Ein Wechsel zu KI-Produktempfehlungen lohnt sich, wenn Ihr Katalog und Ihr Traffic so groß sind, dass manuelle Cross-Sell-Listen und einfache Regeln nicht mehr ausreichen. Shops mit wenigen Dutzend Produkten, geringem Traffic oder sehr spezifischen Merchandising-Anforderungen fahren oft besser mit traditionellen, manuell kuratierten Empfehlungen, zumindest bis das Datenvolumen wächst.
Die Frage ist nicht, ob maschinelles Lernen generell besser ist. Die Frage ist, ob es für Ihren Shop, in seiner aktuellen Größe und mit seinen aktuellen Daten besser ist.
Was sind die traditionellen Ansätze?
Bevor KI-basierte Engines üblich wurden, verließen sich Shops auf einige Methoden, von denen viele immer noch gut funktionieren.
- Manuell kuratierte verwandte Produkte: Ein Merchandiser wählt Zubehör oder Alternativen für jeden Artikel aus.
- Regelbasierte Widgets: “andere Artikel in dieser Kategorie”, “Bestseller”, “Neuheiten” oder “kürzlich angesehen”.
- Bundles und Kits: feste Sets, die vom Team definiert wurden.
- E-Mail-Segmente, die auf einfachen Bedingungen basieren, wie z. B. der Kategorie des letzten Kaufs.
Diese Ansätze sind transparent. Sie wissen genau, warum ein Artikel erscheint, und können ihn sofort ändern.
Was machen KI-Empfehlungen anders?
KI-Engines lernen aus dem Verhalten aller Käufer. Sie gewichten Ansichten, Käufe, Suchanfragen, verbrachte Zeit und Produktattribute, um Artikel für jeden Besucher oder Kontext zu bewerten. Sie aktualisieren sich, wenn sich Muster ändern, sodass saisonale Trends oder ein virales Produkt nach oben rücken können, ohne dass jemand eine Liste bearbeiten muss.
Einige neuere Systeme verwenden Sprach- und Bildeinbettungen, um Ähnlichkeit zu beurteilen, was bei Produkten mit wenig Verkaufshistorie hilft. Anbieter wie Nosto, Klevu, Algolia, Dynamic Yield, Bloomreach und Cloud-Dienste wie Amazon Personalize oder Googles Vertex AI Search for Commerce bieten unterschiedliche Mischungen dieser Methoden an.
Wann ist ein Wechsel sinnvoll?
Mehrere Signale deuten darauf hin, dass manuelle und regelbasierte Ansätze an ihre Grenzen gestoßen sind.
Signale, die auf KI hindeuten
- Der Katalog umfasst Hunderte oder Tausende aktiver Produkte, und kuratierte Listen sind veraltet.
- Produkte ändern sich häufig, wie bei Modekollektionen oder Marktplatzverkäufern, die täglich Artikel hinzufügen.
- Wiederkehrende Besucher machen einen großen Teil des Traffics aus, sodass die Personalisierung auf eine Historie zurückgreifen kann.
- Das Team verbringt jede Woche Stunden damit, Listen verwandter Produkte zu pflegen.
- “Bestseller”-Widgets zeigen überall die gleichen wenigen Produkte und vernachlässigen den Long Tail.
Wenn drei oder mehr dieser Punkte auf Ihren Shop zutreffen, ist ein KI-Pilotprojekt wahrscheinlich die Mühe wert.
Wann sollten Sie bei traditionellen Tools bleiben?
Ein Wechsel ist nicht immer eine Verbesserung. Manche Shops verlieren die Kontrolle, ohne viel zu gewinnen.
- Kleine Kataloge: Bei 30 Produkten kann ein Merchandiser bessere Verknüpfungen kuratieren als ein Modell mit dünnen Daten.
- Geringer Traffic: Modelle benötigen Interaktionsdaten; ohne diese fallen Empfehlungen ohnehin auf Popularität zurück.
- Starke Expertenlogik: Technische Produkte, bei denen Kompatibilität wichtig ist, wie z. B. Ersatzteile, erfordern exakte Regeln, die ein Algorithmus möglicherweise bricht.
- Regulierte Kategorien: Apotheke oder Alkohol, wo bestimmte Vorschläge niemals erscheinen dürfen.
- Knappe Budgets: Einige KI-Engines werden nach Traffic oder Umsatzbeteiligung berechnet, was den Gewinn für kleine Shops überwiegen kann.
Verbessern Sie in diesen Fällen zuerst das traditionelle Setup: Füllen Sie fehlende verwandte Produkte aus, erstellen Sie sinnvolle Bundles und ordnen Sie die Kategorienstruktur.
Wie vergleicht man die beiden fair?
Führen Sie einen A/B-Test an einer Platzierung durch, z. B. im Bereich “Das könnte Ihnen auch gefallen” auf der Produktseite. Version A behält Ihre aktuellen Regeln oder kuratierten Listen bei; Version B verwendet die KI-Engine. Behalten Sie alles andere identisch bei, einschließlich des Widget-Designs und der Position.
Messen Sie den Umsatz pro Besucher als Hauptkennzahl und achten Sie auf die Klickrate, Add-to-Cart über das Widget, den durchschnittlichen Bestellwert und die Rückgabequote. Ein Widget, das zwar Klicks erhöht, aber auch die Rücksendungen, kann insgesamt schlechter sein. Führen Sie den Test über volle Wochen durch und stellen Sie sicher, dass beide Versionen ähnliche Traffic-Quellen erhalten.
Kann man beides kombinieren?
Die meisten reifen Shops enden mit einer Mischung. Die KI übernimmt den Großteil der personalisierten Platzierungen, während Merchandiser die manuelle Kontrolle behalten, wo Fachwissen gefragt ist. Gängige Muster sind das Anpinnen von kompatibilitätskritischem Zubehör bei technischen Produkten, das Ausschließen bestimmter Kategorien aus algorithmischen Slots und die Verwendung von regelbasierten “kürzlich angesehen” neben KI-basierten “für Sie empfohlen”.
Ein nützliches Prinzip: Lassen Sie den Algorithmus bewerten, lassen Sie Menschen die Grenzen setzen.
Welche Kosten sollten Sie erwarten?
Traditionelle Tools sind normalerweise kostenlos innerhalb Ihrer Plattform oder kostengünstige Apps. KI-Engines können eine monatliche Gebühr, einen Anteil am zugeschriebenen Umsatz oder eine nutzungsbasierte Preisgestaltung verlangen. Die Implementierung kostet auch Zeit: Feed-Vorbereitung, Tracking-Prüfungen, Designänderungen und Tests. Überprüfen Sie die aktuellen Anbieterpreise und fragen Sie, wie sie “zugeschriebenen Umsatz” definieren, da großzügige Attributionsfenster ein Tool besser aussehen lassen können, als es ist.
Welche Fragen sollten Sie einem Anbieter stellen?
Demos sehen immer gut aus, weil Anbieter den Katalog und den Käufer auswählen. Stellen Sie Fragen, die zeigen, wie sich die Engine in Ihrem Shop verhalten wird.
- Wie geht die Engine mit neuen Produkten ohne Verkaufshistorie um?
- Können wir Kategorien, Marken oder Margenbänder von algorithmischen Slots ausschließen?
- Wie wird der zugeschriebene Umsatz definiert und über welchen Zeitraum?
- Was passiert mit der Seitengeschwindigkeit, wenn das Widget geladen wird, und wird es asynchron geladen?
- Können wir Empfehlungsprotokolle exportieren, um zu überprüfen, was wem gezeigt wurde?
Klare Antworten auf diese Fragen sind ein besserer Erfolgsindikator als die Demo selbst.
Wie Alien Road KI-Produktempfehlungen anwendet
Bei einem typischen Engagement bedeutet Discovery die Überprüfung der Kataloggröße, der Traffic-Level, des Anteils wiederkehrender Besucher und der Stunden, die das Team für manuelles Merchandising aufwendet. Anhand der oben genannten Signale geben wir dem Kunden eine klare Empfehlung: Pilotieren Sie eine KI-Engine oder verbessern Sie zuerst die aktuellen Regeln.
Wenn ein Pilotprojekt gerechtfertigt ist, umfasst das Setup die Feed-Bereinigung, Event-Tracking-Prüfungen in GA4 oder der Plattform, die Auswahl eines Anbieters, der zur Plattform und zum Budget des Shops passt, sowie das Schreiben von Ausschluss- und Anpinnregeln mit dem Merchandising-Team. Zur Messung führen wir den A/B-Test an einer Platzierung durch und vergleichen Umsatz pro Besucher, Attach-Rate und Rücksendungen.
Das Reporting umfasst eine einfache Zusammenfassung dessen, was die KI-Version anders gemacht hat, Beispiele ihrer Empfehlungen und eine Entscheidung darüber, ob erweitert, angepasst oder gestoppt werden soll. Shops, die bei traditionellen Tools bleiben, erhalten stattdessen einen Bereinigungsplan für ihre kuratierten Listen.
Wo Sie diese Woche anfangen können
Öffnen Sie Ihre zehn meistverkauften Produktseiten und sehen Sie sich die verwandten Produkte an. Sind sie relevant, auf Lager und aktuell? Zählen Sie, wie viele Stunden pro Monat Ihr Team damit verbringt, diese Listen zu pflegen. Wenn die Listen veraltet sind und die Stunden hoch sind, ist Ihr Shop ein guter Kandidat für einen KI-Piloten. Wenn die Listen korrekt und kostengünstig zu pflegen sind, behalten Sie sie bei und überdenken Sie die Frage, wenn der Katalog wächst.
Weiterlesen: E-Commerce · E-Commerce