Wie eine Empfehlungsmaschine grundsätzlich arbeitet und welche Modelle es gibt, steht an anderer Stelle. Dieser Beitrag geht auf die Erfahrungen aus der Umsetzung ein – aus einem Gespräch mit Markus Elbers von GK AIR, dem 1998 als prudsys gegründeten Anbieter für Empfehlungs- und Preisoptimierung im Handel.
Wann sich eine spezialisierte Engine lohnt
Zwei Größen entscheiden. Sortimentsbreite und Besucherzahl: Die Stärke einer solchen Maschine kommt erst zur Geltung, wenn aus vielen Produkten die passenden herausgesucht werden müssen – und wenn genug Verhalten vorliegt, damit sie Muster erkennt. Ein Shop mit dreißig Artikeln braucht sie nicht.
Der zweite Punkt ist die Nutzung über mehrere Kanäle. Wer dieselbe Datenbasis im Shop und im E-Mail-Marketing verwendet – etwa für einen Block mit sechs passenden Produkten in jeder Aussendung –, holt aus einer Anschaffung deutlich mehr heraus als jemand, der sie nur auf der Produktseite einsetzt.
Der überraschendste Befund
Persönliche Vorschläge
- Basieren auf dem bisherigen Verhalten dieser Person
- Datengrundlage: eine einzelne Kundenhistorie
- Wirken auf der Startseite und im Newsletter gut
- Auf der Produktseite meist schwächer
Ähnliche Produkte Empfehlung
- Basieren auf dem Verhalten aller Besucher dieser Seite
- Datengrundlage: sehr viel größer
- Der Seitenkontext ist das stärkere Signal
- Auf der Produktseite meist überlegen
Der Grund ist rechnerisch schlicht: Über die Frage „Was taten Menschen, die dieses Produkt ansahen, als Nächstes?“ liegen erheblich mehr Daten vor als über die Vorgeschichte einer einzelnen Person. Der Kontext der aktuellen Seite schlägt das persönliche Profil.
Das heißt nicht, dass persönliche Empfehlungen nutzlos wären – auf der Startseite, im Warenkorb und im Newsletter sind sie am richtigen Platz. Es heißt, dass die Zuordnung „welches Modell an welche Stelle“ wichtiger ist als die Frage, ob man überhaupt personalisiert.
Kunden bestimmen die Kombinationen besser als Stammdaten
Üblicherweise steht im Produktdatensatz, welches Zubehör zu einem Artikel gehört – fest hinterlegt, von Menschen gepflegt. Das funktioniert für das Naheliegende und versagt beim Rest.
Denn was tatsächlich zusammen gekauft wird, lässt sich schlecht erraten. Jemand kauft einen Saugroboter und einen Löffel – beides reduziert, beides als Geschenk gedacht. Die Kombination ergibt keinen Sinn und kommt trotzdem vor.
Eine Maschine, die das aus dem Verhalten ableitet, braucht dafür keine gepflegten Stammdaten. Sie sieht die Kombination und schlägt sie vor.
Die Überschrift entscheidet mit
Ein Detail, das nach Kleinigkeit klingt und keine ist: Über jeder Empfehlungsfläche steht eine Überschrift, und die verändert die Botschaft grundlegend.
„Passendes Zubehör“ ist eine Behauptung des Händlers. Sie muss stimmen, sonst wirkt der Shop schlecht gepflegt – und sie führt intern zu Diskussionen darüber, was denn nun als passend gilt.
„Das haben andere Kunden dazugekauft“ ist eine Beobachtung. Sie erklärt auch ungewöhnliche Kombinationen, weil sie nichts behauptet, sondern berichtet.
Wer sich vorstellt, wie eine große Handelsplattform aussähe, wenn dort über zwanzig Empfehlungsflächen keine Überschriften stünden, versteht den Punkt sofort: Man wüsste nicht, warum man diese Produkte sieht.
Was das für die eigene Umsetzung heißt
Drei Dinge lassen sich unabhängig vom Anbieter mitnehmen:
Die Zuordnung von Modell zu Position ist die eigentliche Arbeit – nicht die Auswahl des Werkzeugs.
Die Beschriftung gehört zur Empfehlung. Sie ist kein Layout-Detail, sondern Teil der Aussage.
Verhaltensdaten schlagen gepflegte Beziehungen, sobald genug davon vorliegen. Wer Zubehör von Hand pflegt, sollte prüfen, ob die Maschine es inzwischen besser weiß.