert es, bis Empfehlungen Ergebnisse zeigen?
Erwarten Sie eine Lernphase. Engines, die auf Verhalten basieren, benötigen genügend Produktansichten und Bestellungen, um Muster zu finden, daher können ein neuer Shop oder ein neu gestarteter Katalog in den ersten Wochen generische Vorschläge zeigen. Während dieser Zeit halten regelbasierte Fallbacks wie Kategorie-Bestseller das Widget nützlich.
Saisonalität spielt ebenfalls eine Rolle. Die Top-Paare eines Geschenkeladens im Dezember sehen ganz anders aus als im März, also überprüfen Sie die Ergebnisse über Saisons hinweg, bevor Sie dauerhafte Schlussfolgerungen ziehen. Für einen mittelgroßen Shop liefert ein Quartal an Daten normalerweise ein faires Bild davon, ob eine Platzierung ihren Platz auf der Seite verdient.
Welche Fehler sollten Sie vermeiden?
- Empfehlung von Artikeln, die nicht vorrätig sind oder lange Lieferzeiten haben.
- Anzeige fast identischer Produkte, die den bereits gewählten Artikel kannibalisieren.
- Überladung der Seite mit vier Empfehlungskarussells.
- Ignorieren des mobilen Layouts, wo Karussells den In-den-Warenkorb-Button unter den Falz schieben können.
- Vertrauen auf App-gemeldeten Umsatz ohne Test.
- Vergessen des Fallbacks für Besucher, die Tracking ablehnen.
Wo Sie diese Woche anfangen können
Exportieren Sie Ihre Bestellungen der letzten drei Monate und finden Sie die zehn häufigsten Produktpaare. Prüfen Sie, ob diese Paare bereits zusammen auf Ihren Produktseiten erscheinen. Wenn nicht, richten Sie einen „Häufig zusammen gekauft“-Block für diese Produkte mit den nativen Tools Ihrer Plattform ein und führen Sie ihn zwei Wochen lang als Split-Test gegen Ihre aktuelle Seite durch. Das gibt Ihnen eine Baseline, bevor Sie für eine größere Empfehlungs-Engine bezahlen.
Weiterlesen: E-Commerce · E-Commerce