Die häufigsten Fehler bei KI-Produktempfehlungen sind die Einspeisung schlechter Katalogdaten in die Engine, das Platzieren desselben Widgets auf jeder Seite, die Optimierung auf Klicks statt auf Marge oder Umsatz und der Start ohne einen ordnungsgemäßen Holdout-Test. Jeder dieser Fehler lässt Empfehlungen zwar beschäftigt aussehen, bringt aber wenig Mehrwert. Diese Fehler zu beheben ist meist wichtiger, als den Anbieter zu wechseln.
KI-Produktempfehlungen sind Vorschläge, die von Modellen generiert werden, die aus Browser-, Kauf- und Katalogdaten lernen. Sie erscheinen als “Kunden kauften auch”, “Vervollständigen Sie den Look”, personalisierte Zeilen auf der Startseite, Warenkorb-Add-ons und E-Mail-Blöcke. Shopify, Adobe Commerce, Salesforce Commerce Cloud und spezialisierte Tools wie Nosto, Klevu, Algolia Recommend und Dynamic Yield bieten alle Versionen davon an.
Fehler 1: Den Katalog als zweitrangig behandeln
Empfehlungsmodelle lernen aus Attributen. Wenn bei der Hälfte Ihrer Produkte ein Feld für Kategorie, Farbe oder Größe fehlt, hat die Engine weniger, womit sie arbeiten kann, und greift auf Beliebtheit zurück. Deshalb empfehlen viele Shops überall dieselben zehn Bestseller.
Bevor Sie das Modell optimieren, prüfen Sie den Feed. Suchen Sie nach fehlenden Attributen, inkonsistenten Bezeichnungen (“Marine”, “marineblau”, “dunkelblau”), doppelten Produkten und Varianten, die als separate Artikel gelistet sind. Ein sauberer Feed verbessert die Ergebnisse oft, noch bevor Einstellungen geändert werden.
Fehler 2: Warum ein einziges Widget auf jeder Seite scheitert?
Käufer haben an verschiedenen Punkten unterschiedliche Bedürfnisse. Auf einer Produktseite vergleichen sie. Im Warenkorb suchen sie nach einem kleinen Add-on. Nach dem Kauf benötigen sie möglicherweise Zubehör oder Nachfüllpackungen. Die Verwendung eines einzigen “Das könnte Ihnen auch gefallen”-Blocks überall ignoriert all das.
- Produktseite: ähnliche Artikel und Alternativen zu ähnlichen Preisen
- Warenkorb: kostengünstige Ergänzungen, die zum bereits Vorhandenen passen
- E-Mail nach dem Kauf: Zubehör, Verbrauchsmaterialien, Pflegeprodukte
- Startseite: personalisierte Zeilen für wiederkehrende Besucher, kuratierte Auswahl für neue Besucher
- Seite für nicht vorrätige Artikel: nahe Ersatzprodukte, die auf Lager sind
Ein Shop, der Laufschuhe verkauft, könnte zum Beispiel auf der Produktseite andere Schuhe zeigen, im Warenkorb Socken und Einlegesohlen und nach der Distanz, die die meisten Läufer mit einem Paar zurücklegen, eine Erinnerung zum Austausch.
Fehler 3: Optimierung auf die falsche Kennzahl
Die Klickrate ist leicht zu erhöhen. Zeigen Sie billigere oder auffälligere Produkte und die Klicks steigen. Umsatz, durchschnittlicher Bestellwert und Marge bewegen sich jedoch möglicherweise nicht oder sinken sogar.
Setzen Sie das Ziel innerhalb des Tools, wo es möglich ist. Viele Plattformen erlauben es Ihnen, Empfehlungen nach Umsatz, Marge oder Lagerbestand zu gewichten. Wenn Ihres das nicht tut, messen Sie zumindest den zugeschriebenen Umsatz pro Sitzung anstelle von Klicks und beobachten Sie, ob Empfehlungen Produkte kannibalisieren, die Kunden ohnehin gekauft hätten.
Fehler 4: Ist ein Vorher-Nachher-Vergleich ausreichend?
Nein. Der Vergleich dieses Monats mit dem letzten Monat vermischt die Empfehlungsänderung mit Saisonalität, Werbeaktionen und Werbeausgaben. Das Ergebnis sieht aus wie ein Beweis, beweist aber sehr wenig.
Führen Sie stattdessen einen Holdout-Test durch. Die meisten ernsthaften Plattformen unterstützen A/B-Tests, bei denen ein Teil der Besucher, oft 10 bis 20 Prozent, keine Empfehlungen oder die alte Version sieht. Führen Sie ihn lange genug durch, um mindestens einen vollständigen wöchentlichen Zyklus und genügend Bestellungen abzudecken, um den Unterschied mit Zuversicht ablesen zu können. Kleine Shops benötigen möglicherweise mehrere Wochen.
Welche Fehler treten nach dem Start auf?
Der Start ist nicht das Ende der Arbeit. Drei Probleme treten normalerweise in den ersten Monaten auf, sobald echter Traffic die Engine erreicht und das Merchandising-Team aufhört, sie jeden Tag zu beobachten.
Fehler 5: Den Kaltstart ignorieren
Neue Besucher und neue Produkte haben keine Historie. Ein Modell, das sich nur auf das Verhalten stützt, zeigt ihnen generische beliebte Artikel, was am ersten Tag in Ordnung ist, danach aber eine verpasste Chance.
Die Lösung ist eine Mischung: inhaltsbasierte Regeln unter Verwendung von Produktattributen für neue Produkte, Kontext wie Traffic-Quelle oder Kampagne für neue Besucher und verhaltensbasierte Modelle, sobald Daten vorhanden sind. Prüfen Sie, wie Ihr Tool dies handhabt; einige tun dies standardmäßig, einige benötigen Konfiguration.
Fehler 6: Die Engine Geschäftsregeln außer Kraft setzen lassen
Modelle wissen nicht, dass ein Produkt kurz vor der Auslistung steht, dass ein Markenpartner verbietet, neben einem Konkurrenten angezeigt zu werden, oder dass eine Kategorie geringe Margen hat. Ohne Regeln können Empfehlungen Artikel bewerben, die Sie nicht verkaufen möchten.
Regeln, die in den meisten Shops sinnvoll sind:
- Nicht vorrätige und kaum vorrätige Artikel ausschließen
- Artikel mit Retouren über Ihrem Schwellenwert ausschließen
- Empfehlungen innerhalb einer sinnvollen Preisspanne des angesehenen Artikels halten
- Sensible Paarungen blockieren, wie z. B. Produkte für Erwachsene neben Kinderartikeln
- Saisonale oder neue Artikel für einen festen Zeitraum fixieren
Fehler 7: Datenschutz und Einwilligung vergessen
Personalisierte Empfehlungen verwenden Verhaltensdaten. Unter der DSGVO und der türkischen KVKK erfordert Tracking, das nicht unbedingt erforderlich ist, oft eine Einwilligung, und viele Käufer lehnen diese ab. Wenn Ihre Einwilligungseinstellung das Empfehlungsskript vollständig blockiert, sehen viele Besucher möglicherweise nichts.
Prüfen Sie, was das Tool ohne Einwilligung tut. Eine gute Einrichtung greift auf nicht-personalisierte Empfehlungen zurück, die auf der aktuellen Seite basieren, was immer noch einen Mehrwert bietet und innerhalb der Regeln bleibt. Testen Sie es selbst: Öffnen Sie den Shop in einem privaten Fenster, lehnen Sie Cookies ab und sehen Sie, was jede Platzierung anzeigt. Wenn die Blöcke leer sind, ist die Lösung normalerweise eine Konfigurationsänderung im Einwilligungstool oder im Empfehlungsskript, nicht ein neuer Anbieter.
Wie Alien Road KI-Produktempfehlungen anwendet
Bei einem typischen Engagement beginnt die Entdeckung mit einem Katalog-Audit und einer Überprüfung der aktuellen Platzierungen, Ziele und des Trackings. Wir schauen uns an, welche Widgets existieren, worauf jedes optimiert ist und ob jemals ein Test durchgeführt wurde.
Die Einrichtung folgt dann der oben genannten Reihenfolge: Feed bereinigen, einen Zweck pro Platzierung zuweisen, Geschäftsregeln hinzufügen und einen Holdout einrichten. Die Messung verwendet den zugeschriebenen Umsatz pro Sitzung und den durchschnittlichen Bestellwert gegenüber der Holdout-Gruppe, monatlich berichtet mit Notizen zu Katalogänderungen und Werbeaktionen. Wenn ein Anbieterwechsel sinnvoll ist, sagen wir das, aber meistens hat das bestehende Tool noch Spielraum.
Wo man diese Woche anfangen sollte
Exportieren Sie Ihren Produkt-Feed und zählen Sie fehlende Werte in den Feldern Kategorie, Farbe, Größe und Preis. Diese einzelne Zahl sagt Ihnen, wie viel die Engine rät. Sortieren Sie die Lücken nach Umsatz, damit die Produkte, die sich am meisten verkaufen, zuerst korrigiert werden.
Öffnen Sie dann Ihren Shop auf einem Telefon und gehen Sie durch Produktseite, Warenkorb und Checkout. Notieren Sie jeden Empfehlungsblock, was er zeigt und ob er für diesen Moment sinnvoll ist. Die meisten Teams finden mindestens eine Platzierung, die sie sofort entfernen würden.
Weiterlesen: E-Commerce · E-Commerce