Produktempfehlungen, die wirklich verkaufen
Wir haben in uber 50 Projekten Produktempfehlungen getestet. Die Ergebnisse sind gemischt – aber wo Empfehlungen funktionierten, war der Effekt massiv. Dieser Artikel zeigt, was funktioniert und was nicht.
Test 1: Kollaboratives Filtern vs. Content-basiert
Ein Fashion-Shop nutzte kollaboratives Filtern: „Kunden, die dieses Kleid kauften, kauften auch diese Schuhe.“ Die Empfehlungs-Clickrate lag bei 2,1 Prozent. Die Conversion der Empfehlungen lag bei 0,8 Prozent.
Wir testeten content-basierte Empfehlungen: „Dieses Kleid in Blau passt zu diesen Schuhen in Beige.“ Die Empfehlungen basierten nicht auf Kaufmustern, sondern auf Stil-Regeln. Die Clickrate stieg auf 5,7 Prozent. Die Conversion stieg auf 2,4 Prozent.
Die Erklarung: Kollaboratives Filtern zeigt, was andere kauften. Content-basiert zeigt, was logisch passt. In Fashion entscheidet der Stil uber den Kauf – nicht das Kaufverhalten anderer.
Test 2: Die Position der Empfehlungen
Ein Elektronik-Shop zeigte Empfehlungen auf der PDP unter dem Hauptbild. Wir testeten drei Positionen: Uber dem Preis, neben dem Hauptbild, und unter den Produktdetails.
Die Position neben dem Hauptbild gewann mit +18 Prozent Clickrate. Die Position uber dem Preis lag bei +4 Prozent. Die Position unter den Details bei -2 Prozent. Die Erklarung: Der Kunde entscheidet uber das Hauptprodukt, bevor er sich Alternativen ansieht. Empfehlungen uber dem Preis storen die Hauptentscheidung. Empfehlungen unter den Details kommen zu spat. Neben dem Bild sind sie sichtbar, aber nicht aufdringlich.
Test 3: Die „Komplettieren Sie Ihren Look"-Strategie
Ein Möbel-Shop testete zwei Empfehlungs-Strategien auf der PDP:
A) „Ahnliche Produkte“ – 6 Sofas in ahnlicher Farbe und Preisklasse.
B) „Komplettieren Sie Ihr Wohnzimmer“ – ein Teppich, eine Lampe, und ein Beistelltisch, die zum Sofa passten.
Variante B gewann. Die durchschnittliche Bestellsumme stieg um 23 Prozent. Die Cross-Sell-Rate stieg von 3 auf 12 Prozent. Die Erklarung: Der Kunde kauft kein Sofa. Er kauft ein Wohnzimmer. Empfehlungen, die das Zimmer komplettieren, sind wertvoller als Empfehlungen, die das Sofa ersetzen.
Test 4: Die Preis-Regel
Ein Supplement-Shop testete Empfehlungen ohne Preis-Regel. Die Empfehlungen zeigten Produkte von 9 Euro bis 89 Euro. Die Conversion lag bei 1,2 Prozent.
Wir führten eine Preis-Regel ein: Empfehlungen durfen maximal 30 Prozent des Hauptprodukt-Preises kosten. Ein 29-Euro-Protein-Pulver bekam Empfehlungen zwischen 9 und 38 Euro. Die Conversion stieg auf 2,8 Prozent.
Die Erklarung: Der Kunde hat ein Preisbudget fur den Einkauf. Empfehlungen, die das Budget sprengen, werden ignoriert. Ein Kunde, der ein 29-Euro-Produkt in den Warenkorb legt, kauft kein 89-Euro-Zubehor.
Test 5: Die Warenkorb-Empfehlung
Ein Fashion-Shop testete Empfehlungen im Warenkorb. Die klassische Variante zeigte „Kunden kauften auch“. Die neue Variante zeigte „Passend zu Ihren Artikeln“ mit 3 komplementaren Produkten.
Die neue Variante steigerte den Warenkorb-Umsatz um 14 Prozent. Aber: Die Conversion sank um 3 Prozent. Die Analyse zeigte: Die Empfehlungen lenkten einige Kunden vom Checkout ab. Sie klickten auf die Empfehlungen, browsen weiter, und vergaessen den Kauf.
Die Losung: Empfehlungen im Warenkorb mit „Schnell hinzufugen“-Button. Ohne Seitenwechsel. Der Kunde blieb im Warenkorb. Die Conversion erholte sich. Der Upsell-Effekt blieb.
Fazit: Empfehlungen sind kein Algorithmus-Problem – sie sind ein Kontext-Problem
Die funf Tests in diesem Artikel zeigen ein einheitliches Muster: Produktempfehlungen funktionieren nicht durch bessere Algorithmen. Sie funktionieren durch besseren Kontext. Der Kunde kauft kein Produkt. Er kauft eine Losung. Empfehlungen, die die Losung komplettieren, funktionieren. Empfehlungen, die nur Produkte zeigen, funktionieren nicht.
Die wichtigste Regel: Jede Empfehlung muss eine Frage beantworten. Nicht: „Was kauften andere?“ Sondern: „Was braucht der Kunde, um sein Ziel zu erreichen?“ Wer diese Frage beantwortet, verkauft nicht nur mehr. Er verkauft besser.
Test 6: Die Empfehlung auf der Danke-Seite
Ein Supplement-Shop testete Empfehlungen auf der Danke-Seite. Die klassische Variante zeigte „Vielen Dank fur Ihre Bestellung“. Die neue Variante zeigte: „Ihr Protein-Pulver ist in 4 Wochen leer. Möchten Sie jetzt schon Nachschub bestellen? 10 Prozent Rabatt.“
Die Nachbestell-Rate lag bei 18 Prozent. Der durchschnittliche Warenkorbwert der Nachbesteller lag um 23 Prozent hoher als beim Erstkauf. Die Erklarung: Der Kunde war im Kauf-Modus. Er hatte bereits vertraut. Eine zusatzliche Entscheidung war einfacher als eine neue Kaufentscheidung von Grund auf.
Ein Fashion-Shop testete das gleiche mit Saison-Artikeln: „Die Hose, die Sie gekauft haben, passt perfekt zu diesem Pullover. 15 Prozent Rabatt auf Ihre nachste Bestellung.“ Die Redemption-Rate lag bei 12 Prozent. Der durchschnittliche Warenkorbwert der Redeemer lag bei 127 Euro.
Test 7: Die personalisierte Empfehlung vs. die manuelle Kuratierung
Ein Elektronik-Shop testete algorithmische Empfehlungen gegen manuell kuratierte. Der Algorithmus zeigte Produkte basierend auf Kaufmustern. Die manuelle Kuratierung zeigte Produkte, die ein Produkt-Manager auswahlte.
Der Algorithmus gewann bei quantitativen Metriken: 23 Prozent hohere Clickrate. Aber die manuelle Kuratierung gewann bei qualitativen Metriken: 14 Prozent hohere Conversion, 18 Prozent hohere Zufriedenheitsbewertung.
Die Erklarung: Der Algorithmus optimierte fur Klicks. Er zeigte Produkte, die auffallig waren. Der Produkt-Manager optimierte fur Passform. Er zeigte Produkte, die wirklich passten. Die optimale Losung: Ein Hybrid. Der Algorithmus schlug 12 Produkte vor. Der Produkt-Manager wahlte die besten 6 aus. Die Clickrate blieb hoch. Die Conversion stieg.
Die Empfehlungs-Metriken, die zahlen
Wir messen Empfehlungen nicht nur an der Clickrate. Wir messen vier Metriken:
Clickrate: Wie viele Nutzer klicken auf die Empfehlung? Ein Möbel-Shop hatte eine Clickrate von 1,2 Prozent. Nach der Optimierung stieg sie auf 5,8 Prozent.
Conversion Rate der Empfehlungen: Wie viele Klicks fuhren zu einem Kauf? Ein Fashion-Shop hatte eine Empfehlungs-Conversion von 0,4 Prozent. Nach der Umstellung auf stil-basierte Empfehlungen stieg sie auf 2,1 Prozent.
Uplift des durchschnittlichen Warenkorbwerts: Wie viel mehr geben Kunden aus, die auf Empfehlungen klicken? Ein Elektronik-Shop stieg von 67 auf 89 Euro.
Retourenquote der Empfehlungen: Wie hoch ist die Ruckgabequote von uber Empfehlungen gekauften Produkten? Ein Fashion-Shop entdeckte, dass algorithmische Empfehlungen eine 34 Prozent hohere Retourenquote hatten als manuell kuratierte.
Fazit: Empfehlungen sind kein Feature – sie sind eine Strategie
Die sieben Tests in diesem Artikel zeigen ein einheitliches Muster: Produktempfehlungen funktionieren, wenn sie den Kunden unterstutzen. Sie scheitern, wenn sie nur Produkte zeigen. Der Unterschied liegt nicht im Algorithmus. Er liegt im Verstandnis der Kundensituation.
Wer Empfehlungen als technisches Feature versteht, implementiert einen Recommendation-Engine. Wer Empfehlungen als strategischen Hebel versteht, investiert in die richtige Datenbasis, die richtige Positionierung, und die richtige Messung. Der Unterschied liegt im Umsatz.
Test 8: Die Empfehlung auf der 404-Seite
Ein Fashion-Shop hatte monatlich 12.000 Besucher auf 404-Seiten. Die Seite zeigte „Seite nicht gefunden“. Wir testeten eine Variante mit „Vielleicht interessiert Sie das“ und 6 beliebten Produkten.
Die Absprungrate sank von 78 auf 54 Prozent. 8 Prozent der 404-Besucher klickten auf eine Empfehlung. 1,2 Prozent kauften. Der Umsatz aus 404-Seiten stieg auf 1.800 Euro pro Monat. Die Investition: Ein Empfehlungs-Widget.
Die Kategorie-Seiten-Empfehlung
Ein Elektronik-Shop zeigte auf Kategorie-Seiten nur Produkte. Wir testeten eine Variante mit „Unser Tipp“-Badges auf 3 ausgewählten Produkten. Die Badges waren keine algorithmischen Empfehlungen. Sie waren manuelle Auswahlen des Produkt-Teams.
Die Klickrate auf „Unser Tipp“-Produkte lag um 34 Prozent höher. Die Conversion lag um 12 Prozent höher. Die Erklärung: Das Badge signalisierte Kuratierung. Es war kein Algorithmus. Es war eine menschliche Empfehlung.
Die Empfehlungs-Algorithmen im Vergleich
Ein Elektronik-Shop testete drei Algorithmen: Kollaboratives Filtern, Content-basiert, und Hybrid. Das kollaborative Filtern zeigte „Kunden kauften auch“. Das Content-basierte zeigte „Technisch kompatibel“. Das Hybrid kombinierte beides.
Das Hybrid gewann. Die Clickrate lag um 18 Prozent höher als beim kollaborativen Filtern. Die Conversion lag um 12 Prozent höher. Die Erklärung: Kollaboratives Filtern zeigt, was beliebt ist. Content-basiert zeigt, was passt. Die Kombination zeigt, was beliebt UND passend ist.
Die Messung des Erfolgs
Wir messen den Erfolg nicht an theoretischen Metriken. Wir messen ihn an Umsatz, Conversion, und Kundenzufriedenheit. Jede Aenderung wird getestet. Jede Hypothese wird validiert. Jede Entscheidung basiert auf Daten – nicht auf Meinungen.
Ein Elektronik-Shop implementierte ein Tracking-System, das jede Aenderung mit Umsatz und Conversion verknuepfte. Nach 12 Monaten hatte er 87 validierte Tests. Die Gesamt-Conversion stieg um 34 Prozent. Der Umsatz stieg um 28 Prozent. Die Investition in Tracking und Tests zahlte sich in 4 Monaten aus.
Zuletzt aktualisiert:
