KI-Produktempfehlungen, die wirklich verkaufen

„Kunden, die das gekauft haben, kauften auch…" ist einer der zuverlässigsten Umsatzhebel im E-Commerce – und moderne KI macht ihn deutlich wirkungsvoller als ein statisches „Ähnliche Produkte"-Widget. Gut umgesetzt steigern Empfehlungen den durchschnittlichen Bestellwert und helfen Käufern, das zu finden, was sie wirklich suchen. Schlecht umgesetzt wirken sie beliebig oder beunruhigend. Der Unterschied liegt im Ansatz und in den Daten.

Die Ansätze, die funktionieren

„Die KI-Empfehlung" gibt es nicht – es existieren mehrere bewährte Techniken, und die besten Systeme kombinieren sie:

• Kollaboratives Filtern. „Menschen wie Sie haben das gemocht." Es erkennt Muster über viele Käufer hinweg, ohne die Produkte selbst verstehen zu müssen. Leistungsstark, aber schwach bei neuen Artikeln und unbekannten Nutzern.
• Inhaltsbasiert. Empfiehlt Artikel, die dem ähneln, was sich ein Käufer angesehen hat – auf Basis von Produktattributen oder, zunehmend, Embeddings, die Beschreibung und Bild eines Produkts semantisch erfassen.
• Verhaltens- bzw. sitzungsbasiert. Reagiert auf das, was jemand gerade jetzt tut – die Klicks und der Warenkorb der aktuellen Sitzung –, was die Kaufabsicht oft besser vorhersagt als eine Monate alte Historie.

Beginnen Sie mit den Daten, die Sie bereits haben

Empfehlungen sind nur so gut wie die Signale, die sie speisen. Was Sie brauchen, erfassen Sie mit großer Wahrscheinlichkeit bereits:

1. Kaufhistorie – das stärkste Signal für echte Präferenzen.
2. Surf- und Klickverhalten – Seitenaufrufe, Verweildauer, In-den-Warenkorb-Legen und Abbrüche.
3. Produktkatalogdaten – Kategorien, Attribute und Beschreibungen, um Ähnlichkeiten zu beurteilen.

Bringen Sie diese Daten in eine saubere Struktur – ein gut modelliertes PostgreSQL-Schema aus Ereignis- und Katalogdaten –, bevor Sie zu ausgefeilten Modellen greifen. Die meisten Empfehlungsprojekte scheitern an schlechten Daten, nicht an schwachen Algorithmen.

Wo semantische KI wirklich hilft

Klassische Techniken haben Schwierigkeiten mit dem Cold-Start-Problem: ein neues Produkt, das noch niemand gekauft hat, oder ein erstmaliger Besucher. Hier glänzen Embeddings. Indem Sie Titel, Beschreibung und Bild jedes Produkts in einen Vektor umwandeln, können Sie ab dem ersten Tag semantisch ähnliche Artikel empfehlen – ganz ohne Kaufhistorie. Eine pgvector-Ähnlichkeitssuche findet „Produkte wie dieses" selbst für einen Artikel, der vor einer Stunde erst angelegt wurde.

Für Käufer ermöglicht dieselbe Technik eine „Mehr davon"-Funktion sowie eine Suche in natürlicher Sprache, die Absichten versteht – nicht nur Stichwörter.

Nicht übergriffig werden

Personalisierung überschreitet schnell eine Grenze. Ein paar Grundregeln halten sie hilfreich statt beunruhigend:

• Empfehlen, nicht offenbaren. Zeigen Sie relevante Produkte, ohne deutlich zu machen, wie genau Sie jemanden beobachten.
• Im Kontext bleiben. Vorschläge sollten sich auf das beziehen, was der Käufer gerade tut – nicht etwas Privates aus Wochen zuvor ans Licht bringen.
• Datenschutz und Einwilligung respektieren. Gehen Sie transparent mit Daten um und berücksichtigen Sie Opt-outs; Vertrauen konvertiert besser als jeder Algorithmus.

Messen, was zählt

Eitelkeitsmetriken wie die Klickrate lassen sich leicht optimieren, ohne echten Mehrwert zu liefern. Verknüpfen Sie Empfehlungen mit den Kennzahlen, die wirklich zählen: durchschnittlicher Bestellwert, Conversion Rate und Umsatz pro Sitzung. Führen Sie A/B-Tests durch – Empfehlungen an versus aus, oder eine Strategie gegen eine andere –, damit Sie wissen, ob der Effekt real ist. Halten Sie außerdem immer einen Fallback bereit (Bestseller oder Top-Picks der Kategorie) für den Fall, dass personalisierte Daten dünn sind, damit kein Käufer jemals einen leeren Bereich zu sehen bekommt.

Beginnen Sie mit sauberen Daten und einem einfachen, messbaren Ansatz – und ergänzen Sie dann semantische KI dort, wo sie nachweislich hilft. Wenn Sie eine Empfehlungs-Engine aufbauen möchten, die den Umsatz messbar steigert und nicht nur klug aussieht, sprechen Sie uns an.