Du möchtest Produktempfehlungen in Deinem Online-Shop implementieren? Dann ist dies Dein Leitfaden! 

„Oft wissen die Leute nicht, was sie wollen – bis man es ihnen zeigt“. Dieses Zitat von Steve Jobs verdeutlicht, warum Produktempfehlungen ein wesentliches Element für jeden Online-Shop und eines der mächtigsten Instrumente zur Steigerung des Warenkorbwerts sind.  

Intelligente Produktempfehlungen können den Umsatz um 10 % steigern 

Der Grund, warum sich Produktempfehlungen so gut etabliert haben, lässt sich mit einem Wort erklären: Impulskäufe. Genau wie in einem physischen Geschäft besteht die Strategie darin, verschiedene Produkte in das Blickfeld des Kunden zu rücken. Der Vorteil von Online-Shops ist, dass man eine ganze Reihe von Möglichkeiten hat, den Kunden zu einem Impulskauf zu animieren – von der Startseite bis zum Checkout-Prozess.  

Ein viel zitierter Bericht von McKinsey besagt, dass Amazon etwa 35 % seiner Einnahmen aus Empfehlungen generiert. Auch wenn diese Zahl hoch erscheinen mag, wird kaum jemand bestreiten, dass Produktempfehlungen einen wesentlichen Beitrag zum kometenhaften Aufstieg des Online-Riesen geleistet haben und einen großen Einfluss auf die gesamte Customer Journey ausüben.  

Welche Arten von Empfehlungen gibt es in einem Online-Shop?

Die wichtigsten Arten von Produktempfehlungen lassen sich in die folgenden Kategorien einteilen:  

  • nutzerbezogen   
  • produktbezogen  
  • expertenbasiert 

Nutzer-basierte Empfehlungen (selbstlernend)

Egal, ob Du diese Art der Empfehlung nun mit „Andere Kunden kauften auch“, „Wird oft zusammen gekauft“ oder einer anderen Überschrift versiehst, die Grundlage ist immer die gleiche: Lernen aus dem Kundenverhalten und den kombinierten Verkäufen des Shops mit dem Ziel, automatisch passende Empfehlungen zu generieren. Solche Empfehlungen werden in der Regel auf der Produktdetailseite oder im Warenkorb angezeigt, wenn der Kunde seine Kaufentscheidung getroffen hat und bereit ist, weitere Entscheidungen zu treffen.  

Bis vor einigen Jahren hatten Online-Händler oft das Problem, dass sie eine möglichst große Datenbank benötigten, um relevante Empfehlungen generieren zu können. Neue kontextbezogene Ansätze in der KI haben jedoch ermöglicht, dass dafür immer kleinere Datenmengen ausreichen. Heute lässt sich selbst aus einzelnen kombinierten Einkäufen ableiten, welche Kategorien in der Regel übereinstimmen. So wirken sich Änderungen im Produktkatalog unmittelbar auf die angezeigten Empfehlungen aus. Und neu gelistete Produkte verkaufen sich von Anfang an gut.  

Neben den Gesamtumsätzen aller Besucher des Shops spielen auch die Vorlieben der einzelnen Kunden eine wichtige Rolle. So lässt sich beispielsweise aus dem Klick- und Kaufverhalten im Shop ableiten, welche Marken, Farben, Preisklassen etc. ein bestimmter Nutzer bevorzugt. Diese Art der Personalisierung kann Deinen Empfehlungen den letzten Schliff geben und Deinen Kunden das Gefühl vermitteln, dass Du sie wirklich verstehst.  

Best Practice: Walbusch

„Andere Kunden kaufen auch“ – Empfehlungen in einem Fashion-Shop: In diesem Beispiel verkauft unser Kunde Walbusch so weitere Produkte.

Produkt-basierte Empfehlungen (regelbasiert oder selbstlernend)  

Diese Art der Empfehlung ist perfekt für Produktdetail-Seiten geeignet – und Dein Shop muss nichts lernen, um sie umzusetzen. Die Recommendation Engine berücksichtigt nur Produkte innerhalb Deines Sortiments, die dem vom Nutzer gerade angeschauten Produkt ähnlich sind.

Das Spannende an dieser Methode ist: Du kannst entweder die KI die Ähnlichkeiten definieren lassen oder die Regeln selbst festlegen, nach denen ähnliche Produkte angezeigt werden sollen. Um beispielsweise Kunden zum Kauf eines höherpreisigen Produkts zu bewegen (Up-Selling), kannst Du festlegen, dass nur ähnliche Produkte zu höheren Preisen angezeigt werden sollen. 

Best Practice: Kaiser+Kraft

Online shop, Kaiser+Kraft, recommend similar pallet trucks
Ähnliche Produkte als Empfehlungen in B2B-Shops: Kaiser+Kraft empfiehlt in diesem Beispiel höherpreisige Gabelhubwagen. 

Experten-basierte Empfehlungen (händisch)  

Wenn Du die Ressourcen hast und nicht alles der KI überlassen willst, kannst Du auch einige Deiner Produkte mit den Empfehlungen Deiner Wahl „zusammenbinden“, das heißt, Du bestimmst genau, welche Empfehlungen für welches Produkt angezeigt werden sollen. Dies ist der flexibelste Ansatz und er kann sowohl statisch (exakte Zuordnung) als auch dynamisch (regelbasiert) umgesetzt werden.  

Zwei verschiedene Modi sind möglich:

Nicht empfehlen – Blacklisting, welche Produkte von den Empfehlungen ausgeschlossen werden sollen. Zum Beispiel in einem Sportgeschäft keine FC-Bayern-Trikots für Manchester-United-Hosen oder in einer Online-Apotheke Produkte ausschließen, die nicht zusammen mit dem betrachteten Medikament eingenommen werden sollten.   

Immer empfehlen – Whitelisting, welche Produkte unbedingt angezeigt werden sollen. Zum Beispiel Produktgebinde, Shop-the-look etc.  

Best Practice: Walbusch

Bonus: Bestseller als vielseitig einsetzbares Werkzeug

Eine Kategorie von Empfehlungen, die Du fast überall einsetzen kannst, sind Bestseller. Wie der Name schon sagt, muss Deine Recommendation Engine nur wissen, welche Produkte Du bisher am meisten verkauft hast. Bestseller funktionieren am besten auf allgemeinen Seiten wie der Startseite oder den Null-Treffer-Seiten. Ohne aktive Personalisierung, die aus früheren Transaktionen gelernt hat, verraten diese generischen Seiten allerdings nur wenig über die Interessen des Kunden. Daher ist es sinnvoll, Artikel zu empfehlen, die bei Deinen Kunden am beliebtesten sind. Auch Neuheiten lassen sich hier leicht verkaufen. 

Best Practice: OBI

Auf den Null-Treffer-Seiten zeigt unser Kunden-OBI die Bestseller aus verschiedenen Kategorien an, sodass die Kunden nicht erneut suchen müssen, um die Produktpalette zu sehen – was die Wahrscheinlichkeit erhöht, dass sie im Shop bleiben. 

Die nächste Stufe: Vorausschauende Empfehlungen

Die heutigen Shopsysteme sind so konzipiert, dass sie Kunden bei ihren Kaufentscheidungen helfen. In vielen Branchen, wie z.B. im Lebensmittelhandel, in Drogerien, in der Pharmazie und im B2B-Bereich, sind jedoch On-Demand-Käufe üblich, d.h. die Kunden wissen bereits, was sie (nach-)bestellen wollen.  

Genau für diesen Zweck haben wir den Predictive Basket entwickelt. Dabei handelt es sich um ein neuronales Netzwerk, das wie eine Empfehlungsmaschine proaktive Kaufvorschläge machen kann, um bedarfsgerechte Einkäufe und Nachbestellungen zu vereinfachen. Dafür berücksichtigt die KI viele verschiedene Faktoren. So analysiert sie beispielsweise die individuellen Vorlieben des jeweiligen Einzelkunden und auch das saisonale Kaufverhalten aller Kunden (z.B. wird im Bereich Food Milch häufiger nachbestellt als Marmelade).   

Die KI erkennt auch saisonale Verkaufstrends, z.B. Holzkohle für den Grill. Wenn ein Kunde im Sommer alle zwei Wochen Holzkohle kauft, zeigt ihm der Predictive Basket im gleichen Rhythmus dann auch Holzkohleprodukte an. Sobald die Grillsaison vorbei ist und nur noch wenige Kunden diese Produkte kaufen, passt sich der Predictive Basket diesem veränderten Einkaufsverhalten an. Das heißt, die Recommendation Engine wird dem Kunden, der zuvor regelmäßig Grillkohle gekauft hat, jetzt keine verwandten Produkte mehr vorschlagen. 

Wo können Produktempfehlungen eingesetzt werden? 

Hier ist eine hilfreiche Matrix, die zeigt, welche Arten von Empfehlungen sich für die verschiedenen Phasen der Customer Journey am besten eignen:

Wie integriere ich eine Recommendation Engine in meinen Shop? 

Der Prozess und der Zeitrahmen der Integration unterscheiden sich je nach Technologie, Shopsystem und Anforderungen. Im Fall der Recommendation Engine von FactFinder dauert die vollständige Implementierung inklusive KI-Training in der Regel nicht länger als zwei Wochen. 

Checkliste für Deine Recommendation Engine  

Abschließend findest Du hier eine praktische Checkliste mit den Aspekten, die Du bei der Auswahl und Nutzung Deiner Recommendation Engine berücksichtigen solltest. Diese sollte: 

  • mehrere Datenquellen berücksichtigen. Dies sollte sowohl Kombinationsverkäufe als auch attribut- und merkmalsbezogene Vorlieben der Nutzer umfassen. Zum Beispiel lohnt es sich in der Regel, auf der Produktdetailseite verschiedene Empfehlungstypen zu platzieren.  
  • aus einzelnen Kombinationsverkäufen allgemeine Schlüsse ziehen. So ist sichergestellt, dass Du nicht monatelang Daten sammeln musst, bevor Du sinnvolle Empfehlungen generieren kannst. So erreicht Deine Recommendation Engine einen viel schnelleren ROI. 
  • aus dem Kundenverhalten lernen, und zwar DSGVO-konform. Dies geschieht auf Basis der Session-ID, ohne Cookies von Drittanbietern. Auf diese Weise kann Deine Recommendation Engine unabhängig von Cookie-Themen arbeiten.
  • echte Intelligenz ermöglichen. In der Praxis hat sich gezeigt, dass die besten Ergebnisse durch eine Mischung aus künstlicher Intelligenz und menschlichem Wissen erzielt werden.    

Benötigst Du Unterstützung bei der Definition und Umsetzung Deiner Empfehlungsstrategie? Unser FactFinder-Team hilft Dir gerne weiter! Seit mehr als 20 Jahren unterstützen wir Shop-Betreiber bei der Optimierung ihrer Such- und Empfehlungsstrategien. Je nach Struktur und Umfang Deines Sortiments und Kundenverhalten sowie Deiner Produktkategorien demonstrieren wir Dir gerne unsere Recommendation Engine, die alle in diesem Artikel genannten Funktionalitäten umfasst.