Conversion allein ist nicht alles. Der Verkaufserfolg im eCommerce hängt auch von der durchschnittlichen Warenkorbgröße ab. Und die lässt sich steigern, indem du deinen Kunden ansprechende Produktempfehlungen bietest – mit Hilfe einer Recommendation Engine. Doch wie setzt du dieses Verkaufstool bestmöglich ein? Und worauf solltest du bei der Auswahl der richtigen Lösung achten? In diesem Beitrag findest du alles, was du wissen musst.

Wie funktioniert eine Recommendation Engine?

Seit der Erfolgsgeschichte von Amazon sind Recommendation Engines, zu Deutsch auch Empfehlungssysteme genannt, nicht mehr aus Online-Shops wegzudenken ist. Dabei handelt es sich um Softwarelösungen, die relevante Produktempfehlungen für Shop-Besucher generieren. Typischerweise sind das entweder Zusatzprodukte, die den Warenkorb sinnvoll ergänzen (Cross-Selling), oder höherpreisige Alternativen (Up-Selling). Unterm Strich geht es immer darum, den durchschnittlichen Warenkorbwert und damit Umsatz und Unternehmenswachstum zu steigern.

Das grundlegende Ziel ist es, aus einer großen Menge an Optionen Produkte mit hoher Kaufwahrscheinlichkeit vorzuschlagen. Je nach Anbieter nutzen Recommendation Engines verschiedene Techniken, um dies zu erreichen. Eine Methode ist z.B. die Content-basierte Filterung, bei der Eigenschaften der Produkte analysiert werden, um passende Empfehlungen zu erstellen. Eine weitere Methode ist die Analyse der individuellen Vorlieben und des Verhaltens der Online-Shopper, um personalisierte Empfehlungen zu geben. Auch hybride Ansätze, die mehrere Techniken kombinieren, sind weit verbreitet und – das zeigt die Praxis – durchaus empfehlenswert.

Durch die ständige Weiterentwicklung von Machine Learning und künstlicher Intelligenz werden Recommendation Engines immer präziser und können in zahlreichen Anwendungsgebieten eingesetzt werden. Beispielsweise kann AI bereits Wiederbestellungen steigern, indem sie Kunden proaktiv an den Einkauf bestimmter Verbrauchsartikel erinnert, basierend auf einem komplexen Zusammenspiel von produktspezifischen Einkaufszyklen, individuellen Präferenzen und historischen Einkäufen im Shop.

 

Das sind die erfolgreichsten Empfehlungsstrategien

Eine Recommendation Engine lässt sich fast überall in deinem Online-Shop einsetzen, z.B. auf der Startseite, der Produktdetailseite, im Warenkorb oder auch im Pop-up, das erscheint, wenn man ein Produkt gerade in den Warenkorb gelegt hat – das sogenannte Warenkorb-Layer. Welche Platzierung und welche Empfehlungstypen für dich die richtigen sind, kommt unter anderem darauf an, wie dein Sortiment zusammengesetzt ist, welche Daten du zur Verfügung hast und wie viel Ressourcen dir für die Pflege Ihrer Recommendations bereitstehen.

Hier eine Auswahl an möglichen Einsatzszenarien, die in unserer Zusammenarbeit mit mehr als 2.000 Shops die besten Ergebnisse erzielen:

 

Andere Kunden kauften auch – der Klassiker

Recommendation: Andere Kunden kauften auch

Mehr Cross-Selling durch Social Proof. Die Empfehlungen werden anhand der kombinierten Verkäufe des Shops ermittelt. Das erfolgt zwar automatisch, jedoch solltest du dennoch manuell nachprüfen, ob die empfohlenen Artikel wirklich passen.  

 

Der Amazon-Best-Practice Andere Kunden kauften auch ist der absoluter Klassiker unter den Empfehlungsdiensten, häufig wird er auch Häufig zusammen gekauft betitelt. Hierbei erscheinen komplementäre Empfehlungen passend zum aktuell betrachteten Produkt. Zum Beispiel auf der Produktdetailseite oder im Fenster, das erscheint, nachdem ein Produkt in den Warenkorb gelegt wurde.

Das Ganze funktioniert nach dem Prinzip des Social Proof: Der Kunde bekommt das Gefühl, dass die Empfehlungen nicht vom Shop nahegelegt werden, sondern von anderen Kunden mit ähnlicher Interessenlage. Durch diesen Empfehlungstyp lässt sich also nicht nur der Warenkorb vergrößern, sondern auch das Kundenvertrauen stärken.

Auch wenn diese Recommendations selbstlernend sind und sich automatisch an neue Trends anpassen, ist manuelle Nacharbeit unerlässlich. Denn was Kunden zusammen kaufen, passt nicht immer logisch zusammen. Zum Beispiel wenn in einem Möbel-Shop zusammen mit Schränken häufig auch Servietten gekauft werden. Für solche Fälle lässt sich mit FactFinder mühelos eine Blacklist erstellen, um unlogische Empfehlungen auszuschließen.

 

Manuelle Empfehlungen – gezielter geht es nicht

Durch manuelles Konfigurieren kannst du Produkte und zugehörige Empfehlungen „hart verdrahten“. Deine Kunden sehen dann genau die Artikel, die für sie am relevantesten sind.

 

Falls du feststellst, dass die manuelle Nacharbeit verhältnismäßig aufwendig ist, bietet es sich an, deine Empfehlungen direkt manuell umzusetzen. So kannst du dir sicher sein, dass deine Kunden keine unpassenden Kaufvorschläge erhalten. Zudem nimmst du Einfluss darauf, welche deiner Produkte bevorzugt verkauft werden. Bei den manuellen Empfehlungen ist das Vorgehen im FactFinder-Backend ähnlich wie bei Pushed Products. Es handelt sich praktisch um Feedbackkampagnen auf Recommendation-Ebene: Einfach die jeweiligen Auslöser definieren und die Produkte bestimmen, die empfohlen werden sollen – fertig sind deine manuellen Empfehlungen.

 

Alternativen – Up-Selling vorprogrammiert

Recommendation: Alternativprodukte

Alternativ-Empfehlungen sind eine effektive Maßnahme, um so manchen Kunden zum Kauf eines höherpreisigen Produkts zu bewegen.

 

Eine weitere Möglichkeit, um den durchschnittlichen Warenkorbwert zu erhöhen, sind Alternativ-Empfehlungen zum gerade betrachteten oder ausgewählten Produkt. Dieser Empfehlungstyp wird auf Basis von Produkteigenschaften ermittelt – das heißt, die Verlinkung, welche Produkte miteinander ähnlich sind, muss im Datenfeed hinterlegt sein.

Das Anzeigen von Alternativen innerhalb einer Produktkategorie ist sinnvoll, um Spezifikationen vergleichen zu können. Diese Funktion ist nicht bei allen Kategorien anwendbar – je nach Produkt solltest du hinterfragen, ob das Anzeigen von Alternativen sinnvoll ist.

 

Zubehörartikel – der einfachste Weg zu mehr Cross-Selling

Recommendation: Zubehör Artikel

Ideal für Bundle-Angebote: Zubehör-Empfehlungen sind besonders in Branchen wie Elektronik und Fashion ein beliebtes Mittel, um den Bestellwert zu steigern.

 

Last but not least: Zubehörartikel. Gerade im Bereich Technik (z.B. bei Smartphones oder Laptops) kann oft eine ganze Palette an Zubehör-Produkten empfohlen werden. Bei dieser Art von Recommendations lässt sich direkt eine Gruppe von Produkten zusammenstellen, die Kunden im Paket kaufen können. Das angebotene Paket gibt es dann zum Beispiel vergünstigt im Sparangebot.

3 entscheidende Action Steps für die Umsetzung einer Recommendation Engine

  1. Form und Ort sinnvoll planen
    Beschäftige dich mit der Frage, welches Recommendation-Prinzip für dich und deine Produkte am sinnvollsten ist. Hierfür solltest du dir unbedingt ausreichend Zeit nehmen und unternehmensinterne Absprachen vornehmen. Denn jeder Ansatz hat seine Vor- und Nachteile, die je nach Produkt und Zielgruppe unterschiedlich relevant sind.
  2. Datenbasis schaffen
    Wenn du entschieden hast, wie und wo du deine Recommendation Engine einsetzen möchtest, gilt es, die hierfür notwendige Datenbasis zu schaffen. Stelle also sicher, dass dein Tracking funktioniert. Danach solltest du deinen Datenfeed analyiseren, optimieren und auf dein Recommendation-Konzept ausrichten.
  3. Ausschlüsse bedenken
    Im letzten Schritt ist es wichtig, mögliche Fehlerquellen zu beachten. In Blacklisten lassen sich Ausschlüsse festlegen. Umgekehrt können Whitelisten genutzt werden, um Produkte und Empfehlungen zu hinterlegen, die immer ausgespielt werden sollen.

Welche Resultate sind realistisch

Produktempfehlungen haben sich fest etabliert, und ihr Erfolg lässt sich mit einem Wort zusammenfassen: Impulskäufe. Ähnlich wie Produkte an der Kassenzone im Laden platziert werden, befinden sich auch im Online-Shop zahlreiche strategische Orte, um Kunden zu spontanen Käufen zu animieren – von der Startseite über den Warenkorb-Layer bis hin zum Checkout. Ein viel zitierter Bericht von McKinsey zeigt, dass Amazon etwa 35% seines Umsatzes durch Empfehlungen erzielt. Auch wenn diese Zahl beeindruckend klingt, ist es kaum zu leugnen, dass Produktempfehlungen einen entscheidenden Beitrag zum Erfolg von Amazon geleistet haben.

Professor Anuj Kumar vom Warrington College of Business in Florida hat sich intensiv mit der spannenden Frage beschäftigt, wie stark Empfehlungen den Umsatz steigern können. Dazu hat er mehr als zwei Millionen Produktseiten-Aufrufe aus fast einer Million Sitzungen analysiert. Die Studie ergab, dass Empfehlungen den Umsatz der empfohlenen Produkte um beeindruckende 9% steigerten. Interessanterweise zeigte sich auch, dass der Verkauf der ursprünglich betrachteten Produkte (bei denen die Empfehlungen angezeigt wurden) um 1,9% zurückging. Das bedeutet, dass Empfehlungen zwar dazu führen können, dass Kunden von ihrem ursprünglichen Ziel abgelenkt werden, aber die Studie zeigt auch, dass sie dennoch einen deutlichen Mehrwert schaffen.

Hier findest du die Studie …

So funktioniert die Integration einer Recommendation Engine

Die Integration und der Zeitrahmen können je nach Technologie, Shopsystem und spezifischen Anforderungen variieren. Bei der Recommendation Engine von FactFinder beträgt die übliche Dauer für eine vollständige Implementierung einschließlich des Trainings der Künstlichen Intelligenz in der Regel nicht mehr als zwei Wochen.

Recommendation Engine Integration

1:1-personalisiert und AI-basiert: FactFinder Recommendation Engine

Durch Einsatz der Recommendation Engine von FactFinder haben Sie den Vorteil, dass Sie kein weiteres Tool benötigen und dass alle über die Suche gesammelten Tracking-Daten auch in Ihre Empfehlungen miteinfließen.

FactFinder benötigt weder umfangreiche Big Data zu oft kombinierten Produkten noch sensible demografische Daten oder Log-ins, um hochrelevante Empfehlungen zu generieren. Unser KI-Algorithmus konzentriert sich stattdessen auf Echtzeit-Signale der Kunden und auf sein Verständnis der Beziehungen zwischen den Produkten – unabhängig von ihrer Benennung. Selbst neue Produkte und Nischenartikel, die von herkömmlichen Empfehlungssystemen übersehen werden, werden berücksichtigt. Diese Automatisierung deckt alles ab, was mit manuellen Regeln niemals erreichbar wäre. Dadurch beschleunigst du dem Return on Investment, die Einsparung von Ressourcen im Team und die Steigerung der Relevanz deiner Empfehlungen.