E-commerce
KI-Produktempfehlungen, die den durchschnittlichen Bestellwert steigern
Wie Sie eine KI-basierte Recommendation Engine aufbauen, die tatsächlich verkauft: die Methoden, die benötigten Daten und wie Sie Personalisierung vermeiden, die aufdringlich wirkt.
TL;DR
Recommendation Engines funktionieren, wenn sie Collaborative Filtering, Verhaltenssignale und semantische Embeddings auf Basis sauberer Daten kombinieren. Der Algorithmus ist selten der Engpass – unordentliche Event-Daten sind es.

KI-Produktempfehlungen gehören zu den zuverlässigsten Umsatzhebeln im E-Commerce. Sie entfalten ihre volle Wirkung, wenn Sie mehrere Methoden auf Basis sauberer Daten kombinieren – statt auf ein einziges Wundermodell zu setzen. Richtig umgesetzt steigern sie den durchschnittlichen Bestellwert und helfen Käufern, Produkte zu finden, die sie wirklich wollen. Schlecht umgesetzt wirken sie beliebig oder, schlimmer noch, beunruhigend. Der Unterschied liegt fast immer in der Datenqualität und im Vorgehen – nicht darin, welchen Anbieter Sie gewählt haben.
Die Methoden, die es sich lohnt zu kennen
„KI-Empfehlungen" ist kein einheitliches Konzept. Produktionssysteme kombinieren mehrere Ansätze:
Collaborative Filtering erkennt Muster im gesamten Käuferverhalten. „Personen, die diesem Nutzer ähneln, haben das gekauft." Es braucht kein Verständnis der Produkte selbst – das macht es leistungsfähig, aber es versagt bei brandneuen Artikeln und Erstbesuchern.
Content-Based Filtering empfiehlt Artikel, die dem ähneln, was sich ein Käufer angesehen hat – auf Basis von Produktattributen oder zunehmend Embeddings, die Beschreibung und Bild als Vektor kodieren. Es funktioniert auch dann, wenn die Kaufhistorie dünn ist.
Sitzungsbasierte Verhaltenssignale reagieren auf das, was jemand gerade tut: Klicks, Verweildauer und Warenkorbzugaben der aktuellen Sitzung. Für die Vorhersage der Kaufabsicht übertrifft ein fünfminütiges Stöbern oft sechs Monate alter Kaufhistorie.
Die besten Systeme kombinieren alle drei Ansätze. Collaborative Filtering übernimmt den eingeloggten Stammkunden. Content-Based Filtering und Sitzungssignale übernehmen alle anderen.
Starten Sie mit den Daten, die Sie bereits haben
Empfehlungen scheitern weit häufiger an unordentlichen Daten als an schwachen Algorithmen. Bevor Sie ein Modell oder einen Anbieter evaluieren, sollten Ihre Signale in einer sauberen, abfragbaren Struktur vorliegen. Die drei, die Sie benötigen, sind:
- Kaufhistorie: das stärkste Signal für tatsächliche Präferenzen
- Verhaltensereignisse: Aufrufe, In-den-Warenkorb-Legen, Abbrüche, Verweildauer
- Produktkatalog: Kategorien, Attribute und Beschreibungen – konsistent strukturiert
Ein gut modelliertes PostgreSQL-Events-Schema mit Fremdschlüsseln zu Ihrer Produkttabelle ist der richtige Ausgangspunkt. Wenn Ihr Katalog inkonsistente Kategorie-Labels aufweist oder Ihr Event-Stream doppelte Einträge enthält, beheben Sie das zuerst. Ein Embedding-Modell rettet keine fehlerhaften Eingangsdaten.
Wo semantische KI wirklich hilft
Klassisches Collaborative Filtering hat ein Cold-Start-Problem: ein neues Produkt, das noch niemand gekauft hat, oder ein Erstbesucher ohne Verlauf. Embeddings lösen das elegant. Konvertieren Sie beim Einlesen Titel, Beschreibung und Bild jedes Produkts in einen Vektor und speichern Sie ihn in einer pgvector-Spalte. Eine Cosine-Similarity-Abfrage findet dann ab Tag eins semantisch ähnliche Artikel – ganz ohne Kaufhistorie.
Derselbe Ansatz treibt „Ähnliche Artikel"-Karussells und eine Natursprachsuche an, die „wasserdichte Wanderstiefel unter 100 £" als Absicht und nicht als Stichwörter versteht. Wenn Sie bereits Supabase nutzen, ist pgvector sofort verfügbar – das hält die Infrastruktur überschaubar. Für einen umfassenderen Überblick, wie Vektorsuche in KI-Features eingebettet ist, erläutert RAG erklärt für Gründer die zugrunde liegenden Mechanismen.
Vermeiden Sie den Eindruck von Überwachung
Personalisierung überschreitet schnell eine Grenze. Ein paar Grundsätze halten sie nützlich, statt unangenehm zu werden:
- Empfehlen, ohne zu offenbaren. Zeigen Sie relevante Produkte, ohne zu enthüllen, wie viel Sie über die Geschichte eines Nutzers wissen.
- Im aktuellen Kontext bleiben. Vorschläge sollten sich auf das beziehen, was der Käufer in dieser Sitzung tut – nicht etwas von vor drei Monaten hervorgraben.
- Einwilligung korrekt handhaben. Transparente Datennutzung und respektierte Opt-outs sind nicht nur rechtliche Pflicht; sie schützen die Conversion Rate, weil Vertrauen sich langfristig auszahlt.
Die richtigen Kennzahlen messen
Die Klickrate lässt sich leicht optimieren – und leicht manipulieren. Verknüpfen Sie Ihre Empfehlungen mit Kennzahlen, die wirklich zählen: durchschnittlicher Bestellwert, Conversion Rate und Umsatz pro Sitzung. Führen Sie A/B-Tests durch – Empfehlungen ein versus aus oder eine Strategie gegen eine andere –, damit Sie wissen, dass der Uplift real ist und nicht nur angenommen.
Behalten Sie immer einen nicht-personalisierten Fallback, also Bestseller oder Top-Produkte einer Kategorie, für Sitzungen vor, in denen Sie kein aussagekräftiges Signal haben. Ein leerer Empfehlungsbereich ist schlechter als ein generischer.
Die richtige Reihenfolge lautet: zuerst saubere Daten, dann ein einfaches, messbares Baseline-Verhalten, dann semantische KI dort, wo sie nachweisbar hilft. Wenn Sie eine Recommendation Engine aufbauen möchten, die den Umsatz messbar bewegt statt nur ein Feature hinzuzufügen, sprechen Sie uns an.
Häufig gestellte Fragen
Wie steigern KI-Produktempfehlungen den durchschnittlichen Bestellwert?
Indem sie relevante Artikel genau im Moment der Kaufabsicht anzeigen – statt beliebiger Cross-Sells. Verhaltenssignale aus der aktuellen Sitzung sagen die Kaufabsicht besser vorher als die meisten anderen Signale.
Welche Daten benötige ich für eine Recommendation Engine?
Kaufhistorie, Browser- und Klick-Events sowie strukturierte Produktkatalogdaten. Diese drei decken die meisten Anwendungsfälle ab. Bringen Sie sie in ein sauberes Schema, bevor Sie ein Modell hinzufügen.
Wie löst man das Cold-Start-Problem bei Produktempfehlungen?
Mit Embeddings. Konvertieren Sie Titel, Beschreibung und Bild jedes Produkts in einen Vektor und führen Sie eine Ähnlichkeitssuche mit pgvector durch. Neue Artikel werden ab Tag eins empfehlbar – ganz ohne Kaufhistorie.
Was ist der Unterschied zwischen Collaborative Filtering und inhaltsbasierten Empfehlungen?
Collaborative Filtering erkennt Muster im gesamten Käuferverhalten, ohne die Produkte selbst zu verstehen. Content-Based Filtering vergleicht Produktattribute oder Embeddings. Produktionssysteme kombinieren in der Regel beide Ansätze.
So kann Pykero helfen
Leistungen passend zu diesem Artikel.
Sie planen etwas Ähnliches?
Pykero Agency entwirft und liefert produktionsreife Web-, Mobile-, SaaS- und KI-Produkte.
Sprechen Sie mit uns


