Personalisierte Produktempfehlungen (Personalized Recommendations)
Personalisierte Produktempfehlungen sind Vorschläge für einen einzelnen Kunden, basierend auf seinem Verhalten wie Aufrufen, Käufen und Suchen sowie auf Produktähnlichkeit.
Was ist Personalisierte Produktempfehlungen (Personalized Recommendations)?
Personalisierte Produktempfehlungen sind Produktvorschläge, die für einen einzelnen Kunden ausgewählt werden, basierend darauf, was er angesehen, gekauft oder gesucht hat, kombiniert mit dem Verhalten ähnlicher Kunden und den Beziehungen zwischen Produkten. Typische Orte sind Blöcke wie „Für dich empfohlen“, Vorschläge im Warenkorb und Follow-up-E-Mails. Sie unterscheiden sich von generischen Empfehlungen wie „Bestseller“, die allen dieselbe Liste zeigen. Die meisten Engines mischen zwei Methoden: Collaborative Filtering („Kunden, die das gekauft haben, kauften auch“) und Content-based Filtering, das Produkte über gemeinsame Attribute wie Kategorie, Marke, Material oder Stil zuordnet. Die inhaltsbasierte Seite funktioniert nur, wenn Produktattribute vollständig und konsistent sind; die Qualität der Produktdaten setzt also eine Obergrenze für die Qualität der Empfehlungen. Sieh dir an, wie Cross-Sell-Analytics zeigt, welche Produkte zusammen gekauft werden.
Warum Personalisierte Produktempfehlungen (Personalized Recommendations) im E-Commerce wichtig ist
Bei großen Katalogen sehen Kunden kaum alles, was zu ihnen passt. Relevante Vorschläge verkürzen die Suche, bringen Produkte nach vorn, die Kunden sonst nicht gefunden hätten, und erhöhen die Chance auf einen zweiten Artikel im Warenkorb. Schlechte Vorschläge bewirken das Gegenteil: Ein Produkt zu empfehlen, das der Kunde gerade gekauft hat, oder einen Artikel in der falschen Größenrange, kostet Vertrauen. Weil viele Engines auf Produktattribute setzen, besonders bei neuen Produkten ohne Verkaufshistorie, halten saubere Daten die Vorschläge relevant.
Beispiele für Personalisierte Produktempfehlungen (Personalized Recommendations)
- 1Platzierung: Produktseite, Methode: inhaltsbasiert, Beispiel: Die Seite eines Leinenhemds schlägt andere Leinenhemden in derselben Passform vor
- 2Platzierung: Warenkorb, Methode: Collaborative Filtering, Beispiel: Eine Kamera im Warenkorb löst eine Speicherkarte und eine Tasche als Vorschlag aus
- 3Platzierung: Startseite, Methode: Browsing-Verlauf, Beispiel: Ein wiederkehrender Besucher sieht Laufschuhe, nachdem er sie letzte Woche angesehen hat
- 4Platzierung: E-Mail, Methode: Kaufhistorie, Beispiel: Wer eine Kaffeemaschine gekauft hat, bekommt nach zwei Monaten einen Vorschlag für Entkalker
So hilft WISEPIM
- Die AI-Anreicherung von WISEPIM füllt Attribute wie Material, Stil und Verwendung, die inhaltsbasierte Empfehlungen brauchen.
- Das Attributmanagement von WISEPIM hält Werte konsistent, damit „Navy“ und „Navyblau“ nicht eine Gruppe aufspalten.
- Die Cross-Sell-Analytics von WISEPIM zeigen, welche Produkte Kunden zusammen kaufen.
- Export und Plattformanbindungen von WISEPIM liefern die angereicherten Daten an deinen Shop und deine Empfehlungstools.
Häufige Fehler bei Personalisierte Produktempfehlungen (Personalized Recommendations)
- Produkte empfehlen, die der Kunde schon gekauft hat oder die nicht vorrätig sind.
- Die Engine mit unvollständigen oder inkonsistenten Attributen füttern.
- Überall dieselbe Bestsellerliste zeigen und das Personalisierung nennen.
- Empfehlungsblöcke nicht gegen eine einfache Baseline testen.
- Datenschutzregeln und Einwilligung für Verhaltensdaten ignorieren.
Tipps zu Personalisierte Produktempfehlungen (Personalized Recommendations)
- Fülle und standardisiere die Attribute, die deine Engine nutzt, bevor du am Algorithmus feilst.
- Schließe nicht vorrätige Artikel und Produkte aus, die der Kunde schon besitzt.
- Nutze pro Platzierung eine eigene Logik: ähnliche Artikel auf Produktseiten, Zubehör im Warenkorb.
- Miss Empfehlungsblöcke am Umsatz pro Session, nicht nur an Klicks.
Trends rund um Personalisierte Produktempfehlungen (Personalized Recommendations)
- AI-Shopping-Assistenten, die Produkte im Gespräch empfehlen.
- Mehr Gewicht auf First-Party-Daten, da Third-Party-Cookies verschwinden.
- Inhaltsbasierte Modelle, die umfangreiche Attribute und Bilder nutzen, um neue Produkte einzubeziehen.
- Empfehlungen, die Bestand, Marge und Retouren berücksichtigen, nicht nur Klicks.
Tools für Personalisierte Produktempfehlungen (Personalized Recommendations)
- WISEPIM: AI-Anreicherung und Attributmanagement für die Produktdaten, die Empfehlungs-Engines nutzen.
- Algolia Recommend: Empfehlungsmodelle für Onlineshops.
- Dynamic Yield: Personalisierungsplattform mit Empfehlungsstrategien.
- Bloomreach: Plattform für Kundendaten und Personalisierung.