Produktempfehlungen sind die Produktvorschläge, die ein Shop einem Käufer zeigt, je nachdem, was er sich gerade ansieht, was in seinem Warenkorb liegt, was er früher gekauft hat oder was andere Käufer gekauft haben. Die gängigen Typen sind ähnliche Produkte, häufig zusammen gekauft, Upsells, personalisierte Empfehlungen, Bestseller und zuletzt angesehen. Sie stehen auf Produktseiten, im Warenkorb, auf Kategorie- und Suchseiten und in E-Mails.
Jede Empfehlung wird über eine von drei Methoden ausgewählt: Ein Händler legt sie von Hand fest, eine Regel verknüpft Produkte über ihre Daten (gleiche Kategorie, gleiche Marke, kompatibles Modell) oder ein Algorithmus lernt aus dem Verhalten (Aufrufe und Bestellungen). Alle drei hängen von sauberen Produktdaten ab. Eine Regel kann nicht über eine Kategorie verknüpfen, in der das Produkt nicht steht, und ein Algorithmus kann ohne vergleichbare Attribute kein neues Produkt empfehlen, das noch niemand gekauft hat. Dieser Guide behandelt die Typen, ihre Platzierung, was deine Plattform schon von sich aus kann und wie du den Katalog vorbereitest, damit die Vorschläge Sinn ergeben.
Die sechs Typen von Produktempfehlungen
Jeder Typ beantwortet eine andere Frage des Käufers. Steht der falsche an einer Stelle, scrollen Käufer daran vorbei.
Sechs Empfehlungstypen und wo jeder hingehört
| Ähnliche Produkte (Alternativen) | Zeig mir andere Optionen wie diese. | Käufer, die noch vergleichen | Produktseiten, Seiten nicht vorrätiger Produkte |
|---|---|---|---|
| Häufig zusammen gekauft (Ergänzungen) | Was brauche ich noch dazu? | Ein Zelt mit Heringen und Zeltunterlage, eine Kamera mit Speicherkarte | Produktseiten, Warenkorb |
| Upsells | Gibt es eine bessere Version? | Das 4-Personen-Zelt statt des 2-Personen-Zelts, das Modell mit 256 GB statt 128 GB | Produktseiten, bevor sich der Käufer festlegt |
| Personalisierte Empfehlungen | Was passt zu mir? | Basierend auf dem eigenen Browsing- und Kaufverlauf des Käufers | Startseite, Kontoseiten, E-Mail |
| Bestseller und Trends | Was kaufen andere Leute? | Neue Besucher ohne Verlauf | Startseite, Kategorieseiten |
| Zuletzt angesehen | Wo war das Produkt, das ich gesehen habe? | Eher eine Navigationshilfe als ein Verkaufswerkzeug, aber Käufer nutzen sie | Überall dort, wo Käufer zu einem Produkt zurückkehren |
Eine gute Produktseite braucht meist zwei davon, nicht fünf. Ergänzungen und Alternativen beantworten unterschiedliche Fragen, also beschrifte sie klar (Komplettiere den Look, Ähnliche Styles), statt vier Karussells mit dem Titel Das könnte dir auch gefallen übereinanderzustapeln.
Manuell, regelbasiert, inhaltsbasiert oder kollaborativ: die fünf Methoden
Hinter jedem Widget steckt eine dieser Methoden oder eine Mischung daraus:
Fünf Wege, wie ein Widget seine Produkte auswählt
| Manuelle Auswahl | Du wählst die verwandten Produkte pro Artikel aus | Präzise | Skaliert nicht über ein paar hundert Produkte hinaus und veraltet, wenn sich der Bestand ändert |
|---|---|---|---|
| Regelbasiert | Produkte werden über gemeinsame Daten verknüpft: Kategorie, Marke, Farbe oder ein Kompatibilitätsattribut | Vorhersehbar und funktioniert ab dem ersten Tag | Nur so gut wie die Felder, die sie liest |
| Inhaltsbasiertes Filtern | Ein Algorithmus vergleicht Produktattribute und Beschreibungen | Kann brandneue Produkte empfehlen, weil keine Verkaufshistorie nötig ist | Braucht Attribute und Beschreibungen zum Vergleichen |
| Kollaboratives Filtern | Ein Algorithmus findet Muster im Verhalten: Käufer, die A gekauft haben, kauften auch B | Stark bei Ergänzungen | Blind für neue Produkte und langsam drehende Artikel (das Kaltstartproblem) |
| Hybrid | Kombiniert kollaborative Signale mit Produktdaten | Von den meisten kommerziellen Engines genutzt | Greift auf Regeln zurück, wenn es nicht genug Verhaltensdaten gibt |
Drei der fünf Methoden lesen Produktdaten direkt, und die vierte braucht sie als Fallback. Mehr dazu in unserem Lexikoneintrag zur Product Recommendation Engine.
Eingebaute Empfehlungen in Shopify, WooCommerce und Magento
Bevor du eine Empfehlungs-App kaufst, prüf, was deine Plattform schon ab Werk kann. Die eingebaute Logik zeigt dir genau, welche Produktfelder zählen.
Shopify
Shopify bietet zwei Empfehlungsarten: verwandte Produkte (ähnliche Artikel, etwa ein Abschnitt You might also like) und ergänzende Produkte (etwa ein Abschnitt Pair it with), wie in der Entwicklerdokumentation beschrieben. Laut Shopify Help Center basieren automatische verwandte Empfehlungen auf der Kaufhistorie (Produkte, die häufig zusammen gekauft werden, was frühere Verkäufe voraussetzt), auf ähnlichen Produktbeschreibungen (nur für Shops mit englischer Storefront) und greifen ersatzweise auf verwandte Kollektionen zurück. Ergänzende Produkte werden nicht automatisch erzeugt: Du legst sie in der App Search & Discovery fest, bis zu 10 pro Produkt, und du kannst außerdem bis zu 10 eigene verwandte Produkte festlegen.
Auf Shopify bekommt ein neues Produkt mit einer zweizeiligen Beschreibung, das in keiner Kollektion steht, also schwache Empfehlungen, bis es Verkäufe hat.
WooCommerce
WooCommerce hat drei Typen, erklärt in der Dokumentation zu Related Products, Up-Sells und Cross-Sells. Up-Sells erscheinen auf der Produktseite und Cross-Sells im Warenkorb; beide fügst du von Hand im Tab Linked Products (verknüpfte Produkte) jedes Produkts hinzu. Related Products werden automatisch aus gemeinsamen Kategorien und Tags erzeugt. Der einzige Weg, sie zu beeinflussen, ist eine gute Kategorisierung und Verschlagwortung der Produkte.
Magento und Adobe Commerce
Magento hat Related Products (unten auf der Produktseite), Up-Sells (auf der Produktseite, unter einer Überschrift wie You may also be interested in the following products) und Cross-Sells (im Warenkorb), die pro Produkt im Admin festgelegt werden, wie die Dokumentation von Adobe Commerce erklärt. Adobe Commerce ergänzt regelbasierte Related-Product-Regeln und eine AI-gestützte Erweiterung Product Recommendations.
Wo du Produktempfehlungen platzierst
Passe den Typ an den Moment in der Customer Journey an:
- Produktseite, über oder nahe dem Warenkorb-Bereich: Upsells, solange der Käufer noch entscheidet.
- Produktseite, unter der Beschreibung: häufig zusammen gekauft und ähnliche Produkte, klar beschriftet.
- Bestätigung nach dem Hinzufügen und Warenkorb: Ergänzungen und Zubehör, die das gerade hinzugefügte Produkt braucht (Batterien, Kabel, Nachfüllpacks, Pflegeprodukte).
- Produktseite eines nicht vorrätigen Produkts: ähnliche Produkte in derselben Größe und Preisklasse, damit der Besuch keine Sackgasse ist.
- Suchseite ohne Ergebnisse: Bestseller aus der nächstgelegenen Kategorie statt einer leeren Seite.
- Startseite und Kontoseiten: personalisierte Empfehlungen für wiederkehrende Besucher, Bestseller für neue.
- E-Mail nach dem Kauf: Ergänzungen und Verbrauchsartikel passend zum Gekauften, verschickt, wenn sie tatsächlich gebraucht werden.
Der Warenkorb verdient besondere Sorgfalt. Das Baymard Institute fand heraus, dass 52 % der untersuchten Desktop-Websites im Warenkorb Cross-Sells zeigen, die entweder irrelevant sind oder nur darauf beruhen, was andere Kunden gekauft haben. Zu den Empfehlungen gehört, den Kontext klar zu beschriften, Produkte mit demselben Einsatzzweck oder Thema zu bevorzugen und Artikeln Vorrang zu geben, bei denen es auf Kompatibilität ankommt, etwa dem richtigen Ladegerät für eine bestimmte Kamera.
Die Produktdaten hinter guten Empfehlungen
Die Empfehlungslogik kann nur so spezifisch sein wie deine Felder. Diese Attribute leisten den Großteil der Arbeit:
- Kategorie, auf der richtigen Ebene: Trailrunning-Schuhe, nicht Schuhe. Regeln und Fallbacks gruppieren danach.
- Produkttyp: trennt innerhalb derselben Kategorie ein Zelt von einer Zeltunterlage.
- Marke und Produktlinie: für Upsells innerhalb einer Serie und für markentreue Käufer.
- Kompatibilität: passendes Modell, Anschlusstyp, Filtergröße, Art der Nachfüllung. Unverzichtbar für Zubehör.
- Farbe, Material, Größe und Passform: für ähnliche Produkte und Komplett-Looks.
- Geschlecht, Altersgruppe und Einsatzzweck: verhindert, dass ein Trailschuh für Herren Kindersandalen empfiehlt.
- Preis: für Upsells in einer sinnvollen Spanne (eine Stufe höher, nicht fünf).
- Lagerstatus: Empfiehl nie, was nicht gekauft werden kann.
- Eine echte Beschreibung: Inhaltsbasierte Engines und der Beschreibungsabgleich von Shopify vergleichen Text.
Die meisten Kataloge sind noch nicht so weit, wenn sie in einem PIM ankommen: Produkte, die in einer Sammelkategorie geparkt sind, Attribute, die nur bei einem Bruchteil des Sortiments gefüllt sind, Beschreibungen mit ein oder zwei Zeilen. Jede dieser Lücken schwächt regelbasierte und inhaltsbasierte Empfehlungen und zwingt eine Engine zurück auf Bestseller. Unser Guide zur Datenvollständigkeit zeigt, wie du die Lücken pro Feld misst, bevor du sie schließt.
Ein Trailschuh für Herren mit dünnen vs. vollständigen Daten
Nimm einen Trailrunning-Schuh für Herren, Größe 42, EUR 129. Mit nur einem Titel, einem Preis und der Kategorie Schuhe kann eine Regel oder eine beschreibungsbasierte Engine ihn mit allem in Schuhe verknüpfen, also schlägt sie vielleicht eine Kindersandale oder einen Lederstiefel vor. Mit vollständigen Daten kann dieselbe Engine viel mehr:
- Kategorie: Sport > Laufen > Trailrunning-Schuhe
- Geschlecht: Herren
- Einsatzzweck: Trail, technisches Gelände
- Sprengung: 6 mm
- Wasserdicht: Ja (Membran)
- Preisklasse: EUR 100 bis 150
- Ergänzungen (nach Produkttyp): Trailrunning-Socken, Gamaschen, eine Laufweste, Imprägnierspray
- Alternativen: andere Trailschuhe für Herren in Größe 42, EUR 100 bis 150, auf Lager
- Upsell: das Modell derselben Linie mit Carbonplatte, EUR 169
Nichts davon braucht AI. Es braucht Felder, die existieren und im ganzen Katalog dieselben Werte verwenden. Unser Guide zur Standardisierung von Attributen zeigt, wie du dahin kommst, und WISEPIM kann fehlende Kategorien und Attribute per AI-Anreicherung füllen und Lücken über seine Qualitätsscores markieren.
Finde echte Paare in deinen Bestelldaten mit der Warenkorbanalyse
Vorschläge für häufig zusammen gekaufte Produkte sollten aus deinen Bestellungen kommen, nicht aus dem Bauchgefühl. Die Warenkorbanalyse nutzt drei Kennzahlen pro Produktpaar:
- Support: der Anteil aller Bestellungen, die beide Produkte enthalten.
- Confidence: von den Bestellungen mit Produkt A der Anteil, der auch Produkt B enthält.
- Lift: Confidence geteilt durch die Häufigkeit, mit der B ohnehin gekauft wird. Ein Lift über 1 bedeutet, dass das Paar häufiger zusammen gekauft wird, als der Zufall erklären würde.
Warum Lift wichtig ist, zeigen beispielhafte Zahlen für einen Shop mit 10.000 Bestellungen. 800 Bestellungen enthalten den Trailschuh. 120 davon enthalten auch Gamaschen, und Gamaschen kommen insgesamt in 400 Bestellungen vor. 200 der Schuhbestellungen enthalten auch Socken, die insgesamt in 2.000 Bestellungen vorkommen.
Confidence im Vergleich dazu, wie oft sich jeder Artikel ohnehin verkauft
Beispielrechnung| Kategorie | Confidence with the trail shoe | Share of all orders |
|---|---|---|
| Gamaschen | 15% | 4% |
| Socken | 25% | 20% |
Nach der Confidence allein wirken Socken wie das stärkere Paar, weil viele Käufer Socken zu allem dazukaufen. Gamaschen sind die echte Ergänzung: Schuhkäufer kaufen sie fast viermal so wahrscheinlich wie ein durchschnittlicher Käufer. Ein Widget auf Basis von Lift zeigt Gamaschen beim Schuh und hebt Socken für den Warenkorb auf, wo sie zu fast jeder Bestellung passen.
Die Cross-Sell-Analysen von WISEPIM führen diese Berechnung mit der Bestellhistorie durch, die aus Shopify, WooCommerce, Magento 2, CCV Shop und Lightspeed importiert wird, und ranken Produktpaare nach Confidence und Lift. WISEPIM ist keine Recommendation Engine und rendert keine Widgets in deinem Shop: Du nutzt die Paare, um in deiner Plattform oder deiner Empfehlungs-App ergänzende Produkte festzulegen, und prüfst, ob die Produkte in deinen besten Paaren gut beschrieben sind, bevor du sie bewirbst. Der Eintrag zu Cross-Selling in unserem Lexikon erklärt den Unterschied zum Upselling.
Personalisierte Produktempfehlungen: wann sie sich lohnen
Personalisierte Produktempfehlungen nutzen den Verlauf des einzelnen Käufers: angesehene Produkte, besuchte Kategorien, frühere Bestellungen und das Verhalten ähnlicher Käufer. Sie sind stark, wenn du die Eingangsdaten hast, und enttäuschend, wenn nicht.
- Lohnt sich: ein großer Katalog, den Käufer nicht komplett durchstöbern können, viele wiederkehrende Kunden, Wiederholungs- oder Nachkäufe und genug Traffic, damit das Modell lernen kann.
- Lohnt sich noch nicht: ein paar hundert Produkte, überwiegend Erstbesucher oder ein geringes Bestellvolumen. Hier schlagen gut beschriftete Regeln (Ergänzungen, Alternativen, Bestseller pro Kategorie) meist eine Blackbox.
- Immer nötig: ein Fallback für Besucher ohne Verlauf, und da kommen Produktdaten und Bestsellerlisten wieder ins Spiel.
Personalisierung ist außerdem nur so gut wie der Katalog, aus dem sie schöpft. Eine Engine, die weiß, dass ein Käufer wasserdichte Trailschuhe mag, kann das nur nutzen, wenn wasserdicht ein gefülltes, einheitliches Attribut ist. In unserem Lexikoneintrag zu personalisierten Empfehlungen findest du die Begriffe, die Anbieter verwenden.
Kennzahlen pro Widget: Klickrate, Attach-Rate und AOV
Miss jedes Widget einzeln, nicht die Empfehlungen als Ganzes:
- Klickrate pro Widget und Platzierung.
- Add-to-Cart-Rate bei empfohlenen Produkten.
- Attach-Rate: der Anteil der Bestellungen mit Produkt A, die auch das empfohlene Produkt B enthalten.
- Durchschnittlicher Bestellwert von Bestellungen mit und ohne empfohlenen Artikel. Unser Rechner für den durchschnittlichen Bestellwert hilft dir, die Ausgangsbasis festzulegen.
- Retourenquote empfohlener Artikel, um Vorschläge zu erkennen, die sich verkaufen, aber nicht passen.
Shopify zeigt die Performance von Empfehlungen in den Analysen im Admin (Bericht Product recommendation conversion over time), wenn die URLs der empfohlenen Produkte das Format nutzen, das die API vorgibt. Für einen fairen Vergleich führe in deiner Empfehlungs-App oder deinem Testing-Tool einen Test mit und ohne Widget durch, statt Vorher und Nachher über verschiedene Saisons zu vergleichen.
Wenn ein Widget schwach performt, liegt es meist an einer dieser Ursachen:
- Nicht vorrätige Artikel empfehlen oder Varianten, die in der Größe des Käufers ausverkauft sind.
- Alternativen im Warenkorb. Ein ähnliches Produkt nach dem Hinzufügen öffnet die Entscheidung wieder.
- Eine generische Beschriftung (Das könnte dir auch gefallen) für jedes Widget.
- Zu viele Karussells auf einer Seite, die alle überlappende Produkte zeigen.
- Kompatibilität ignorieren, etwa eine Handyhülle für das falsche Modell.
- Upsells zu weit oben auf der Preisleiter, ein Artikel für EUR 600 neben einem für EUR 120.
- Neue Produkte ohne Daten lassen, sodass sie nie in Empfehlungen auftauchen, bis sie zufällig verkauft werden.
- Manuelle Verknüpfungen nie prüfen, die immer noch auf Produkte zeigen, die vor zwei Saisons ausgelaufen sind.
Empfehlungen verkaufen, was dein Katalog beschreibt. Wenn Kategorien, Attribute und Beschreibungen dünn sind, fang dort an: WISEPIM füllt und standardisiert diese Daten mit AI und überträgt sie in deinen Shop, und die Cross-Sell-Analysen zeigen, welche Paare deine Kunden schon zusammen kaufen.
