Zum Hauptinhalt springen
Zurück zum E-Commerce-Lexikon

Produktempfehlungen (Recommendation Engine)

E-Commerce-Strategie und AnalyticsStufe: Intermediate

Eine Engine für Produktempfehlungen ist Software, die jedem Kunden passende Produkte auf Basis von Verhaltensdaten und Produktattributen vorschlägt.

Image by · CC BY 4.0

Was ist Produktempfehlungen (Recommendation Engine)?

Eine Engine für Produktempfehlungen (Product Recommendation Engine) ist Software, die auswählt, welche Produkte jeder Kunde sieht, etwa „Wird oft zusammen gekauft“ oder „Das könnte dir auch gefallen“, auf Basis von Verhaltensdaten und Produktdaten. Im E-Commerce läuft sie auf Produktseiten, im Warenkorb, in der Suche und in E-Mails. Die meisten Engines kombinieren zwei Methoden. Collaborative Filtering schaut auf das Verhalten: Kunden, die A gekauft haben, kauften auch B. Content-based Filtering schaut auf die Produkte selbst und schlägt Artikel mit ähnlichen Attributen vor, etwa denselben Stil, denselben Größenbereich oder ein kompatibles Modell. Hybride Engines mischen beides und ergänzen Geschäftsregeln, zum Beispiel den Ausschluss ausverkaufter Artikel. Verhaltensdaten brauchen Traffic, deshalb stützen sich neue Produkte und kleine Shops auf Produktattribute, und genau dort schaden unvollständige Daten: Eine Engine kann „kompatibel mit Modell X“ nicht zuordnen, wenn das Feld leer ist. Unser Leitfaden zur Attributmodellierung zeigt, wie du diese Attribute strukturierst.

Warum Produktempfehlungen (Recommendation Engine) im E-Commerce wichtig ist

Eine Engine für Produktempfehlungen hilft Kunden, relevante Produkte zu finden, nach denen sie nicht gesucht haben, von Zubehör bis zu Alternativen, wenn ein Artikel ausverkauft ist. Gut gemacht steigert sie den Bestellwert und hilft Kunden, mehr vom Katalog zu entdecken. Die Qualität der Vorschläge hängt von den Daten ab. Bei neuen Produkten und kleinen Shops gibt es wenig Verhaltensdaten, also verlässt sich die Engine auf Produktattribute. Fehlende oder uneinheitliche Attribute führen zu irrelevanten Vorschlägen, etwa Zubehör, das nicht passt.

Beispiele für Produktempfehlungen (Recommendation Engine)

  • 1Platzierung: Produktseite, Typ: Wird oft zusammen gekauft, Beispiel: Kameragehäuse mit kompatiblem Objektiv und Speicherkarte
  • 2Platzierung: Warenkorb, Typ: Zusatzartikel, Beispiel: Batterien als Vorschlag für ein Spielzeug, das sie braucht
  • 3Platzierung: Kategorieseite, Typ: Ähnliche Artikel, Beispiel: Sofas im selben Stil und Breitenbereich
Image by · CC BY 4.0

So hilft WISEPIM

  • Fülle die Attribute, auf die sich Recommendation Engines stützen, etwa Stil, Material und Kompatibilität, mit AI-Anreicherung in WISEPIM.
  • Ordne Produkte mit AI der Google-Produkttaxonomie zu, damit ähnliche Artikel dieselben Kategorien teilen.
  • Synchronisiere vollständige Produktdaten mit verbundenen Plattformen wie Shopify, WooCommerce und Magento 2, wo Empfehlungs-Apps sie auslesen.

Häufige Fehler bei Produktempfehlungen (Recommendation Engine)

  • Ausverkaufte oder eingestellte Produkte empfehlen.
  • Die Engine mit unvollständigen Attributen füttern, sodass ähnliche Artikel nicht erkannt werden.
  • Zu viele Empfehlungsblöcke auf einer Seite zeigen.
  • Produkte empfehlen, die der Kunde gerade gekauft hat.
  • Nie testen, ob eine Platzierung hilft oder schadet.

Tipps zu Produktempfehlungen (Recommendation Engine)

  • Fülle Kompatibilitäts- und Stilattribute, bevor du Empfehlungen einschaltest.
  • Schließe ausverkaufte Produkte per Geschäftsregel aus.
  • Starte mit zwei oder drei Platzierungen und teste jede einzeln.
  • Nutze unterschiedliche Logik für Produktseiten (Alternativen) und den Warenkorb (Zusatzartikel).

Trends rund um Produktempfehlungen (Recommendation Engine)

  • Generative AI, die erklärt, warum ein Produkt empfohlen wird.
  • Konversationelle Shopping-Assistenten, die Produkte im Chat empfehlen.
  • Datenschutzfreundliche Empfehlungen auf Basis des Sitzungsverhaltens statt Tracking.
  • Empfehlungen, die Marge, Bestand und Retouren gewichten, nicht nur Klicks.

Tools für Produktempfehlungen (Recommendation Engine)

  • Nosto: Plattform für Personalisierung und Empfehlungen für Webshops.
  • Dynamic Yield: Personalisierungsplattform mit Empfehlungsstrategien.
  • Algolia Recommend: Empfehlungen auf Basis von Algolia-Suchdaten.
  • Clerk.io: Empfehlungen, Suche und E-Mail-Personalisierung für Webshops.
  • WISEPIM: PIM zum Vervollständigen der Produktattribute, die Recommendation Engines nutzen.

Verwandte Begriffe

Agentic CommerceDurchschnittlicher Warenkorbwert (AOV)Conversion Rate (CR)Conversion-Optimierung (CRO) für ProduktseitenBedarfsprognose (Demand Forecasting)Digital Shelf

Auch bekannt als

ProduktempfehlungssystemEmpfehlungssystemRecommendation Engine

Häufige Fragen

Die Engine sammelt Signale wie Aufrufe, Warenkorb-Ergänzungen und Käufe und kombiniert sie mit Produktattributen und Geschäftsregeln. Ein Modell bewertet, welche Produkte jeden Kunden am wahrscheinlichsten interessieren, und der Webshop zeigt die besten Ergebnisse in Empfehlungsplätzen.

Collaborative Filtering empfiehlt Produkte, die ähnliche Kunden gekauft oder angesehen haben. Content-based Filtering empfiehlt Produkte mit ähnlichen Attributen wie das angesehene Produkt. Collaborative Filtering braucht viele Verhaltensdaten; Content-based Filtering braucht vollständige Produktdaten.

Wähle zuerst wenige Platzierungen, etwa „Complete the Look“ auf Produktseiten und Zusatzartikel im Warenkorb. Lege Regeln für Bestand und Marge fest, teste die Platzierungen dann gegen eine Version ohne Empfehlungen und behalte, was die Ergebnisse verbessert.

Viele E-Commerce-Plattformen haben einfache Funktionen für ähnliche Produkte, die für einen kleinen Katalog reichen. Spezialisierte Software lohnt sich, wenn du genug Traffic und Produkte hast, damit Verhaltensdaten ins Gewicht fallen. In beiden Fällen machen vollständige Attribute die Vorschläge besser.

Neue Produkte haben noch keine Verhaltensdaten, also muss sich die Engine auf Attribute wie Kategorie, Marke, Stil und Kompatibilität stützen. Wenn du diese Attribute zum Launch füllst, erscheinen neue Artikel vom ersten Tag an in Empfehlungen.

Noch Fragen?

Keine passende Antwort gefunden? Melde dich bei unserem Team.

Support kontaktieren

Weiter entdecken

Handverlesene nächste Schritte, um tiefer einzusteigen.