abtasty
Produktempfehlungen sind personalisierte Produktvorschläge, die Kunden auf Basis ihres Verhaltens, ihrer Vorlieben und des jeweiligen Kontexts angezeigt werden. Du kannst sie dir wie eine intelligente Verkaufsberatung vorstellen, die rund um die Uhr im Einsatz ist: Sie analysiert, welche Produkte deine Kunden ansehen, anklicken und kaufen, und spielt im passenden Moment die passenden Angebote aus.
Solche Verkaufsberater begegnen Nutzern an vielen Stellen: auf der Startseite, auf Produktseiten, im Warenkorb, im Checkout und sogar in E-Mails. Gut umgesetzt steigern sie nicht nur den Umsatz. Sie sorgen auch dafür, dass sich das Einkaufserlebnis intuitiv und persönlich anfühlt.
Gute Empfehlungen machen das gesamte Einkaufserlebnis mühelos. Genau das führt zu messbaren Geschäftsergebnissen. Dahinter steckt kein Trick, sondern durchdachtes Experience Design.
Entdecken Kunden im richtigen Moment das passende Produkt, ergeben sich daraus mehrere Vorteile:
Erlebe E-Merchandising in Aktion →
Eine Recommendation Engine ein System, das Daten sammelt, Muster erkennt und vorhersagt, welches Produkt ein Kunde mit hoher Wahrscheinlichkeit als Nächstes interessant findet. Der Ablauf lässt sich in vier Schritte gliedern:
Die Engine sammelt Signale entlang der gesamten Customer Journey:
Machine-Learning-Algorithmen verarbeiten diese Daten und ermitteln, welche Gemeinsamkeiten zwischen Kunden bestehen und wodurch sich einzelne Nutzer unterscheiden. Je mehr Daten der Engine zur Verfügung stehen, desto präziser werden ihre Vorhersagen.
Auf Basis dieser Muster wählt die Engine in Echtzeit die Produkte aus, die für den jeweiligen Nutzer voraussichtlich besonders interessant sind, und ordnet sie nach ihrer Eignung.
Mit Punkt 3 ist der Prozess nicht abgeschlossen. Die Engine passt sich fortlaufend an und aktualisiert ihre Empfehlungen, sobald sich das Kundenverhalten verändert. Jeder Klick, jeder Kauf und jede Scroll-Bewegung liefert neue Erkenntnisse.
Die Recommendation Engine von AB Tasty geht mit dem Semantic Proximity Algorithm noch einen Schritt weiter. Der auf Natural Language Processing (NLP) basierende Ansatz analysiert deinen Produktkatalog (Namen, Beschreibungen, Kategorien und Preise) und erkennt semantisch verwandte Produkte, selbst wenn noch keine historischen Kaufdaten vorliegen. So entstehen vom ersten Tag an relevante Empfehlungen, auch für neue Sortimente oder saisonale Kampagnen.
Noch mehr erfährst du in unserem Leitfaden zur Product Recommendation Engine →
Je nach Ziel und Datengrundlage kommen unterschiedliche Algorithmen zum Einsatz. Moderne Recommendation Engines kombinieren meist mehrere Ansätze, um bestmögliche Ergebnisse zu erzielen.
Collaborative Filtering
Nutzt das Verhalten vieler Nutzer, um Vorhersagen für eine einzelne Person zu treffen. Nutzerbasiert: „Menschen mit ähnlichen Interessen gefiel auch …“ Produktbasiert: „Kunden, die dieses Produkt gekauft haben, kauften auch …“. Grundlage sind Muster in gleichzeitig auftretendem Kaufverhalten.
Content-Based Filtering
Produkteigenschaften wie Kategorie, Farbe, Preis oder Stil stehen im Mittelpunkt. Empfohlen werden Artikel, die den Produkten ähneln, für die sich ein Kunde bereits interessiert hat. Besonders bei neuen Nutzern mit wenigen Verhaltensdaten hilfreich.
Hybride Systeme
Verbinden Collaborative Filtering und Content-Based Filtering. Dadurch entstehen in unterschiedlichen Kundenszenarien präzisere und passendere Ergebnisse. Auch die Engine von AB Tasty verfolgt einen hybriden Ansatz und stützt sich auf mehrere Signale.
Deep Learning
Bei großen Sortimenten und komplexen Datensätzen erkennen tiefe neuronale Netze feine Muster in Rohdaten. Dazu zählen visuelle Ähnlichkeiten, natürliche Sprache und Abfolgen im Nutzerverhalten. Auf dieser Basis lassen sich besonders präzise Vorschläge erstellen.
Jede Empfehlung verfolgt ein bestimmtes Ziel. Deshalb ist die Frage, warum du ein Produkt zeigst, ebenso wichtig wie die Auswahl des Produkts selbst.
Die drei wichtigsten Ziele sind:
Motiviere Kunden, ergänzende Produkte zu ihrem Kauf hinzuzufügen. Wer eine Kamera kauft, könnte beispielsweise eine Speicherkarte oder eine passende Tasche benötigen.
Cross-Selling-Empfehlungen erscheinen typischerweise auf Produktseiten, im Warenkorb oder im Checkout.
Lenke Kunden zu einer höherwertigen Variante des Produkts, das sie bereits in Betracht ziehen. Wer sich etwa einen einfachen Laptop ansieht, könnte ein Modell mit mehr Speicherplatz und einem leistungsfähigeren Prozessor angeboten bekommen.
Entscheidend ist beim Upselling, den zusätzlichen Nutzen hervorzuheben, nicht nur den höheren Preis.
Biete deinen Kunden Alternativen an. Passt das aktuell betrachtete Produkt nicht ganz, halten Empfehlungen für ähnliche Artikel den Nutzer auf der Website und unterstützen ihn auf dem Weg zum Kauf. Grundlage sind gemeinsame Merkmale wie Stil, Kategorie oder visuelle Ähnlichkeit.
Der Ort der Empfehlung ist genauso wichtig wie ihr Inhalt. So setzt du Produktempfehlungen in jeder Phase der Customer Journey gezielt ein.
Die Startseite prägt den ersten Eindruck. Nutze sie, um:
Hier ist die Kaufabsicht besonders hoch. Empfehlungen sollten:
Der Kauf steht kurz bevor. Nutze den vorhandenen Impuls, um:
Im Checkout sollte der Abschluss im Mittelpunkt stehen. Ablenkungen sind hier fehl am Platz. Eine gut platzierte „Häufig zusammen gekauft“-Empfehlung oder ein zeitlich begrenztes Angebot kann dennoch zusätzlichen Nutzen schaffen, ohne den Kaufprozess zu stören.
E-Mail gehört zu den Kanälen mit dem höchsten ROI für Produktempfehlungen:
Die Empfehlungs-Widgets von AB Tasty lassen sich einfach mit E-Mail-Plattformen wie Brevo und Adobe Campaign sowie mit CMS- und Commerce-Systemen wie Shopify, PrestaShop und Salesforce Commerce Cloud verbinden. So bleiben deine Empfehlungen über alle Kanäle hinweg konsistent.
Zum Integrations-Hub von AB Tasty →
AI übernimmt einen Großteil der Arbeit. Mit Merchandising-Regeln behält dein Team dennoch die Kontrolle. Dabei handelt es sich um manuelle Bedingungen, die du zusätzlich zur Recommendation Engine definierst, um die Vorschläge an deinen Geschäftszielen auszurichten.
Beschränke Empfehlungen auf eine bestimmte Produktgruppe. Angezeigt werden nur Artikel, die deine Kriterien erfüllen, etwa ausschließlich verfügbare Produkte, eine bestimmte Kategorie oder eine festgelegte Preisspanne.
Blende Produkte aus, die nicht empfohlen werden sollen. Dazu können saisonal unpassende Artikel, margenschwache SKUs, bereits gekaufte Produkte oder Artikel gehören, die schon im Warenkorb liegen
Platziere ausgewählte Produkte manuell an besonders sichtbaren Positionen, unabhängig von der algorithmischen Rangfolge. Das eignet sich beispielsweise für neue Produkte, margenstarke Artikel oder Überbestände, die mehr Aufmerksamkeit erhalten sollen.
Besonders wirkungsvoll wird der Ansatz, wenn du Merchandising-Regeln mit Zielgruppensegmentierung kombinierst.
Einige Beispiele:
Mit fortgeschrittener Segmentierung kannst du noch präziser vorgehen und Nutzer nach Verhalten, Engagement-Level oder emotionalem Profil ansprechen.
EmotionsAI geht dabei noch weiter: Innerhalb von nur 30 Sekunden nach dem Aufruf deiner Website ordnet das Tool Besucher emotionalen Segmenten wie „Wettbewerbsorientiert“, „Sicherheitsorientiert“ oder „Pragmatisch“ zu. So passen deine Empfehlungen nicht nur zu dem, was Kunden möchten, sondern auch dazu, wie sie sich beim Kauf fühlen möchten.
Tipp: Gib dem Algorithmus zunächst Zeit zum Lernen. Er sollte das Verhalten deiner Kunden verstehen, bevor du zu viele Regeln ergänzt. Nach der Kalibrierung nutzt du die Regeln, um die Produktempfehlungen möglichst präzise zu gestalten.
Vertiefe deine Zielgruppen-Erkenntnisse mit EmotionsAI →
Empfehlungen auszurollen ist nur der Anfang. Mit den folgenden Maßnahmen stellst du sicher, dass sie tatsächlich Wirkung zeigen.
Eine Recommendation Engine ist nur so gut wie die Daten, aus denen sie lernt. Erfasse und aktualisiere Verhaltenssignale deshalb kontinuierlich über alle Kanäle hinweg. Veraltete Eingangsdaten führen zu veralteten Vorschlägen.
Jede Platzierung sollte ein eindeutiges Ziel verfolgen, etwa Product Discovery, Upselling, Cross-Selling oder Kundenbindung. Verteile Empfehlungs-Widgets nicht wahllos, sondern überlege, welchen nächsten Schritt der Nutzer ausführen soll.
20 Empfehlungen sind nicht automatisch besser als fünf wirklich passende. Durch unpassende Vorschläge können Nutzer schnell das Vertrauen in deine Marke verlieren.
Eine allgemeingültige Formel gibt es nicht. Was bei einer Zielgruppe funktioniert, kann bei einer anderen wirkungslos bleiben. Teste Platzierung, Algorithmus, Anzahl der angezeigten Produkte und visuelle Darstellung per A/B-Test. Lass anschließend die Daten sprechen. Mit Web Experimentation von AB Tasty kannst du Empfehlungsstrategien direkt und mit statistischer Konfidenz prüfen. Deine Entscheidungen stützen sich so auf fundierte Daten statt auf Vermutungen.
Kennzeichnungen wie „Für dich empfohlen“, „Im Trend“ oder „Das gefiel anderen Kunden“ lenken die Aufmerksamkeit und liefern Kontext. Dadurch wirken Empfehlungen kuratiert statt automatisiert.
Mobile Nutzer verhalten sich anders. Optimiere Empfehlungs-Widgets für kleine Displays und beziehe bei Bedarf Standort oder Tageszeit ein, um die Bedeutung des Kontexts zu erhöhen.
Nutze Merchandising-Regeln, um margenstarke Produkte zu fördern, saisonale Bestände abzubauen oder neue Artikel hervorzuheben. Die Personalisierung, die den eigentlichen Wert der Empfehlungen ausmacht, sollte dabei erhalten bleiben.
Bereit für den nächsten Schritt? Lass uns gemeinsam bessere digitale Erlebnisse schaffen →
Personalisierte Produktempfehlungen sind Vorschläge, die individuell auf einen Kunden zugeschnitten sind. Grundlage sind unter anderem der bisherige Browserverlauf, frühere Käufe, Suchverhalten und Echtzeit-Verhalten auf der Website. Anders als allgemeine Bestsellerlisten passen sie sich an jeden Besucher an und sorgen dadurch für ein wirkungsvolles, intuitives und persönliches Einkaufserlebnis.
Eine Recommendation Engine sammelt Verhaltenssignale wie Klicks, Seitenaufrufe, Käufe und Verweildauer. Algorithmen erkennen darin Muster und prognostizieren, welche Produkte ein Kunde wahrscheinlich als Nächstes interessant findet. Diese Produkte werden im passenden Moment ausgespielt. Je mehr Daten die Engine erfasst, desto präziser werden ihre Vorschläge.
Richtig umgesetzt zählen sie zu den wirkungsvollsten Instrumenten im E-Commerce. Relevante und gut platzierte Empfehlungen verkürzen den Weg zum Kauf, erhöhen den Warenkorbwert und fördern Wiederkäufe. Entscheidend ist die Relevanz: Allgemeine oder schlecht getimte Vorschläge können mehr schaden als nutzen. Die besten Ergebnisse entstehen durch leistungsfähige Algorithmen, eine durchdachte Platzierung und kontinuierliche Tests.
Empfehlungen sind eine besonders wirkungsvolle Form der Personalisierung, aber nicht mit ihr gleichzusetzen. Personalisierung umfasst unter anderem individuell zugeschnittene Inhalte und Botschaften, dynamische Layouts und zielgerichtete Angebote. Produktempfehlungen sind eine konkrete Anwendung dieser Strategie: Sie spielen der richtigen Person zum richtigen Zeitpunkt die passenden Produkte aus.
Richte die Empfehlung an der jeweiligen Phase der Customer Journey aus. Auf Produktseiten bieten sich Cross-Selling und ähnliche Artikel an. Im Warenkorb funktionieren kurzfristige Zusatzangebote gut. Auf der Startseite sind Bestseller und zuletzt angesehene Produkte für wiederkehrende Besucher eine solide Wahl. Das Ziel bleibt immer gleich: Der nächste Schritt soll selbstverständlich und hilfreich wirken, nicht erzwungen.
Prüfe zunächst die Platzierungen deiner Empfehlungen und anschließend die Qualität deiner Daten.
Diese Maßnahmen sorgen für einen spürbaren Unterschied:
Ja, sofern die richtige Engine eingesetzt wird. Liegen noch keine Verhaltensdaten vor, können katalogbasierte Signale übernehmen: Produkteigenschaften, Kategorien, Beschreibungen und semantische Beziehungen zwischen Artikeln. Genau dafür wurde der Semantic Proximity Algorithm von AB Tasty entwickelt. Mithilfe von NLP analysiert er den Produktkatalog und liefert vom ersten Tag an relevante Vorschläge – auch für neue Besucher oder gerade eingeführte Produktlinien.
Ja, und diese Möglichkeit solltest du nutzen. Die meisten Recommendation Engines ermöglichen Merchandising-Regeln, mit denen sich bestimmte Produkte einbeziehen, ausschließen oder an festen Positionen platzieren lassen. So kannst du neue Artikel bewerben, nicht verfügbare Produkte ausblenden oder margenstarke SKUs priorisieren, ohne die Personalisierung im Hintergrund aufzugeben. Die AI übernimmt die aufwendige Analyse, während dein Team die Richtung vorgibt.
Abonniere unseren Newsletter
