{"id":6490,"date":"2022-04-14T13:18:57","date_gmt":"2022-04-14T11:18:57","guid":{"rendered":"https:\/\/www.fact-finder.de\/blog\/?p=6490"},"modified":"2025-01-14T16:04:22","modified_gmt":"2025-01-14T15:04:22","slug":"recommendations-ecommerce","status":"publish","type":"post","link":"\/blog\/de\/recommendations-ecommerce\/","title":{"rendered":"Warum sind Recommendations im eCommerce so schwierig?"},"content":{"rendered":"\n

Willkommen zu dieser Ausgabe von Thought Leadership \u2013 unserem Blog-Format, in dem du das neueste eCommerce-Wissen direkt von unseren Experten erf\u00e4hrst. Diesen Monat erkl\u00e4rt Adam Hjort, VP of Customer Success bei Loop54, welche unterschiedlichen Methoden Recommendation Engines nutzen k\u00f6nnen \u2013 und wo jeweils der Haken ist.<\/em><\/p>\n\n\n\n\n\n\n\n

Personalisierung ist seit geraumer Zeit ein Buzzword im eCommerce \u2013 \u00e4hnlich wie KI oder fr\u00fcher Big Data. Je nachdem, wen man fragt, bekommt man unterschiedliche Definitionen von Personalisierung. Und genau dasselbe gilt f\u00fcr Recommendations. Empfehlungsdienste (engl. \u201eRecommendation Engines\u201c) sind im eCommerce l\u00e4ngst als Standard etabliert und haben einen enormen Einfluss auf den Umsatz eines jeden Online-H\u00e4ndlers.<\/p>\n\n\n\n

Dass die Definitionen von Recommendations variieren, ist nicht weiter \u00fcberraschend, denn es gibt sie in ganz unterschiedlichen Formen. Nachfolgend eine Liste, was wir alles unter dem Begriff verstehen:<\/p>\n\n\n\n

\u00c4hnliche Produkte.<\/strong> Das sind Empfehlungen, die sich anderen Produkten in bestimmten Merkmalen \u00e4hneln. Sie werden in der Regel auf Produktdetailseiten angezeigt \u2013 mit dem Ziel, den Kunden bei der Stange zu halten, wenn das angeklickte Produkt nicht seinen Vorstellungen entspricht. Die Logik dahinter ist folgende: Wenn das angeklickte Produkt Interesse geweckt hat, k\u00f6nnen \u00e4hnliche Produkte den Besucher auf der Website halten.<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Beliebte Produkte. <\/strong>Damit sind Produkte gemeint, die auf einer aggregierten Ebene beliebter sind als andere Produkte. Die Beliebtheit kann auf verschiedene Weise gemessen werden \u2013 die g\u00e4ngigsten Messzahlen sind Klicks, Views oder K\u00e4ufe. Ziel dieses Empfehlungstyps ist es, die Conversion-Rate eines Shops zu erh\u00f6hen.<\/p>\n\n\n\n

Erg\u00e4nzende Produkte. <\/strong>Hierbei handelt es sich um Empfehlungen, die das angezeigte Produkt sinnvoll erg\u00e4nzen oder komplettieren. Beispiele daf\u00fcr sind Zubeh\u00f6rteile wie Schn\u00fcrsenkel zu einem Schuh oder auch ein Paddel zu einem Kajak. Das Ziel von erg\u00e4nzenden Produkten besteht darin, den durchschnittlichen Bestellwert (AOV) zu erh\u00f6hen, indem der Besucher veranlasst wird, mehr Produkte in den Warenkorb zu legen. Es gibt verschiedene M\u00f6glichkeiten, erg\u00e4nzende Produkte zu generieren \u2013 von der KI-basierten Kontextermittlung und Bilderkennung bis hin zu manueller Steuerung und historischen Kaufmustern.<\/p>\n\n\n\n

\"\"<\/figure><\/div>\n\n\n\n

Warenkorb-Empfehlungen. <\/strong>Das sind Empfehlungen, die auf dem aktuellen Warenkorb des Besuchers basieren. \u00c4hnlich wie bei erg\u00e4nzenden Produkten besteht der Hauptzweck von Warenkorb-Empfehlungen darin, den AOV zu erh\u00f6hen. Au\u00dferdem ist dies die einzige Art von Empfehlung, die von vornherein personalisiert ist (die anderen sind optional personalisierbar).<\/p>\n\n\n\n

<\/div>\n\n\n\n

Woher wei\u00df eine Recommendation Engine, welche Produkte passen?<\/strong><\/h2>\n\n\n\n

Zun\u00e4chst m\u00fcssen wir uns klar machen, was eine gute Empfehlung eigentlich ist. Denn auch hier k\u00f6nnen sich die Definitionen stark unterscheiden. F\u00fcr uns ist eine Empfehlung dann gut, wenn sie deine Hypothese belegt \u2013 in den meisten F\u00e4llen ist das diejenige Empfehlung mit der h\u00f6chsten Conversion-Rate. Bitte beachte jedoch, dass du bei einer reinen Ausrichtung auf die Conversion-Rate m\u00f6glicherweise Empfehlungen anzeigst, die zwar sehr gut konvertieren, die sich aber nur m\u00e4\u00dfig auf den PSV (Bestellwert pro Session) oder den AOV auswirken. Der Grund daf\u00fcr ist, dass es eine sehr hohe Korrelation zwischen dem Preis der Empfehlung und der tats\u00e4chlichen Conversion-Rate gibt: Je g\u00fcnstiger das Produkt, desto h\u00f6her die Conversion-Rate. Daher empfehlen wir dir, dich auf den Bestellwert pro Session zu konzentrieren (PSV = Umsatz\/Sessions).<\/p>\n\n\n\n

Nachdem wir nun eine gemeinsame Definition f\u00fcr eine gute Empfehlung haben, stellt sich die Frage, wie wir entscheiden, welches Produkt empfohlen werden soll. Die meisten Recommendation Engines arbeiten auf verschiedenen Ebenen, aber fast alle analysieren historische Kaufdaten, um zu ermitteln, welche Produkte h\u00e4ufig zusammen gekauft werden. Auf rudiment\u00e4rer Ebene erfordert dieser Ansatz keine K\u00fcnstliche Intelligenz und kein Verst\u00e4ndnis der tats\u00e4chlichen Beziehung zwischen den Produkten. Dieser Ansatz funktioniert auch sehr gut f\u00fcr 10% deines Produktsortiments. Bei den restlichen 90% gibt es aber nur sehr wenige Verbindungen zwischen den Produkten. Das liegt einerseits daran, dass sich das Kaufverhalten von Session zu Session \u00e4ndert, und andererseits auch daran, dass sich dein Produktsortiment st\u00e4ndig \u00e4ndert. Alte Produkte werden aus dem Sortiment genommen und neue kommen hinzu. Dabei haben die neuen entweder gar keine Verbindungen zu anderen Produkten oder ihre Kaufhistorie ist noch nicht bekannt.<\/p>\n\n\n\n

Um dieses \u2013 nennen wir es mal Datenproblem \u2013 zu l\u00f6sen, gibt es verschiedene Ans\u00e4tze. Einige Suchmaschinen verwenden Technologien zur Bilderkennung, um \u00e4hnliche Produkte zu finden, und bauen auf dieser Grundlage ein Kontextbewusstsein auf. Andere Suchmaschinen nutzen NLP (Natural Language Processing<\/a>), um ein besseres Verst\u00e4ndnis der Produkte und ihrer Beziehungen zueinander zu schaffen. Und wieder andere verzichten auf das Verst\u00e4ndnis des Kontexts und verlassen sich beim Generieren guter Empfehlungen ausschlie\u00dflich auf menschliche Intelligenz.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Bilderkennung<\/strong><\/h2>\n\n\n\n

Diese Technologie hat in den letzten Jahren enorme Fortschritte gemacht und ist heute in Plattformen wie Google Fotos nutzbar, um Fotos zu gruppieren oder zu markieren. In vielen F\u00e4llen funktioniert die Bilderkennung sehr gut und bringt gro\u00dfen Nutzen bei der Klassifizierung und Organisation von Foto-Attributen. Doch wenn diese Technologie zur Produktklassifizierung eingesetzt wird, kommen einige Nachteile zum Vorschein. Zun\u00e4chst einmal ist die Bilderkennung sehr wohl in der Lage, unterschiedliche Bilder mit unterschiedlichen Eigenschaften zu klassifizieren (so wie die Nicht-Hotdog-App).<\/p>\n\n\n\n

Sie ist aber weniger gut, wenn es darum geht, granulare Unterschiede zwischen Produkten zu finden. So lassen sich z.B. Kleider oder R\u00f6cke, die \u00e4hnlich aussehen, gut erkennen. Aber auch ein Garderobenst\u00e4nder und ein Haushaltspapierhalter sehen sich m\u00f6glicherweise sehr \u00e4hnlich \u2013 und das kann f\u00fcr Vollsortimenter ung\u00fcnstige Auswirkungen auf die angezeigten Empfehlungen haben.<\/p>\n\n\n\n

\"\"
Kleiderst\u00e4nder oder K\u00fcchenrollen-Halter? Hier kommt Software-gest\u00fctzte Bilderkennung an ihre Grenzen.<\/strong><\/figcaption><\/figure><\/div>\n\n\n\n
<\/div>\n\n\n\n

Natural Language Processing<\/strong><\/h2>\n\n\n\n

Auch die Produkt-Beschreibung kann genutzt werden, um den Kontext und die Beziehung von Produkten zu verstehen. Dieser Ansatz hat aber \u00e4hnliche Nachteile wie die Bilderkennung, da die Beschreibung nur einen Teil des eigentlichen Produkts widerspiegelt. Ein Beispiel daf\u00fcr ist ein Produktattribut wie die Farbe: Manche Produkte sind bunt, und in vielen Datenfeeds ist dies der tats\u00e4chlich angegebene Wert des Attributs. Ein Mensch w\u00fcrde verstehen, dass das Produkt viele Farben hat, aber das Attribut \u201ebunt\u201c nichts dar\u00fcber aussagt, wie es tats\u00e4chlich aussieht. Der offensichtliche Nachteil dieser Methode ist, dass einige Produkte keinen wirklichen Kontext haben und die Empfehlungen sehr irrelevant werden k\u00f6nnen.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Manuelle Auswahl von Empfehlungen<\/strong><\/h2>\n\n\n\n

Wenn es um Relevanz geht, ist diese Methode wahrscheinlich die beste. Denn Menschen sind sehr gut darin zu verstehen, welche Produkte zueinander passen. Am deutlichsten wird das vielleicht von Visual Merchandisern veranschaulicht. Empfehlungen manuell zu steuern ist recht einfach, wenn dein Sortiment aus 500 Produkten besteht. Aber was ist, wenn es 10.000 oder sogar 100.000 sind? <\/p>\n\n\n\n

Allein die regelm\u00e4\u00dfige Aktualisierung dieser Empfehlungen wird schnell zu einer Vollzeitbesch\u00e4ftigung. Zudem h\u00e4ngt diese Methode allein vom Ermessen des jeweiligen Merchandisers ab \u2013 das Erlebnis kann also nicht f\u00fcr jeden einzelnen Besucher personalisiert werden, sei es auf der Grundlage historischer Kaufdaten oder dem Session-Intent.<\/p>\n\n\n\n

\"\"
Hier ein Venn-Diagramm, das die \u00dcberschneidungen und Beziehungen zwischen den verschiedenen Empfehlungs-Methoden veranschaulicht.<\/strong><\/figcaption><\/figure><\/div>\n\n\n\n
<\/div>\n\n\n\n

Kontextunabh\u00e4ngige Empfehlungen<\/strong><\/h2>\n\n\n\n

Eine vierte M\u00f6glichkeit besteht darin, das Konzept des Kontexts zu ignorieren und die Empfehlungen stattdessen auf andere Variablen zu st\u00fctzen \u2013 z.B. auf historische Kaufdaten. Diese Methode ist eigentlich gar nicht so ungew\u00f6hnlich und kann in Kombination mit manuellem Merchandising durchaus mit anderen automatisierten Methoden wie der Bilderkennung mithalten. Der Vorteil der Betrachtung historischer Kaufdaten ist, dass die Produkte, die mit dieser Methode empfohlen werden, eine nachgewiesene Kaufwahrscheinlichkeit haben. Das Risiko besteht jedoch darin, dass v\u00f6llig irrelevante Empfehlungen erscheinen k\u00f6nnen, zum Beispiel k\u00f6nnte ein Grill auf der Produktseite eines Bleistifts empfohlen werden.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Den Kontext verstehen auf Basis des Besucherverhaltens<\/strong><\/h2>\n\n\n\n

Es gibt jedoch noch eine weitere Methode: Aus unserer 10-j\u00e4hrigen Arbeit in den Bereichen Kontext und Relevanz wissen wir, dass GOLEM <\/a>(unser Kontext-sensitiver Relevanz-Algorithmus) die oben genannten Nachteile auf sehr effektive Weise l\u00f6sen kann. Ohne zu tief in die technischen Merkmale von GOLEM und unserer KI einzutauchen, nur so viel: GOLEM versteht den Kontext, indem er die Produktattribute mit Neuronen verbindet. Diese Neuronen werden dann den Interaktionen ausgesetzt, die deine Besucher auf deiner Website durchf\u00fchren. Dadurch lernt die KI, welche Produkte einander \u00e4hnlich sind und welche weit voneinander entfernt sind. <\/p>\n\n\n\n

Dadurch k\u00f6nnen die relevantesten Empfehlungen zuverl\u00e4ssig ausgew\u00e4hlt werden \u2013 ohne dass die bekannten Nachteile von Bilderkennung, NLP oder manuellem Merchandising auftreten. Dar\u00fcber hinaus kann diese Methode mit allen oben genannten Varianten kombiniert werden, um eine noch h\u00f6here Relevanz und Conversion-Rate zu erreichen. <\/p>\n\n\n\n

Diese Methode ist auch mit Personalisierung kompatibel \u2013 unabh\u00e4ngig davon, ob die Personalisierung auf Basis von Session-Intent oder historischen Pr\u00e4ferenzen wie Markenaffinit\u00e4t, Preissensibilit\u00e4t oder jeder anderen Art von Pr\u00e4ferenz realisiert wird. GOLEM unterst\u00fctzt auch Streaming-Daten. Im Grunde bedeutet das, dass jedes neue Produkt, das du auf den Markt bringst, sofort mit in Betracht gezogen wird \u2013 ohne dass historische Daten dar\u00fcber vorliegen.<\/p>\n\n\n\n

Welche Methode hast du bereits verwendet und was sind deine wichtigsten Erkenntnisse? Hinterlasse uns gerne einen Kommentar!<\/p>\n\n\n\n

\"\"<\/a><\/figure><\/div>\n","protected":false},"excerpt":{"rendered":"

Willkommen zu dieser Ausgabe von Thought Leadership \u2013 unserem Blog-Format, in dem du das neueste eCommerce-Wissen direkt von unseren Experten erf\u00e4hrst. Diesen Monat erkl\u00e4rt Adam Hjort, VP of Customer Success bei Loop54, welche unterschiedlichen Methoden Recommendation Engines nutzen k\u00f6nnen \u2013 und wo jeweils der Haken ist.<\/p>\n","protected":false},"author":5,"featured_media":6523,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[3,4],"tags":[402,28,24,368,369],"class_list":["post-6490","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-insights","category-tipps_und_tricks","tag-adam-hjort","tag-online-shop","tag-personalisierung","tag-produktempfehlungen","tag-recommendations"],"yoast_head":"\nWarum sind Recommendations im eCommerce so schwierig?<\/title>\n<meta name=\"description\" content=\"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Warum sind Recommendations im eCommerce so schwierig?\" \/>\n<meta property=\"og:description\" content=\"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/\" \/>\n<meta property=\"og:site_name\" content=\"FactFinder blog\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/eCommerce.search\" \/>\n<meta property=\"article:published_time\" content=\"2022-04-14T11:18:57+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-01-14T15:04:22+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"860\" \/>\n\t<meta property=\"og:image:height\" content=\"430\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Joachim Braun\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@fact_finder\" \/>\n<meta name=\"twitter:site\" content=\"@fact_finder\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Adam Hjort\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"9\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/\"},\"author\":{\"name\":\"Joachim Braun\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#\\\/schema\\\/person\\\/666791ea54adaa291064706aa526356b\"},\"headline\":\"Warum sind Recommendations im eCommerce so schwierig?\",\"datePublished\":\"2022-04-14T11:18:57+00:00\",\"dateModified\":\"2025-01-14T15:04:22+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/\"},\"wordCount\":1460,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/ecommerce-recommendations-Loop54.jpg\",\"keywords\":[\"Adam Hjort\",\"Online-Shop\",\"Personalisierung\",\"Produktempfehlungen\",\"Recommendations\"],\"articleSection\":[\"Branchen-Insights\",\"eCommerce How-to\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/\",\"url\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/\",\"name\":\"Warum sind Recommendations im eCommerce so schwierig?\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/ecommerce-recommendations-Loop54.jpg\",\"datePublished\":\"2022-04-14T11:18:57+00:00\",\"dateModified\":\"2025-01-14T15:04:22+00:00\",\"description\":\"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/ecommerce-recommendations-Loop54.jpg\",\"contentUrl\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/ecommerce-recommendations-Loop54.jpg\",\"width\":860,\"height\":430,\"caption\":\"ecommerce recommendations Loop54\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/recommendations-ecommerce\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Warum sind Recommendations im eCommerce so schwierig?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#website\",\"url\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/\",\"name\":\"FactFinder blog\",\"description\":\"eCommerce Trends & Insights, Tipps & Tricks\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#organization\",\"name\":\"Omikron Data Quality GmbH\",\"url\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/fact-finder_logo.svg\",\"contentUrl\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/wp-content\\\/uploads\\\/2024\\\/01\\\/fact-finder_logo.svg\",\"width\":180,\"height\":52,\"caption\":\"Omikron Data Quality GmbH\"},\"image\":{\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/eCommerce.search\",\"https:\\\/\\\/x.com\\\/fact_finder\",\"https:\\\/\\\/www.instagram.com\\\/factfinder_ecommerce\\\/\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/fact-finder\\\/\",\"https:\\\/\\\/www.youtube.com\\\/user\\\/SearchAndNavigation\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.fact-finder.de\\\/blog\\\/de\\\/#\\\/schema\\\/person\\\/666791ea54adaa291064706aa526356b\",\"name\":\"Joachim Braun\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g\",\"caption\":\"Joachim Braun\"},\"description\":\"Joachim Braun Senior Content Marketing Specialist at FactFinder\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Warum sind Recommendations im eCommerce so schwierig?","description":"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/","og_locale":"de_DE","og_type":"article","og_title":"Warum sind Recommendations im eCommerce so schwierig?","og_description":"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.","og_url":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/","og_site_name":"FactFinder blog","article_publisher":"https:\/\/www.facebook.com\/eCommerce.search","article_published_time":"2022-04-14T11:18:57+00:00","article_modified_time":"2025-01-14T15:04:22+00:00","og_image":[{"width":860,"height":430,"url":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg","type":"image\/jpeg"}],"author":"Joachim Braun","twitter_card":"summary_large_image","twitter_creator":"@fact_finder","twitter_site":"@fact_finder","twitter_misc":{"Verfasst von":"Adam Hjort","Gesch\u00e4tzte Lesezeit":"9\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#article","isPartOf":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/"},"author":{"name":"Joachim Braun","@id":"https:\/\/www.fact-finder.de\/blog\/de\/#\/schema\/person\/666791ea54adaa291064706aa526356b"},"headline":"Warum sind Recommendations im eCommerce so schwierig?","datePublished":"2022-04-14T11:18:57+00:00","dateModified":"2025-01-14T15:04:22+00:00","mainEntityOfPage":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/"},"wordCount":1460,"commentCount":0,"publisher":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/#organization"},"image":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#primaryimage"},"thumbnailUrl":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg","keywords":["Adam Hjort","Online-Shop","Personalisierung","Produktempfehlungen","Recommendations"],"articleSection":["Branchen-Insights","eCommerce How-to"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/","url":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/","name":"Warum sind Recommendations im eCommerce so schwierig?","isPartOf":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#primaryimage"},"image":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#primaryimage"},"thumbnailUrl":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg","datePublished":"2022-04-14T11:18:57+00:00","dateModified":"2025-01-14T15:04:22+00:00","description":"Adam Hjort, VP of Customer Success bei Loop54, erkl\u00e4rt welche Methoden Recommendation Engines nutzen \u2013 und wo jeweils der Haken ist.","breadcrumb":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#primaryimage","url":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg","contentUrl":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2022\/04\/ecommerce-recommendations-Loop54.jpg","width":860,"height":430,"caption":"ecommerce recommendations Loop54"},{"@type":"BreadcrumbList","@id":"https:\/\/www.fact-finder.de\/blog\/de\/recommendations-ecommerce\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.fact-finder.de\/blog\/de\/"},{"@type":"ListItem","position":2,"name":"Warum sind Recommendations im eCommerce so schwierig?"}]},{"@type":"WebSite","@id":"https:\/\/www.fact-finder.de\/blog\/de\/#website","url":"https:\/\/www.fact-finder.de\/blog\/de\/","name":"FactFinder blog","description":"eCommerce Trends & Insights, Tipps & Tricks","publisher":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.fact-finder.de\/blog\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.fact-finder.de\/blog\/de\/#organization","name":"Omikron Data Quality GmbH","url":"https:\/\/www.fact-finder.de\/blog\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.fact-finder.de\/blog\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2024\/01\/fact-finder_logo.svg","contentUrl":"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2024\/01\/fact-finder_logo.svg","width":180,"height":52,"caption":"Omikron Data Quality GmbH"},"image":{"@id":"https:\/\/www.fact-finder.de\/blog\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/eCommerce.search","https:\/\/x.com\/fact_finder","https:\/\/www.instagram.com\/factfinder_ecommerce\/","https:\/\/www.linkedin.com\/company\/fact-finder\/","https:\/\/www.youtube.com\/user\/SearchAndNavigation"]},{"@type":"Person","@id":"https:\/\/www.fact-finder.de\/blog\/de\/#\/schema\/person\/666791ea54adaa291064706aa526356b","name":"Joachim Braun","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/4c4f3d85ee02728386b17ebc1be9773ca45dc3c156a5d8dddf48d2dc75b6bacc?s=96&d=mm&r=g","caption":"Joachim Braun"},"description":"Joachim Braun Senior Content Marketing Specialist at FactFinder"}]}},"_links":{"self":[{"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/posts\/6490","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/comments?post=6490"}],"version-history":[{"count":17,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/posts\/6490\/revisions"}],"predecessor-version":[{"id":7721,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/posts\/6490\/revisions\/7721"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/media\/6523"}],"wp:attachment":[{"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/media?parent=6490"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/categories?post=6490"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fact-finder.de\/blog\/de\/wp-json\/wp\/v2\/tags?post=6490"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}