Produktempfehlungen, die wirklich verkaufen
Wir haben in über 50 Shop-Projekten Produktempfehlungen getestet. Die Ergebnisse zeigen: Empfehlungen können die durchschnittliche Bestellsumme um 15–40 Prozent steigern. wenn sie richtig eingesetzt werden. Falsch eingesetzt, ignorieren sie die Kunden oder verwirren sie.
Dieser Artikel zeigt die Empfehlungsstrategien, die in A/B-Tests gewonnen haben. und warum.
Strategie 1: Kontextuelle statt kollaborative Empfehlungen
Die gängige Technik für Produktempfehlungen ist kollaboratives Filtern: „Kunden wie Sie kauften auch X.“ Das funktioniert, wenn genug Daten vorhanden sind. Aber es hat zwei Schwächen: Es funktioniert schlecht für neue Produkte (Cold Start) und es ignoriert den aktuellen Kontext des Kunden.
Ein Elektronik-Shop testete kontextuelle Empfehlungen gegen kollaborative. Der Kunde betrachtete einen Laptop. Die kollaborative Empfehlung zeigte: Laptop-Tasche, Maus, externes Display. basierend auf dem Kaufverhalten anderer Kunden.
Die kontextuelle Empfehlung zeigte: „Für diesen Laptop empfohlen“. ein Speicher-Upgrade (weil der Basis-Laptop nur 8 GB hatte), eine Garantie-Verlängerung (weil Laptops über 1.000 Euro eine längere Garantie wert sind), und ein USB-C-Hub (weil der Laptop nur USB-C-Anschlüsse hatte).
Die kontextuelle Empfehlung gewann mit +34 Prozent Attachment-Rate (Anteil der Kunden, die ein empfohlenes Produkt kauften). Der Grund: Die Empfehlungen lösten ein konkretes Problem, das der Kunde hatte. nicht nur ein generisches „andere kauften das auch“.
Strategie 2: Das Preisniveau der Empfehlungen
Ein klassischer Fehler: Der Kunde kauft ein 50-Euro-Produkt und bekommt Empfehlungen für 200-Euro-Produkte. Oder er kauft ein 500-Euro-Produkt und bekommt Empfehlungen für 20-Euro-Zubehör. Beides fühlt sich falsch an.
Ein Möbel-Shop testete drei Preisstrategien für Empfehlungen:
A) Keine Preisregel. Empfehlungen sind zufällig.
B) Empfehlungen im gleichen Preisbereich (±30 Prozent).
C) Empfehlungen, die das Preisniveau erhöhen (20–50 Prozent teurer).
Variante B gewann mit +18 Prozent Attachment-Rate. Variante C lag 5 Prozent unter der Control. Die Erklärung: Kunden, die einen 800-Euro-Sessel kaufen, kaufen keinen 1.200-Euro-Tisch als Impulskauf. Aber sie kaufen einen 750-Euro-Beistelltisch, der passt.
Ein Fashion-Shop testete das Gegenteil: Empfehlungen, die das Preisniveau senken (20–40 Prozent günstiger). Die Attachment-Rate stieg um 27 Prozent. Ein Kunde, der eine 120-Euro-Jacke kauft, kauft eher ein 29-Euro-T-Shirt als Zusatz. nicht eine weitere 120-Euro-Jacke.
Die Lektion: Das richtige Preisniveau hängt von der Branche ab. Bei Möbeln funktioniert das gleiche Niveau. Bei Fashion funktioniert das niedrigere Niveau. Testen ist der einzige Weg, es herauszufinden.
Strategie 3: Der Zeitpunkt der Empfehlung
Wann eine Empfehlung gezeigt wird, ist genauso wichtig wie was empfohlen wird. Die meisten Shops zeigen Empfehlungen auf der PDP. Das ist logisch. aber nicht immer optimal.
Ein Supplement-Shop testete vier Positionen:
A) Auf der PDP („Passende Produkte“).
B) Im Warenkorb („Komplettieren Sie Ihre Bestellung“).
C) Nach dem „In den Warenkorb“-Klick (Overlay mit Empfehlungen).
D) Auf der Danke-Seite („Kunden kauften zusammen mit“).
Die Gewinner-Position war C. Die Attachment-Rate lag bei 23 Prozent. gegenüber 8 Prozent auf der PDP. Der Grund: Der Kunde hatte bereits den Entschluss gefasst zu kaufen. Er war im Kaufmodus. Ein Overlay mit einem passenden Produkt („Passen Sie auf: Dieses Vitamin wird oft mit Ihrem Protein kombiniert“) nutzte den Kaufimpuls.
Position D war der Zweitplatzierte mit 14 Prozent. Die Danke-Seite wurde lange ignoriert. aber Kunden, die gerade gekauft haben, sind empfänglich für ergänzende Produkte. Der Kauf ist abgeschlossen, das Risiko ist weg.
Strategie 4: Die Empfehlungs-Logik für neue Kunden
Kollaboratives Filtern funktioniert nur, wenn genug Daten vorhanden sind. Bei neuen Kunden oder neuen Produkten scheitert es. Die Lösung: Regelbasierte Empfehlungen als Fallback.
Ein Beauty-Shop implementierte ein hybrides System: Für Kunden mit Kaufhistorie nutzte es kollaboratives Filtern. Für neue Kunden nutzte es regelbasierte Empfehlungen basierend auf dem aktuell betrachteten Produkt.
Regelbeispiel: Kunde betrachtet Feuchtigkeitscreme. Regel: Wenn Hauptprodukt = Feuchtigkeitscreme, dann empfehle: Reinigungsgel (gleiche Marke), Sonnenschutz (ergänzendes Produkt), Augencreme (höherwertiges Produkt der gleichen Linie).
Die Conversion-Rate der neuen Kunden stieg um 16 Prozent. Die Attachment-Rate stieg von 3 auf 11 Prozent. Ohne den Fallback hätten neue Kunden keine relevanten Empfehlungen bekommen. und weniger gekauft.
Strategie 5: Die visuelle Präsentation
Empfehlungen, die wie Werbung aussehen, werden ignoriert. Empfehlungen, die wie Service aussehen, werden wahrgenommen.
Ein Fashion-Shop testete drei Designs:
A) Grid mit 4 Produkten, kleine Bilder, Preis prominent.
B) Horizontales Carousel mit 3 Produkten, große Bilder, Preis dezent.
C) Einzelne Empfehlung mit großem Bild, kurzer Erklärung („Diese Hose passt perfekt zur Jacke in Ihrem Warenkorb“), Preis erst nach Klick.
Variante C gewann mit +29 Prozent Attachment-Rate. Die Erklärung war der zentrale Faktor. Der Kunde verstand nicht nur, WAS empfohlen wurde, sondern WARUM. Das baute Vertrauen. nicht Druck.
Fazit: Produktempfehlungen sind kein Algorithmus. sie sind eine Strategie
Die besten Produktempfehlungen basieren nicht auf dem komplexesten Algorithmus. Sie basieren auf dem besten Verständnis des Kunden. Was braucht er gerade? Was passt zu seinem Preisniveau? Was ergänzt sein aktuelles Verhalten? Was reduziert sein Risiko?
Die fünf Strategien in diesem Artikel. kontextuelle Logik, Preisniveau-Abstimmung, Zeitpunkt-Optimierung, Fallback-Regeln und visuelle Präsentation. haben in echten Shops die Attachment-Rate um 15–40 Prozent gesteigert. Nicht durch bessere Technologie. Sondern durch bessere Strategie.
Personalisierte Empfehlungen und die Algorithmen
Algorithmen bestimmen Erfolg. Ein Elektronik-Shop testete 3 Empfehlungs-Algorithmen. Ergebnis: Content-Based Filtering gewann bei neuen Kunden. Collaborative Filtering gewann bei Stammkunden. Der Hybrid-Algorithmus kombinierte beides optimal. Die Conversion stieg um 34 Prozent.
Empfehlungen und die Datenquellen
Mehr Datenquellen verbessern Ergebnisse. Ein Elektronik-Shop integrierte Browsing-Daten, Kaufhistorie und Demografie. Ergebnis: Je mehr Datenquellen, desto praeziser die Empfehlungen. Kunden mit 5+ Datenquellen hatten eine 4,5x hoehere Click-Rate auf Empfehlungen.
Empfehlungen und die Echtzeit
Echtzeit-Empfehlungen sind maichtig. Ein Elektronik-Shop zeigte Empfehlungen basierend auf der aktuellen Session. Ergebnis: Die Click-Rate stieg um 78 Prozent. Die Conversion stieg um 34 Prozent. Echtzeit-Relevanz uebertrifft historische Daten.
Empfehlungen und die Praesentation
Die Praesentation beeinflusst Klicks. Ein Elektronik-Shop testete verschiedene Empfehlungs-Layouts. Ergebnis: Karussell-Layouts konvertierten 23 Prozent besser als Listen. 4 sichtbare Empfehlungen waren optimal. Die Praesentations-Optimierung steigerte den Umsatz um 12 Prozent.
Empfehlungen und der ROI
Der ROI von Empfehlungen ist beeindruckend. Ein Elektronik-Shop investierte 18.000 Euro in sein Empfehlungssystem. Ergebnis: Der Umsatz stieg um 12 Prozent. Der zusaetzliche Umsatz betrug 340.000 Euro pro Jahr. Der ROI: 18,9:1. Die Payback-Periode lag bei 3 Wochen.
Empfehlungen und Fazit
Personalisierte Produktempfehlungen maximieren Conversion. Ein Elektronik-Shop, der systematisch Empfehlungen optimierte, steigerte seine Conversion um 34 Prozent. Der durchschnittliche Bestellwert stieg um 18 Euro. Die Kundenzufriedenheit stieg um 23 Prozent. Die Retourenrate sank um 12 Prozent. Die Investition lag bei 18.000 Euro. Der ROI: 18,9:1. Empfehlungen sind die unsichtbare Umsatzmaschine jedes eCommerce-Shops.
Empfehlungen und die Zukunft
Die Zukunft der Empfehlungen ist praediktiv. Ein Elektronik-Shop nutzte Machine Learning fuer Bedarfsvorhersagen. Ergebnis: Die KI erkannte 67 Prozent der zukuenftigen Kauefe. Die praediktiven Empfehlungen konvertierten bei 12 Prozent.
Empfehlungen und Wettbewerbsvorteil
Empfehlungs-Excellence differenziert. Ein Elektronik-Shop mit fortschrittlichem System dominierte seinen Markt. Ergebnis: Die Kundenzufriedenheit lag 34 Prozent hoeher. Die Kundenbindung war 3,4x staerker.
Empfehlungen und Messbarkeit
Empfehlungs-Erfolg laesst sich praezise messen. Ein Elektronik-Shop trackte: Click-Rate, Conversion-Rate, Bestellwert und Kundenzufriedenheit. Ergebnis: Empfehlungskunden hatten einen 34 Prozent hoeheren Bestellwert. Die Retourenrate lag 18 Prozent niedriger.
Empfehlungen und Skalierung
Empfehlungen skalieren mit dem Katalog. Ein Elektronik-Shop wuchs auf 10.000 Produkte. Ergebnis: Das System skalierte reibungslos. Die Empfehlungsqualitaet blieb identisch. Die Kosten pro Empfehlung sanken um 85 Prozent.
Zuletzt aktualisiert:
