AI Produktempfehlungen: Workflows für mehr E-Commerce Erfolg

Empfehlungs-Engines sagen voraus, welche Produkte ein Käufer als Nächstes wahrscheinlich haben möchte. Sie lernen aus Browsing-, Warenkorb- und Kaufereignissen sowie aus Produktattributen wie Kategorie, Preis und Farbe. Gängige Modelle umfassen kollaboratives Filtern (Kunden, die das kauften, kauften auch jenes), inhaltsbasiertes Matching und zunehmend Modelle, die beides mit dem Sitzungskontext kombinieren.

Shops bauen diese selten von Grund auf neu. Shopify bietet native Logik für verwandte Produkte und Apps wie Rebuy oder LimeSpot; Salesforce Commerce Cloud enthält Einstein-Empfehlungen; Klaviyo, Dynamic Yield, Nosto und Google Clouds Vertex AI Search für den Handel sind weitere gängige Optionen. Der Workflow ist bei allen ähnlich.

Empfehlungen sind nur so gut wie der Katalog und die Ereignisdaten, die dahinter stehen. Die meisten Probleme, die wie ein schlechter Algorithmus aussehen, sind in Wirklichkeit fehlende Attribute oder fehlerhaftes Tracking.

• Überprüfen Sie, ob Produktansichts-, Warenkorb- und Kaufereignisse mit der korrekten Produkt-ID auf jeder Seite ausgelöst werden.
• Füllen Sie Kernattribute aus: Kategorie, Marke, Preis, Geschlecht oder Altersgruppe, wo relevant, und Lagerstatus.
• Entfernen oder markieren Sie nicht mehr erhältliche Produkte, damit sie nicht empfohlen werden.
• Stellen Sie sicher, dass Varianten (Größe, Farbe) zu einem übergeordneten Produkt zusammengefasst werden, sonst empfiehlt die Engine dasselbe Hemd in fünf Größen.
• Bestätigen Sie die Einwilligungseinstellungen: Personalisierte Empfehlungen erfordern möglicherweise eine Einwilligung gemäß DSGVO oder KVKK in der Türkei.

Jede Seite hat eine andere Aufgabe, daher benötigt jede eine andere Art von Empfehlung. Mit drei Platzierungen zu beginnen, reicht normalerweise aus, um daraus zu lernen.

• Produktseite: Ähnliche Artikel für Käufer, die noch entscheiden, und häufig zusammen gekaufte Artikel für diejenigen, die kaufbereit sind.
• Warenkorbseite: Günstige Ergänzungen, wie Hüllen für Handys oder Socken für Schuhe.
• Startseite: Kürzlich angesehene und personalisierte Auswahl für wiederkehrende Besucher; Bestseller für neue Besucher.
• Leere Suchergebnisse: Beliebte Artikel in der nächstgelegenen Kategorie statt einer Sackgasse.
• Bestellbestätigung: Nachschub oder Zubehör für den nächsten Besuch.

Reine Algorithmen optimieren auf Klicks und können die falschen Dinge pushen: billige Artikel, nicht vorrätige Produkte oder Marken mit geringen Margen. Regeln ermöglichen es Merchandisern, das Modell zu steuern, ohne es zu ersetzen. Beginnen Sie mit einer kurzen Liste und fügen Sie Regeln erst hinzu, wenn Sie ein spezifisches Problem sehen.

Typische Regeln umfassen den Ausschluss von Artikeln unter einer Margenschwelle, die Förderung neuer Kollektionen für einen festgelegten Zeitraum, das niemals Empfehlen einer billigeren Alternative auf einer Produktseite für hochpreisige Artikel und das Filtern nach demselben Geschlecht oder derselben Größenspanne wie der betrachtete Artikel. Schreiben Sie jede Regel mit ihrem Grund auf, damit die nächste Person versteht, warum ein Produkt nie erscheint.

Testen Sie jeweils eine Platzierung gegen eine Kontrollgruppe. Die Kontrolle kann kein Widget, eine einfache Bestsellerliste oder die aktuelle Logik sein. Die meisten Empfehlungsplattformen beinhalten A/B-Tests; andernfalls verwenden Sie ein Test-Tool und teilen Sie nach Besuchern auf.

Messen Sie den Umsatz pro Besucher und die Konversionsrate für die gesamte Sitzung, nicht nur Klicks auf das Widget. Ein Widget kann viele Klicks sammeln, während es die Aufmerksamkeit vom Hauptprodukt ablenkt. Führen Sie Tests für mindestens zwei volle Wochen durch, um Wochentags- und Wochenendmuster einzubeziehen.

Dieselbe Engine, die die Website antreibt, kann E-Mails bei abgebrochenem Browsing und nach dem Kauf in Klaviyo oder einem ähnlichen Tool speisen. Produkt-Feed-Segmente, die aus der Empfehlungslogik erstellt wurden, können auch Google Shopping– und Meta-Katalogkampagnen formen, zum Beispiel durch Gruppierung von häufig zusammen gekauften Artikeln in ein Bundle-Feed-Label.

Denken Sie an das Timing. Ein Käufer, der ein Sofa gekauft hat, möchte am nächsten Tag nicht drei weitere Sofas per E-Mail. Nachkauf-Flows sollten auf Ergänzungen und Pflegeprodukte umstellen.

Empfehlungen driften ohne Eigentümer ab. Neue Kollektionen kommen an, Lieferanten wechseln, ein Sale endet und eine dafür geschriebene Regel bleibt aktiv. Beauftragen Sie eine Person, normalerweise aus dem E-Commerce oder Merchandising, die Platzierungen alle zwei Wochen zu überprüfen.

• Überprüfen Sie stichprobenartig fünf Produktseiten in verschiedenen Kategorien auf Mobilgeräten und Desktops.
• Überprüfen Sie die Top 20 der empfohlenen Produkte und bestätigen Sie Lagerbestand und Marge.
• Entfernen Sie abgelaufene Kampagnenregeln und Boosts.
• Lesen Sie das Dashboard mit den Testergebnissen und notieren Sie jede Platzierung, die Umsatz pro Besucher verloren hat.
• Protokollieren Sie jede Änderung mit Datum und Grund.

Dies dauert etwa eine Stunde. Es verhindert den langsamen Verfall, der Teams glauben lässt, die Engine habe aufgehört zu funktionieren, während sich in Wirklichkeit der Shop um sie herum verändert hat. Es gibt dem Merchandiser auch einen regelmäßigen Einblick, was Käufer tatsächlich zusammen paaren, was oft Bundles und Werbeaktionen informiert.