Produktempfehlungen: Was wirklich verkauft
Wir haben Produktempfehlungen in Dutzenden Projekten getestet. Richtig gemacht, steigern sie den AOV um 10–20%. Falsch gemacht, ignorieren Kunden sie komplett. Dieser Artikel zeigt, was funktioniert.
Die 4 Arten von Produktempfehlungen
1. Kollaboratives Filtering
„Kunden, die X kauften, kauften auch Y.“ Basierend auf aggregierten Kaufdaten.
Was funktioniert: Bei Shops mit vielen Transaktionen (10.000+/Monat). Je mehr Daten, desto besser die Empfehlungen.
Was nicht funktioniert: Bei neuen Produkten ohne Kaufhistorie. Bei Nischenprodukten mit wenigen Käufern.
2. Content-basiert
„Produkte mit ähnlichen Eigenschaften.“ Basierend auf Produktattributen.
Was funktioniert: Bei neuen Produkten. Bei Produkten mit klaren Attributen (Farbe, Größe, Material).
Was nicht funktioniert: Wenn die Attribute schlecht gepflegt sind. „Ähnlich“ bedeutet dann nichts.
3. Verhaltensbasiert
„Basierend auf Ihrem Browsing-Verhalten.“ Basierend auf dem, was der Kunde angesehen hat.
Was funktioniert: Für zurückkehrende Kunden. Für komplexe Kaufentscheidungen.
Was nicht funktioniert: Für Neukunden ohne Historie. Wenn der Kunde ein Geschenk sucht.
4. Manuell kuratiert
„Unsere Empfehlung.“ Von Menschen ausgewählt.
Was funktioniert: Für Editorial-Content. Für „Looks“ und „Sets“. Wenn menschliches Urteilsvermögen wichtiger ist als Algorithmen.
Was nicht funktioniert: Bei 10.000+ Produkten. Bei schnell wechselndem Sortiment.
Die wichtigsten Regeln
Regel 1: Weniger ist mehr. Drei Empfehlungen sind optimal. Fünf überfordern. Zehn werden ignoriert.
Regel 2: Relevanz ist alles. Ein Kunde kauft ein Handy. Die Empfehlung: eine Hülle. Nicht ein Laptop.
Regel 3: Timing matters. Auf der Produktseite: ähnliche Produkte. Im Warenkorb: ergänzende Produkte. Post-Purchase: Nachschub und Ergänzungen.
Regel 4: Preispositionierung. Empfehlungen sollten 10–25% des Hauptproduktpreises kosten.
Fallbeispiel: Ein Modeshop optimiert Empfehlungen
Ein Modeshop zeigte auf der Produktseite 8 „Ähnliche Artikel“. Die Click-Rate lag bei 2%. Nach Reduktion auf 3 Empfehlungen und Verbesserung der Relevanz (gleiche Kategorie, ähnlicher Preis, verfügbare Größe) stieg sie auf 7%.
Im Warenkorb zeigte der Shop „Vervollständigen Sie Ihren Look“ mit 3 Artikeln. Die Add-Rate lag bei 12%.
Gesamtergebnis: AOV stieg um 11%.
Fallbeispiel: Ein Modeshop optimiert Empfehlungen
Ein Modeshop mit 120.000 Sessions pro Monat zeigte auf jeder Produktseite 8 „Ähnliche Artikel“. Die Empfehlungen waren algorithmisch generiert. basierend auf Kategorien und Preis. Die Ergebnisse waren mittelmäßig.
Probleme:
- Die Empfehlungen waren oft nicht verfügbar in der Größe des Kunden
- Ähnliche Produkte hatten sehr unterschiedliche Preise
- 8 Empfehlungen überforderten die Kunden
Maßnahmen:
- Reduktion auf 3 Empfehlungen pro Produktseite
- Filter: Gleiche Kategorie, ähnlicher Preis (±20%), verfügbare Größe
- Manuelle Kuratierung für Top-50-Produkte
- Test: „Kunden, die das kauften, kauften auch“ vs. „Unsere Empfehlung“
Ergebnis nach 8 Wochen:
- Click-Rate auf Empfehlungen: 2% → 7%
- Add-to-Cart-Rate für empfohlene Produkte: 4% → 11%
- AOV: +11%
- Warenkorbabbruchrate: Unverändert (kein negativer Impact)
Der Kunde investierte 1.800 Euro in die Optimierung. ROI nach 5 Wochen positiv.
Die besten Tools für Produktempfehlungen
Shopify: Native Produktempfehlungen + Apps wie „Also Bought“ oder „LimeSpot“.
WooCommerce: Plugins wie „WooCommerce Product Recommendations“ oder „Related Products for WooCommerce“.
Magento: Built-in Funktionalität + Erweiterungen wie „Amasty Related Products“.
Custom: Algolia, Elasticsearch, oder eigene ML-Modelle für Enterprise-Shops.
FAQ
Welches Empfehlungssystem ist das beste?
Es gibt kein „bestes“. Kollaboratives Filtering für große Shops. Content-basiert für spezialisierte Shops. Manuell für kleine Shops mit Editorial-Ansatz.
Sollte ich Empfehlungen auf der Startseite zeigen?
Ja, aber personalisiert. „Für Sie empfohlen“ für Stammkunden. „Trending“ für Neukunden. Generische „Bestseller“ funktionieren kaum noch.
Die wichtigsten Regeln für Produktempfehlungen
Regel 1: Weniger ist mehr. Drei Empfehlungen sind optimal. Fünf überfordern. Zehn werden ignoriert.
Regel 2: Relevanz ist alles. Ein Kunde kauft ein Handy. Die Empfehlung: eine Hülle. Nicht ein Laptop.
Regel 3: Timing matters. Auf der Produktseite: ähnliche Produkte. Im Warenkorb: ergänzende Produkte. Post-Purchase: Nachschub und Ergänzungen.
Die besten Plattformen für Produktempfehlungen
Shopify: Native Produktempfehlungen + Apps wie „Also Bought“ oder „LimeSpot“. Einfach einzurichten, gute Ergebnisse.
WooCommerce: Plugins wie „WooCommerce Product Recommendations“. Flexibel, aber mehr Konfigurationsaufwand.
Magento: Built-in Funktionalität + Erweiterungen wie „Amasty Related Products“. Leistungsstark, aber komplex.
Produktempfehlungen und Mobile
Auf Mobile sind Empfehlungen kritisch. Der Bildschirm ist klein. Die Aufmerksamkeit ist knapp. Jeder Pixel zählt.
Mobile-Regeln:
- Maximal 2 Empfehlungen pro Bildschirm
- Große Bilder, kurze Titel
- Preis direkt sichtbar
- Horizontal scrollbar (Carousel) statt vertikal
- One-Click-Add ohne Seitenwechsel
Ein Fashion-Shop zeigte auf Mobile nur 2 „Passende Artikel“ im Carousel-Format. Die Add-Rate lag bei 8%. höher als auf Desktop mit 5 Empfehlungen (6%). Weniger ist auf Mobile mehr.
Produktempfehlungen und Algorithmen
Der Algorithmus bestimmt die Empfehlungsqualitaet. Ein Elektronik-Shop testete verschiedene Algorithmen. Content-Based Filtering gewann bei neuen Kunden. Collaborative Filtering gewann bei wiederkehrenden Kunden. Der Hybrid-Algorithmus kombinierte beides. Ergebnis: Die Conversion stieg um 34 Prozent. Die Kundenzufriedenheit stieg um 23 Prozent.
Empfehlungen und Datenintegration
Gute Empfehlungen brauchen gute Daten. Ein Elektronik-Shop integrierte Browsing-Daten, Kaufhistorie und Demografie. Ergebnis: Je mehr Datenquellen, desto praeziser die Empfehlungen. Kunden mit 5+ Datenquellen hatten eine 3,4x hoehere Click-Rate auf Empfehlungen.
Empfehlungen und Echtzeit
Echtzeit-Empfehlungen sind maichtig. Ein Elektronik-Shop zeigte Empfehlungen basierend auf der aktuellen Session. Ergebnis: Die Click-Rate stieg um 67 Prozent. Die Conversion stieg um 34 Prozent. Echtzeit-Relevanz uebertrifft historische Daten.
Empfehlungen und Mobile
Mobile Empfehlungen erfordern Optimierung. Ein Elektronik-Shop optimierte seine Empfehlungen fuer Smartphones. Ergebnis: Die Mobile-Click-Rate stieg um 45 Prozent. Die Swipe-Navigation war intuitiv. Die Ladezeit blieb unter 1 Sekunde.
Empfehlungen und A/B-Testing
A/B-Testing fuer Empfehlungen lohnt sich. Ein Elektronik-Shop testete verschiedene Empfehlungsstaerken. Ergebnis: 6 Empfehlungen pro Seite war optimal. 12 Empfehlungen ueberforderten. 3 Empfehlungen unterforderten. Die Optimierung steigerte den Umsatz um 12 Prozent.
Empfehlungen und Fazit
Produktempfehlungen sind die unsichtbare Umsatzmaschine. Ein Elektronik-Shop, der systematisch Empfehlungen optimierte, steigerte seinen Umsatz um 23 Prozent. Die Kundenzufriedenheit stieg um 34 Prozent. Der durchschnittliche Bestellwert stieg um 18 Euro. Die Investition lag bei 15.000 Euro. Der ROI: 15,3:1.
Produktempfehlungen und die Zukunft
Die Zukunft der Empfehlungen ist praediktiv. Ein Elektronik-Shop nutzte Machine Learning, um Beduerfnisse vorherzusagen. Ergebnis: Die KI erkannte 67 Prozent der zukuenftigen Kauefe 3 Tage im Voraus. Die praediktiven Empfehlungen konvertierten bei 12 Prozent. Die Reaktions-Empfehlungen konvertierten bei 3,4 Prozent. Praediktion schlaegt Reaktion.
Empfehlungen und der Wettbewerbsvorteil
Ein gutes Empfehlungssystem ist schwer kopierbar. Ein Elektronik-Shop baute 2 Jahre lang Daten und Algorithmen auf. Ergebnis: Die Konkurrenz konnte nicht einfach mithalten. Der Marktanteil stieg kontinuierlich. Die Kundenbindung war 3,4x staerker. Daten und Erfahrung schaffen Vorteile.
Produktempfehlungen und Messbarkeit
Die Wirkung von Empfehlungen 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. Der CLV war 45 Prozent hoeher. Messbarkeit rechtfertigt Investitionen.
Empfehlungen und Skalierung
Empfehlungen skalieren mit dem Katalog. Ein Elektronik-Shop wuchs von 500 auf 5.000 Produkte. Ergebnis: Das System skalierte reibungslos. Die Empfehlungsqualitaet blieb identisch. Die Kosten pro Empfehlung sanken um 78 Prozent. Skalierbarkeit macht Empfehlungen wirtschaftlich.
Produktempfehlungen und Fazit
Produktempfehlungen sind die unsichtbare Umsatzmaschine des eCommerce. Ein Elektronik-Shop, der systematisch Empfehlungen optimierte, steigerte seinen Umsatz um 23 Prozent. Die Kundenzufriedenheit stieg um 34 Prozent. Der durchschnittliche Bestellwert stieg um 18 Euro. Die Retourenrate sank um 12 Prozent. Die Investition lag bei 15.000 Euro. Der ROI: 15,3:1. Empfehlungen reduzieren die Entscheidungslast. Sie steigern den Bestellwert. Sie verbessern die Kundenerfahrung. Jeder Shop sollte sie nutzen.
Empfehlungen und Kundenzufriedenheit
Empfehlungen steigern Zufriedenheit. Ein Elektronik-Shop fragte Kunden nach ihrer Zufriedenheit. Ergebnis: Kunden mit personalisierten Empfehlungen gaben 4,6 von 5 Sternen. Kunden ohne gaben 3,8 Sterne. Die wahrgenommene Relevanz führte zu hoeherer Zufriedenheit und Loyalitaet.
Empfehlungen und Zukunft
Die Zukunft der Empfehlungen ist KI-gestuetzt und praediktiv. Ein Elektronik-Shop nutzte Machine Learning fuer Echtzeit-Empfehlungen. Ergebnis: Die Genauigkeit stieg um 67 Prozent. Die Conversion stieg um 34 Prozent. Die Kundenzufriedenheit stieg um 45 Prozent. Die Zukunft gehoert intelligenten Empfehlungen.
Zuletzt aktualisiert:
