Visit page
Zum Inhalt springen

Produktempfehlungen im Online-Shop: So steigerst du Warenkörbe mit und ohne KI

„A lot of times, people don’t know what they want until you show it to them.” Dieses berühmte Zitat von Steve Jobs verdeutlicht perfekt, warum Produktempfehlungen (aka Recommendations) in keinem Online-Shop fehlen sollten. Sie sind eines der mächtigsten Tools, um den durchschnittlichen Warenkorbwert, aber auch die Kundenzufriedenheit und Wiederkaufrate zu steigern. Dabei sind Recommendations sehr vielseitig einsetzbar – umso wichtiger ist es, die richtige Empfehlungsstrategie für den eigenen Shop zu finden. Welche Arten von Recommendations gibt es? Was sind die Use-Cases und Best-Practices? Und wann lohnt sich der Einsatz von KI? All das zeige ich dir in diesem Beitrag.

+10% Umsatz sind mit Produktempfehlungen realistisch

Der Grund, warum Produktempfehlungen so etabliert sind, lässt sich mit einem Wort beschreiben: Impulskäufe. Wie in der Kassenzone im Laden platziert man Produkte im unmittelbaren Sichtfeld der Kunden. Und das Gute ist: Im Online-Shop hat man eine ganze Palette an möglichen Einsatzorten, Kunden zu spontanen Käufen anzuregen – von der Startseite über den Warenkorb-Layer bis hin zum Checkout.

Ein viel zitierter Report von McKinsey besagt, dass Amazon etwa 35% seines Umsatzes über Recommendations erzielt. Auch wenn diese Zahl sehr hoch anmutet, wird wohl kaum jemand abstreiten, dass Produktempfehlungen einen wesentlichen Beitrag am Aufstieg von Amazon hatten.

Anuj Kumar, Professor Warrington College of Business in Florida, hat sich eingehender mit der spannenden Frage beschäftigt, wie stark Recommendations den Umsatz steigern können. Dazu hat er mehr als zwei Millionen Produktseiten-Views aus fast einer Million Sessions analysiert. Die Studie ergab, dass Recommendations den Umsatz der jeweils empfohlenen Produkte um 9% steigerten. Dabei fiel auch auf, dass der Verkauf der initial betrachteten Produkte (zu denen die Empfehlungen angezeigt wurden) um 1,9% zurück ging. Recommendations können also dazu führen, dass Kunden vom angesehenen Produkt abgelenkt werden – aber die Studie zeigt, dass sie trotzdem einen deutlichen Mehrwert erzeugen.

Die vollständige Studie über Recommendations findest du hier …

Wie funktionieren Produktempfehlungen im Online-Shop?

Produktempfehlungen werden von einer Recommendation Engine erzeugt. Dabei handelt es sich um ein Software-System, das voraussagt, welche Produkte am wahrscheinlichsten im gegebenen Kontext gekauft werden. Diese Voraussagen basieren häufig auf ganz verschiedenen Arten von Daten: den Affinitäten eines individuellen Nutzers, der Kaufhistorie im gesamten Shop, verlassenen Warenkörben oder passenden Alternativen, Ergänzungen bzw. Zubehör zum aktuellen Produkt. Auch eine Kombination mehrerer Datenquellen ist möglich (und empfohlen 😉).

Die wichtigsten Arten von Produktempfehlungen lassen sich in folgende Kategorien aufteilen:

Nutzer-basierte Empfehlungen (selbstlernend)

Nutzer-basierte Produktempfehlungen schematisch

Egal, ob man diese Art von Empfehlung mit „Andere Kunden kauften auch“, „Wird oft zusammen gekauft“ oder einer anderen Überschrift versieht: Hier geht es immer darum, aus dem Kundenverhalten und den kombinierten Verkäufen im Shop zu lernen – mit dem Ziel, automatisiert passende Empfehlungen zu generieren. Klassischerweise wird dieser Empfehlungstyp auf der Produktdetailseite genutzt oder noch besser: im Warenkorb-Layer, der erscheint, nachdem Kunden ihre Entscheidung getroffen haben und damit bereit sind für eine neue Entscheidung.

Bis vor ein paar Jahren hatten Händler noch häufig das Problem, dass eine möglichst große Datenbasis nötig war, um gute Empfehlungen zu erzeugen. Inzwischen ist es aber dank KI-Verfahren auch mit kleineren Datenmengen möglich, sinnvolle Recommendations auszuspielen. Schon aus einzelnen Kombi-Käufen lässt sich so abstrahieren, welche Kategorien im Allgemeinen zusammenpassen. So wirken sich Veränderungen im Produktkatalog sofort auf die gezeigten Empfehlungen aus. Und neu gelistete Produkte werden vom Start weg gut verkauft.

Neben den kombinierten Verkäufen aller Shop-Besucher spielen auch die Affinitäten des individuellen Besuchers bzw. Besucherin eine wichtige Rolle. Aus dem Klick- und Kaufverhalten im Shop lässt sich zum Beispiel ableiten, welche Marken, Farben, Preisspannen etc. ein bestimmter Nutzer bevorzugt. Eine solche Personalisierung kann deinen Empfehlungen noch den letzten Schliff geben – und deinen Kunden das Gefühl, wirklich verstanden zu werden 🙂.

 

Best-Practice-Beispiel Walbusch:

Produktempfehlungen Walbusch

Intelligente Cross-Sell-Empfehlungen, die keinen manuellen Aufwand verursachen: Beim Modehändler Walbusch passen die KI-generierten Recommendations sehr gut zum betrachteten Produkt.

Produkt-basierte Empfehlungen (Regel-gesteuert)

Produkt-basierte Produktempfehlungen schematisch

Dieser Empfehlungstyp eignet sich ganz besonders für die Produktdetailseite. Um ihn zu realisieren, braucht dein Shop nicht mitzulernen. Deine Recommendation Engine berücksichtigt einzig, welche Produkte aus deinem Sortiment sich mit dem aktuell betrachteten Produkt ähneln – zum Beispiel in Sachen Kategorie und Attributen. Spannend ist vor allem, dass du definieren kannst, nach welchen Regeln die ähnlichen Produkte ausgespielt werden sollen. Um Kunden zum Beispiel zum Kauf eines höherwertigen Produkts zu bewegen (Up-Selling), kannst du festlegen, dass nur ähnliche Produkte mit höherem Preis angezeigt werden.

 

Best-Practice-Beispiel Kaiser+Kraft:

Produktempfehlungen Kaiser-Kraft Best-PracticeÄhnliche Produkte als Empfehlungen im B2B-Shop. Kaiser+Kraft empfiehlt in diesem Beispiel höherpreisige Hubwagen.

Experten-basierte Empfehlungen (manuell)

Experten-basierte Produktempfehlungen schematisch

Wer die Ressourcen hat und nicht alles in die Hände einer KI legen möchte, kann einen Teil seiner Produkte auch mit den gewünschten Empfehlungen „hart verdrahten“. Das heißt, du bestimmst ganz genau, welche Recommendations zu welchem Produkt ausgespielt werden sollen.

Hierbei handelt es sich um den flexibelsten Ansatz, der sowohl statisch (exakte Zuordnung) als auch dynamisch (regelbasiert) umsetzbar ist und zwei Modi erlaubt:

  • Nie empfehlen – Blacklisting, welche Produkte aus den Empfehlungen ausgeschlossen werden (z.B. im Sport-Shop kein FC-Bayern-Triko zur BVB-Hose empfehlen, oder in einer Online-Apotheke, um Medikamente mit Wechselwirkung auszuschließen).
  • Immer empfehlen – Whitelisting, welche Produkte auf jeden Fall angezeigt werden (z.B. Product-Bundles, Shop-the-Look etc.).

 

Best-Practice-Beispiel Mytheresa:

Shop-the-look im Mytheresa-Shop. Der Luxus-Händler definiert exakt, welche Produkte zum Sakko empfohlen werden.

Special Mention: Topseller als Allzweck-Tool

Einen Empfehlungstyp, den du fast überall einsetzen kannst, sind Topseller. Wie der Name schon sagt, braucht deine Recommendation-Engine dafür nur die Info, welche Produkte bisher am meisten verkauft wurden. Am besten funktionieren Topseller auf generischen Seiten wie der Startseite oder auch der Nulltreffer-Seite. Denn wenn keine Personalisierung aktiv ist, die aus früheren Transaktionen gelernt hat, sagen diese Seiten wenig über die Interessen des Kunden aus. Entsprechend bietet es sich dann an, diejenigen Artikel zu empfehlen, die den meisten Kunden gefallen. Analog sind natürlich auch Neuheiten einfach umsetzbar.

 

Best-Practice OBI:

Produktempfehlungen OBI Topseller

Auf seiner Nulltreffer-Seite zeigt OBI Topseller aus ganz verschiedenen Kategorien. So müssen Kunden nicht erneut suchen, um zurück ins Sortiment zu kommen, was die Wahrscheinlichkeit erhöht, dass sie im Shop bleiben.

Next Level Produktempfehlungen: Predictive Basket

Heutige Online-Shop-Systeme sind darauf ausgelegt, bei der Kaufentscheidung zu unterstützen. Doch in vielen Branchen – darunter Lebensmittel, Drogerie, Apotheken, aber auch im B2B – sind Bedarfskäufe die Regel. Das heißt, Kunden wissen in den allermeisten Fällen bereits, was sie (wieder-)bestellen möchten.

Genau für diesen Use-Case haben wir den Predictive Basket entwickelt, ein neuronales Netz, das wie eine Recommendation Engine proaktive Kaufvorschläge machen kann, um in solchen Branchen, Wiederbestellungen und Bedarfskäufe zu vereinfachen.

Hierfür zieht die KI viele verschiedene Faktoren in Betracht. Zum Beispiel, was der Kunde bisher für individuelle Präferenzen hatte und was die zeitlichen Kaufrhythmen aller Kunden sind – also, dass im eFood-Shop die Milch schneller wieder gekauft wird als die Marmelade. Dazu gehört auch das Erkennen von saisonalen Verkaufstrends – etwa bei Grillkohle. Kauft ein Kunde in der Grillsaison in zweiwöchigem Abstand Grillkohle, wird ihm der Predictive Basket das entsprechende Produkt in diesem Turnus anzeigen. Sobald aber die Grillsaison vorbei ist und kaum ein Kunde mehr diese Produkte kauft, passt sich der Predictive Basket an diese Änderung im Shopping-Verhalten an. Dem Kunden, der bisher regelmäßig Grillkohle eingekauft hat, wird dieses Produkt dann richtigerweise nicht mehr empfohlen.

Die Lebensmittel-Zeitung hat über den Einsatz des Predictive Basket beim Lebensmittel-Großhändler Kastner berichtet:

Banner Lebensmittel-Zeitung Predictive Basket

Im Überblick: Einsatzorte von Produktempfehlungen

Nachdem wir die unterschiedlichen Empfehlungstypen kennengelernt haben, möchte ich dir eine Matrix geben, die zeigt, welche Typen sich in welcher Phase der Customer Journey eignen:

Produktempfehlungen_Matrix

Wie integriere ich Produktempfehlungen in meinen Shop?

Je nach Technologie, Shop-System und Anforderungen unterscheidet sich der Ablauf und die Dauer der Integration. Im Hinblick auf die FACT-Finder Recommendation Engine dauert die vollständige Implementierung – inklusive KI-Training – üblicherweise ein bis zwei Wochen:

Integration von Produktempfehlungen und Recommendation EngineWeitere Infos und Ressourcen zur Integration findest du hier auf github …

Checkliste: Was deine Recommendation Engine können sollte

Zum Abschluss möchte ich dir noch eine Checkliste an die Hand geben, auf welche Aspekte du bei der Auswahl und beim Einsatz deiner Recommendation Engine achten solltest.

Deine Recommendation Engine sollte:

  • … mehrere Datenquellen berücksichtigen
    Darunter Kombi-Verkäufe sowie Attribut- und Merkmal-bezogene User-Affinitäten. In der Regel lohnt es sich zum Beispiel auf der Produktdetailseite verschiedene Empfehlungstypen anzuzeigen.
  • … aus einzelnen Kombi-Verkäufen allgemeine Schlüsse ziehen
    Damit du nicht erst monatelang Daten sammeln musst, bis sinnvolle Recommendations erscheinen. So erzielt deine Recommendation Engine einen schnelleren ROI.
  • … DSGVO-konform aus dem Kundenverhalten lernen
    Auf Basis der Session-ID, ohne 3rd-Party-Cookie. So kann deine Recommendation Engine unabhängig von Cookie-Constent-Themen arbeiten.
  • … manuelle Optimierungen ermöglichen
    Die Praxis zeigt, dass die besten Ergebnisse durch die Kombination von künstlicher Intelligenz und menschlichem Know-how erzielt werden.

Du benötigst Unterstützung beim Finden und Umsetzen deiner Recommendation-Strategie? Wir von FACT-Finder helfen dir gerne weiter. Seit mehr als 20 Jahren unterstützen wir Händler bei der Such- und Recommendation-Optimierung. Je nach Sortiment-Struktur und -Volumen, Kundenverhalten und Produktkategorien können wir dir eine ganz individuelle Demo unserer Recommendation Engine geben. Schreib mir dazu gerne hier …

Das könnte dich auch interessieren

  • Alle
  • Allgemein
  • B2B eCommerce
  • B2C eCommerce
  • Branchen-Insights
  • eCommerce How-to
  • Success Stories
  • Trends
  • Webinare & Videos

Wenn komplexe Produkte mit individuellen Preisen einfach im Shop zu finden sind

Die meisten B2B Unternehmen kennen die Problematik: Jeder Einkäufer hat unterschiedliche Anforderungen – sowohl an den Shop selbst als auch an den gesamten Einkaufsprozess. Am

„FACT-Finder trägt sehr viel zu unserem Shop-Umsatz bei“ – Success Story Jumbo

Baumärkte stehen im eCommerce vor besonderen Herausforderungen. Da ist zum einen die große Sortimentsbreite, die ein Shop abbilden muss – von Werkzeugen und Baustoffen über

29% größere Warenkörbe in nur 7 Tagen – Success-Story Fitstore24

Fitstore24 ist in Österreich „die“ Marke für Radsport, Krafttraining und Fitnessgeräte – und hat sich mit der Integration von FACT-Finder Next Generation via Web Components

Content-Suche mit FACT-Finder – wie baue ich den optimalen Datenfeed dafür auf?

Genau wie die Google-Suche erfüllt auch die Suchfunktion im Online-Shop vielfältige Aufgaben. Oftmals erwarten Kunden nicht nur, passende Produkte zu finden – sondern auch Inspiration

B2B-Online-Shop Praxiswissen: 5 Erkenntnisse aus 15 Jahren Projekterfahrung

83% der B2B-Unternehmen verkaufen bereits online. 65% werden in den nächsten Jahren weiterhin in den eCommerce investieren. Und mehr als jedes dritte B2B-Unternehmen generiert mindestens

Facettennavigation optimieren: 7 Tipps für bessere Filter im Online-Shop

Jeder kennt sie, jeder nutzt sie, so gut wie jeder Shop bietet sie: Filter sind eines der wichtigsten Hilfsmittel für Online-Shopper. Gut umgesetzt stellen sie

Über den Autor

Markus Kehrer ist Senior Sales Manager bei FACT-Finder und Usability-Guru. Als Experte für Suchtechnologie, Webanalyse und Conversion-Optimierung hat er ein tiefes Verständnis davon, worauf es bei der Umsetzung von Digitalstrategien ankommt. Seit Beginn seiner eCommerce-Laufbahn in 2008 verhalf er hunderten Händlern dazu, besondere Einkaufserlebnisse zu schaffen.

    Schreibe einen Kommentar

    Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

    Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.