Personalisierung im E-Commerce bedeutet, dass du änderst, was ein Kunde sieht, basierend auf dem, was du über ihn weißt: Standort und Sprache, woher er kommt, was er angesehen und gekauft hat und was er dir selbst gesagt hat. Sie zeigt sich in umsortierten Kategorieseiten, segmentspezifischen Bannern, Produktempfehlungen, individuell gerankten Suchergebnissen und ausgelösten E-Mails.
Jede Form der Personalisierung braucht zwei Arten von Daten. Kundendaten sagen, was diese Person will, und in der EU brauchst du eine Einwilligung oder eine andere Rechtsgrundlage, um sie zu nutzen. Produktdaten sagen, welche Produkte zu diesem Wunsch passen. Die meisten Personalisierungsprojekte planen das Erste sorgfältig und vergessen das Zweite: Eine Engine, die weiß, dass ein Kunde weite, wasserdichte Wanderschuhe bevorzugt, kann nichts tun, wenn Weite und Wasserdichtigkeit nicht als Attribute gepflegt sind.
Sieben Stellen, an denen ein Shop personalisieren kann
Personalisierung ist kein einzelnes Feature. Das sind die Flächen, auf denen Shops sie einsetzen, grob geordnet vom geringsten zum höchsten Datenbedarf:
- Markt und Sprache: Währung, Sprache, Lieferversprechen und MwSt.-Anzeige je nach Land. Geringes Risiko, hoher Nutzen für grenzüberschreitende Shops.
- Traffic-Quelle: eine Landingpage oder ein Banner, das zur Anzeige oder E-Mail passt, auf die der Kunde geklickt hat.
- Neu oder wiederkehrend: ein Willkommensangebot beim ersten Besuch, zuletzt angesehene Produkte und gespeicherte Größen für Wiederkehrende.
- Segmentbasierte Inhalte: Startseitenbanner und hervorgehobene Kollektionen pro Segment, etwa Vielkäufer, abgewanderte Kunden oder B2B-Accounts.
- Produktempfehlungen: ähnliche Produkte, Ergänzungen und personalisierte Vorschläge. Arten, Platzierung und die Daten dahinter haben wir in unserem Beitrag über Produktempfehlungen behandelt.
- Personalisierte Sortierung in Suche und Kategorieseiten: Ergebnisse, die nach Marken-, Größen- oder Preisaffinität des Kunden umsortiert werden. Die Grundlagen der Shopsuche kommen zuerst; siehe unseren Leitfaden zur Suche im Onlineshop.
- Lifecycle-E-Mails und Nachrichten: abgebrochener Warenkorb, wieder verfügbar, Nachkauf und Rückgewinnung, ausgelöst durch Verhalten und zeitlich gesteuert nach Kaufhistorie.
Fang oben an. Ein Shop, der Preise und Sprache für seine Hauptmärkte noch nicht lokalisiert hat, gewinnt damit mehr als mit 1:1-Empfehlungen.
Regeln, Segmente oder 1:1: drei Stufen der Personalisierung
Welche Stufe du umsetzen kannst, hängt von Traffic, Daten und Budget ab, nicht vom Ehrgeiz.
Drei Stufen der Personalisierung im E-Commerce
| Regeln | Feste Bedingungen, die du selbst festlegst; vorhersehbar, günstig und testbar | Die meisten Shopplattformen und Apps können das ohne Personalisierungs-Engine | Wenn der Besucher in Belgien ist, zeige Preise in EUR mit belgischen Lieferzeiten; wenn ein Drucker im Warenkorb liegt, zeige die passende Tinte |
|---|---|---|---|
| Segmente | Gruppen, gebildet aus Bestellhistorie und Verhalten | Segmentfilter wie die Kundensegmentierung von Shopify, mit der du auch Marketingnachrichten senden kannst; E-Mail-Plattformen und CDPs machen dasselbe in größerem Maßstab | Erstkäufer, Champions, abwanderungsgefährdete Kunden, Kunden, die nur in einer Kategorie kaufen |
| 1:1 | Ein Modell, das Produkte für jeden Kunden anhand seines eigenen Verhaltens und dem ähnlicher Kunden bewertet | Viele Sessions und Bestellungen zum Lernen, ein Katalog, der zu groß ist, um ihn vollständig zu durchstöbern, und saubere Produktattribute, damit das Modell nicht aus Titeln raten muss |
Ein nützlicher Test: Wenn weniger als ein paar hundert Personen pro Tag die Fläche erreichen, die du personalisieren willst, fällt ein 1:1-Modell meist auf Bestseller zurück. Segmente und Regeln funktionieren dort besser.
Kundendaten: Zero-Party-, First-Party- und einwilligungspflichtige Signale
Personalisierungsdaten unterscheiden sich darin, wie verlässlich sie sind und was du brauchst, bevor du sie nutzen darfst:
- Zero-Party-Daten: was Kunden dir bewusst mitteilen, etwa ein Größenprofil, ein Hauttyp-Quiz, bevorzugte Marken oder Newsletter-Interessen. Genau und leicht zu erklären, aber nur für Kunden, die sie ausfüllen.
- First-Party-Transaktionsdaten: Bestellungen, Retouren und Kontodaten, die du hast, weil der Kunde bei dir gekauft hat. Das Rückgrat von Segmenten und Nachkauf-E-Mails.
- First-Party-Verhaltensdaten: angesehene Seiten, Suchen, Klicks und Warenkörbe. Aussagekräftig, aber in der EU meist über Cookies oder ähnliche Speichertechniken erhoben, die vorher eine Einwilligung brauchen.
- Kontextdaten: Land, Sprache, Gerät, Referrer und Tageszeit. Bei jedem Besuch verfügbar und oft genug für nützliche regelbasierte Personalisierung.
Zugekaufte Third-Party-Daten aus externen Quellen bringen den meisten Shops wenig und heben die rechtliche Hürde. Eine First-Party-Datenstrategie, die weniger sammelt, das aber gut nutzt, ist der sicherere Weg.
Profiling, Widerspruchsrecht und Cookie-Einwilligung in der EU
Das ist keine Rechtsberatung, aber diese Regeln bestimmen, was deine Personalisierung bei europäischen Kunden darf:
- Personalisierung auf Basis von Verhalten ist meist Profiling. Die DSGVO definiert Profiling in Artikel 4 Nr. 4 als automatisierte Verarbeitung personenbezogener Daten zur Bewertung persönlicher Aspekte, ausdrücklich einschließlich persönlicher Vorlieben, Interessen und Verhalten. Das betrifft die meiste 1:1-Personalisierung.
- Kunden können Marketing-Profiling jederzeit stoppen. Nach Artikel 21 Abs. 2 und 3 kann eine Person der Verarbeitung für Direktwerbung widersprechen, einschließlich des damit verbundenen Profilings, und die Daten dürfen dann nicht mehr für diesen Zweck verwendet werden. Deine Personalisierung per E-Mail und im Shop braucht ein funktionierendes Opt-out, das die Person tatsächlich aus diesen Modellen entfernt.
- Tracking-Speicher braucht eine Einwilligung. Cookies und ähnliche Speichertechniken, die nicht unbedingt erforderlich sind, brauchen eine vorherige Einwilligung nach den ePrivacy-Regeln, die jedes EU-Land umsetzt; in den Niederlanden ist das Artikel 11.7a des Telecommunicatiewet. Auch Anbieter setzen das durch: Googles Richtlinie zur Einwilligung von Nutzern in der EU verlangt für Nutzer im EWR, im Vereinigten Königreich und in der Schweiz eine Einwilligung für Cookies, wo gesetzlich vorgeschrieben, und für die Nutzung personenbezogener Daten zur Personalisierung von Anzeigen.
- Plane für Besucher ohne Einwilligung. Ein großer Teil der Besucher lehnt Tracking ab. Dein Shop sollte für sie trotzdem gut funktionieren, mit kontextbezogener und regelbasierter Personalisierung, die kein Profil voraussetzt.
- Vermeide sensible Rückschlüsse. Bilde keine Segmente, die aus Käufen Gesundheit, Religion oder ähnlich sensible Merkmale offenlegen oder erraten, etwa eine Schwangerschaft oder Erkrankungen aus einem Apothekenwarenkorb.
Führe pro Personalisierungseinsatz eine kurze Dokumentation: welche Daten genutzt werden, die Rechtsgrundlage, wie ein Kunde widerspricht und wie lange Daten gespeichert werden. Das beschleunigt Anbieterprüfungen und Datenschutzfragen deutlich.
Kundenvorlieben mit Produktattributen abgleichen
Eine Personalisierungs-Engine gleicht Kundensignale mit Produkteigenschaften ab. Wenn die Eigenschaft nicht als sauberes Feld existiert, kann kein Abgleich stattfinden. So lassen sich gängige Personalisierungsideen auf Produktdaten abbilden:
Personalisierungsideen und die Produktfelder dahinter
| Größe merken (meine Größe zuerst zeigen) | Ein Größenattribut mit standardisierten Werten pro Größensystem, gefüllt bei jeder Variante |
|---|---|
| Markenaffinität | Ein einheitlicher Markenwert pro Produkt, nicht Nike, NIKE und Nike Inc. |
| Stil- oder Farbvorliebe | Ein Farbattribut mit einer festen Werteliste (navy, nicht dunkelblau bei der Hälfte des Sortiments) plus ein Muster- oder Stilattribut |
| Wertebasierte Vorlieben (vegan, bio, recycelt) | Ein Material- oder Zertifizierungsattribut, nur dort gefüllt, wo es zutrifft |
| Preissensibilität | Ein aktueller Preis und ein Vergleichspreis, die pro Markt korrekt sind |
| Kompatibilität (Tinte für meinen Drucker, Filter für meinen Staubsauger) | Ein Attribut für passende Modelle, das im Zubehör und im Gerät dieselben Modellnamen verwendet |
| Sprache und Markt | Übersetzte Titel, Beschreibungen und Attributwerte für jede Sprache, in die du personalisierst |
Dieselben Felder speisen auch die Analyse: GA4 kann nur dann berichten, was Segmente nach Marke, Kategorie und Variante kaufen, wenn diese Werte als Item-Parameter gesendet werden, wie in Googles Leitfaden zur E-Commerce-Messung beschrieben. Unser Leitfaden zur Attributstandardisierung zeigt, wie du Freitextwerte in feste Listen umwandelst.
Ein wiederkehrender Trailrunner und die sechs Felder hinter der Sortierung
Ein wiederkehrender Kunde eines Outdoor-Shops hat zwei Paar Herren-Trailschuhe in Größe 44 gekauft, beide in weiter Passform, beide von derselben Marke, und zwei E-Mails über wasserdichte Ausrüstung geöffnet. Er hat Analyse- und Personalisierungs-Cookies zugestimmt. Der Shop will die Kategorie Laufschuhe für ihn umsortieren.
Damit das gut klappt, braucht die Engine diese Produktfelder:
- Kategorie: Laufen > Trailrunning-Schuhe, getrennt von Straßenlaufschuhen.
- Geschlecht: Herren, bei jedem Schuh gefüllt.
- Größenverfügbarkeit pro Variante: Größe 44 auf Lager, synchronisiert aus dem Bestand.
- Weite: Normal oder Weit, als feste Liste.
- Wasserdicht: Ja oder Nein, nicht in der Beschreibung versteckt.
- Marke: ein einheitlicher Wert.
Fehlt die Weite bei 60% der Schuhe, kann die Engine nur die 40% hochstufen, bei denen sie gefüllt ist, und weite Schuhe ohne den Wert rutschen unter normale. Ist die Größenverfügbarkeit veraltet, bewirbt sie Schuhe, die der Kunde nicht kaufen kann. Die Kundendaten sind hervorragend; das Ergebnis ist wegen des Katalogs mittelmäßig.
Sechs Wege, wie dünne Produktdaten die Personalisierung ausbremsen
- Kaltstart-Produkte. Neue Produkte haben keine Aufrufe oder Bestellungen, also ignorieren verhaltensbasierte Modelle sie. Nur Attribute und Kategorien lassen ein Modell sie vom ersten Tag an neben ähnliche Produkte stellen.
- Freitextwerte. Navy, Dunkelblau und Marine zählen als drei Farben, sodass eine Farbvorliebe nur ein Drittel der relevanten Produkte trifft.
- Sammelkategorien. Produkte, die in Sale oder Neuheiten geparkt sind, lassen sich keiner Kategorieaffinität zuordnen.
- Unübersetzte Attribute. Die Vorliebe eines niederländischen Kunden für waterdicht trifft nichts, wenn die Attributwerte nur auf Englisch existieren.
- Doppelte Produkte. Derselbe Artikel unter zwei IDs teilt seine Verhaltensdaten auf, sodass keine der beiden Kopien beliebt genug wirkt, um empfohlen zu werden.
- Bestand und Preis nicht synchron. Personalisierte Blöcke voller ausverkaufter Größen oder veralteter Preise kosten mehr Vertrauen als eine generische Bestsellerliste.
Personalisierung mit einer Holdout-Gruppe testen
Vorher-nachher-Vergleiche führen in die Irre, weil sich Saison, Kampagnen und Bestand gleichzeitig ändern. Behalte eine Holdout-Gruppe: einen zufälligen Anteil der Besucher (oft etwa 10%), der die nicht personalisierte Version bekommt, und vergleiche beide Gruppen über mehrere Wochen.
- Umsatz pro Besucher: erfasst Conversion-Rate und Bestellwert in einer Zahl.
- Conversion-Rate und durchschnittlicher Bestellwert: getrennt, um zu sehen, welcher Wert sich bewegt hat.
- Klickrate und Add-to-Cart auf der personalisierten Fläche: um zu sehen, ob der Block selbst funktioniert.
- Retourenquote: Personalisierung, die die falsche Größe oder falsche Kompatibilität empfiehlt, zeigt sich hier zuerst.
Stell sicher, dass dein Analyse-Setup die Gruppen unterscheiden kann. Unser Vergleich von E-Commerce-Analysetools zeigt, welche Tools was messen und warum GA4 und die Bestellzahlen im Shop selten übereinstimmen.
Eine Personalisierungs-Engine prüfen, bevor du unterschreibst
Fragen an einen Personalisierungsanbieter
Die Antworten auf die ersten beiden Fragen zeigen dir, wie viel des Projekts eigentlich ein Produktdatenprojekt ist.
Katalogdaten für eine Personalisierungs-Engine vorbereiten
WISEPIM ist keine Personalisierungs-Engine: Es liefert keine personalisierten Seiten aus, rankt keine Suchergebnisse und verschickt keine ausgelösten E-Mails. Es arbeitet auf der Katalogseite. WISEPIM ergänzt fehlende Attribute, Kategorien und Übersetzungen mit AI, bewertet die Datenqualität pro Produkt und überträgt die bereinigten Daten an Shopify, WooCommerce, Magento 2, Lightspeed und andere Shops, wo dein Personalisierungstool sie ausliest. Der Bericht Customer Insights zeigt RFM-Segmente aus deiner Bestellhistorie und hilft dir zu entscheiden, für welche Segmente sich Personalisierung lohnt. Die Begriffe, die Anbieter verwenden, findest du in unserem Lexikoneintrag zur Personalisierungs-Engine im E-Commerce.
