Personalisierte Empfehlungen: Von „Kunden kauften auch" zu echter Relevanz
Wir haben in über 50 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.
Strategie 1: Kontext statt Korrelation
Die gängige Technik ist kollaboratives Filtern: „Kunden wie Sie kauften auch X.“ Das funktioniert, wenn genug Daten vorhanden sind. Aber es ignoriert den aktuellen Kontext.
Ein Elektronik-Shop testete kontextuelle gegen kollaborative Empfehlungen. Der Kunde betrachtete einen Laptop. Die kollaborative Empfehlung zeigte: Tasche, Maus, Display — basierend auf dem Verhalten anderer.
Die kontextuelle Empfehlung zeigte: Speicher-Upgrade (weil der Basis-Laptop nur 8 GB hatte), Garantie-Verlängerung (weil Laptops über 1.000 Euro eine längere Garantie wert sind), USB-C-Hub (weil der Laptop nur USB-C-Anschlüsse hatte).
Die kontextuelle Empfehlung gewann mit +34 Prozent Attachment-Rate. Der Grund: Sie löste ein konkretes Problem — nicht nur ein generisches „andere kauften das auch“.
Strategie 2: Das richtige Preisniveau
Ein Möbel-Shop testete drei Preisstrategien:
A) Keine Regel — zufällige Empfehlungen.
B) Gleicher Preisbereich (±30 Prozent).
C) Höheres Preisniveau (20–50 Prozent teurer).
Variante B gewann mit +18 Prozent. Variante C lag 5 Prozent unter der Control. Ein Kunde, der einen 800-Euro-Sessel kauft, kauft keinen 1.200-Euro-Tisch als Impulskauf. Aber er kauft einen 750-Euro-Beistelltisch, der passt.
Ein Fashion-Shop testete das Gegenteil: Empfehlungen, die das Preisniveau senken. Die Attachment-Rate stieg um 27 Prozent. Ein Kunde, der eine 120-Euro-Jacke kauft, kauft eher ein 29-Euro-T-Shirt als Zusatz.
Strategie 3: Der richtige Zeitpunkt
Ein Supplement-Shop testete vier Positionen:
A) Auf der PDP.
B) Im Warenkorb.
C) Nach dem „In den Warenkorb“-Klick (Overlay).
D) Auf der Danke-Seite.
Position C gewann mit 23 Prozent Attachment-Rate — gegenüber 8 Prozent auf der PDP. Der Kunde hatte bereits den Entschluss gefasst zu kaufen. Ein Overlay mit einem passenden Produkt nutzte den Kaufimpuls.
Strategie 4: Visuelle Präsentation
Ein Fashion-Shop testete drei Designs:
A) Grid mit 4 Produkten, kleine Bilder.
B) Carousel mit 3 Produkten, große Bilder.
C) Einzelne Empfehlung mit großem Bild und Erklärung.
Variante C gewann mit +29 Prozent Attachment-Rate. Die Erklärung war der zentrale Faktor: „Diese Hose passt perfekt zur Jacke in Ihrem Warenkorb.“ Der Kunde verstand nicht nur WAS, sondern WARUM.
Fazit: Empfehlungen sind Strategie, nicht Algorithmus
Die besten Empfehlungen 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?
Wer Empfehlungen als strategischen Hebel versteht, gewinnt Attachment-Rate und Umsatz. Wer sie als technisches Feature abhandelt, hat eine Funktion, die niemand nutzt.
Strategie 5: Der Fallback 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.
Fazit: Empfehlungen sind Strategie, nicht Algorithmus
Die besten Empfehlungen 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?
Wer Empfehlungen als strategischen Hebel versteht, gewinnt Attachment-Rate und Umsatz. Wer sie als technisches Feature abhandelt, hat eine Funktion, die niemand nutzt.
Zuletzt aktualisiert: Mai 2026
