Beispiele für Produktempfehlungen: Was sie tun und wann man sie einsetzt

Stellen Sie sich vor, ein Käufer schaut sich ein Sofa an. Unter dem Produkt befindet sich ein “Das könnte dir auch gefallen”-Widget mit Kissen, Kerzen und einer zufälligen Jeans.

Das ist überhaupt nicht hilfreich. Es ist einfach nur zufälliger Füllstoff mit einem Empfehlungs-Label.

Widgets auf Ihrer Website zu platzieren reicht nicht aus. Sie müssen die Logik jedes Modells auf den Moment in der Einkaufsreise des Käufers abstimmen. Die richtige Empfehlung zum richtigen Zeitpunkt fühlt sich wie guter Service an und bringt Ihnen Geld ein.

Dieser Artikel behandelt die wichtigsten Empfehlungstypen, was sie tatsächlich tun und wann sie funktionieren.

Produktbasierte Empfehlungen: “Weil du dir dieses Produkt ansiehst…”

Wenn ein Käufer auf einer Produktdetailseite ankommt, ist er bereits im Entscheidungsmodus. Er fragt sich: “Ist das die richtige, oder gibt es etwas Besseres?”

Produktbasierte Empfehlungen beantworten diese Frage. Sie nehmen das aktuelle Produkt als Ausgangspunkt und zeigen Alternativen, Upgrades oder komplementäre Artikel je nach den Bedürfnissen des Käufers.

Ähnliche Produkte (Upsell-Logik)

Upsells sind Alternativen zu dem, was der Käufer gerade ansieht, mit einer Vorliebe für etwas höherpreisige Optionen. Wenn jemand sich Kopfhörer anschaut, kann das Zeigen eines Modells mit besserer Lärmunterdrückung zu einem etwas höheren Preis oft für sich selbst sprechen.

Visuell ähnliche Produkte (Entdeckung durch Aussehen)

Einige Kategorien leben und sterben damit, wie die Dinge aussehen. Mode, Möbel, Wohndekor, Schmuck. Ein Käufer, der ein grünes Leinenhemd durchsucht, sucht nicht nach technischen Daten. Er möchte sehen, was sonst noch so aussieht.

Visuelle Empfehlungen verwenden Bildähnlichkeit, um Alternativen zu finden, die das Aussehen haben. Für Kategorien, in denen die Ästhetik die Entscheidung trifft, ist dies oft nützlicher als die Ähnlichkeit basierend auf Attributen.

Komplementäre Produkte (Cross-Sell-Logik)

Cross-Sells schlagen komplementäre Artikel vor. Denken Sie an Laufschuhe und Einlegesohlen oder eine Kamera und eine Speicherkarte.

Unsere Daten zeigen, dass Cross-Sells im Warenkorbfenster 77,9% häufiger konvertieren als dieselben Empfehlungen auf der Warenkorbseite. Der Grund ist das Timing: Direkt nachdem ein Käufer auf “In den Einkaufskorb” klickt, ist er offen dafür, mehr hinzuzufügen.

Verhaltensbasierte Empfehlungen: “Weil du das getan hast…”

Produktbasierte Modelle funktionieren von dem, was auf dem Bildschirm ist. Verhaltensbasierte Modelle funktionieren von dem, was der Käufer tatsächlich getan hat: was er angeklickt, gekauft und durchsucht hat. Hier verdient Personalisierung ihren Platz.

Klickbasiert (zuletzt angesehen)

Das klickbasierte Modell verfolgt was ein Käufer gesehen hat, aber nicht gekauft hat. Wenn jemand in der letzten Sitzung 12 Laufschuhe durchgesehen hat, ist er offensichtlich an Laufschuhen interessiert, auch wenn er noch nicht gekauft hat.

Empfehlungen zeigen Produkte, die dem ähneln, was der Käufer kürzlich erkundet hat. Für neue oder wiederkehrende Besucher, die noch nicht konvertiert haben, hält es die Reise in die richtige Richtung statt wieder bei null anzufangen.

Konversionsbasiert (Kaufverlauf)

Das klickbasierte Modell nutzt Browsing-Daten, speziell Kaufverlauf. Es empfiehlt Produkte, die mit dem zusammenhängen, was der Käufer zuvor gekauft hat. Für Erstbesucher ohne Verlauf schlägt es Produkte vor, die im gesamten Shop beliebt sind.

Das konversionsbasierte Modell beantwortet im Grunde die Frage: “Basierend auf dem, was du tatsächlich gekauft hast, woran könntest du als Nächstes interessiert sein?”

Favoriten (wiederholt gekaufte Produkte)

Das Favoriten-Modell ist für Verbrauchsartikel gemacht: Lebensmittel, Kosmetik, Tierfutter, alles, das Menschen in regelmäßigen Abständen kaufen.

Das Favoriten-Modell versucht nicht, etwas Neues einzuführen. Es zeigt, was der Käufer am wahrscheinlichsten erneut kauft. Das Ziel ist Komfort, nicht Entdeckung.

Für Geschäfte, die Produkte mit wiederholtem Kauf verkaufen, funktioniert dieses Modell auch gut in Post-Purchase-E-Mails. Teta, eine Drogeriemarkt-Kette, sendet personalisierte Empfehlungen an über 130.000 Kunden basierend auf dem Kaufverlauf jeder Person, online und im Geschäft. Ihre E-Mail-Empfehlungskonversionsrate beträgt 15%. Dieses Ergebnis kommt daher, dass Menschen genau das gezeigt wird, das sie wahrscheinlich ohnehin kaufen.

Kürzlich besucht (dort weitermachen, wo sie aufgehört haben)

Das Modell “Kürzlich besucht” zeigt Produkte, die der Käufer in letzten Sitzungen angesehen hat, wobei alles übersprungen wird, das er bereits gekauft hat. Auch wenn ein Käufer beim ersten Besuch nicht konvertiert, hält dieses Modell die Überlegungen lebendig, bis er bereit ist.

Kürzlich bestellt (Wiederholungskäufe)

Das Modell “Kürzlich bestellt” behandelt rein den Kaufverlauf. Es funktioniert mit dem, was der Käufer tatsächlich gekauft hat.

Für wiederkehrende Kunden bringt es sie zurück zu dem, was sie wollen, ohne dass sie danach suchen müssen.

Beliebtheit und trendbasierte Empfehlungen: “Weil alle anderen das kaufen…”

Nicht jeder Käufer kommt mit einer Vorgeschichte an. Und manchmal möchten Sie zeigen, was im ganzen Shop funktioniert. Beliebtheit und trendbasierte Modelle behandeln beides.

Trends (beliebteste im gesamten Shop)

Dieses Modell zeigt die beliebtesten Produkte im gesamten Katalog. Für Erstbesucher ohne Browsing-Verlauf ist es die einfachste nützliche Sache, die Sie zeigen können: was gerade gut läuft.

Top-Kategorie und Top-Marke (Trends in einem Kontext)

Diese Modelle funktionieren auf spezifischere Weise und zeigen leistungsstarke Produkte innerhalb einer Kategorie oder Marke.

Auf Kategorie- und Marken-Seiten besteht die Hauptaufgabe eines Empfehlungssystems darin, Auswahl zu reduzieren und Vielfalt zu zeigen. Eine Seite für Nike sollte nicht acht Farben desselben Sneakers empfehlen. Sie sollte einen repräsentativen Querschnitt der Produkte der Marke über Kategorien hinweg zeigen.

Top-Nutzerkategorien (Navigation, nicht nur Produkte)

Dieses Modell empfiehlt Kategorien, nicht einzelne Produkte.

Für wiederkehrende Käufer zeigt es die Kategorien, zu denen sie sich ständig hingezogen fühlen. Für neue Besucher ohne Verlauf zeigt es, was im gesamten Shop am beliebtesten ist.

Ein wiederkehrender Käufer, der sich ständig in Laufen, Yoga und Radfahren umschaut, möchte diese Kategorien wahrscheinlich prominent angezeigt sehen. Und ein Erstbesucher bekommt einen vernünftigen Ausgangspunkt.

Neuheit und aktionsbasierte Empfehlungen: “Was ist neu und was ist im Angebot…”

Manchmal ist das, was einen Verkauf antreibt, das Timing. Etwas ist gerade angekommen, oder der Preis ist gerade gesunken. Diese Modelle sind genau für diesen Moment gebaut.

Neue Ankünfte (Aktualität als Signal)

Die Empfehlungen für neue Ankünfte zeigen Produkte, die kürzlich zum Katalog hinzugefügt wurden, basierend darauf, wann sie eingeführt wurden.

In Kategorien wie Mode, Bücher, Musik und Hautpflege ist dies eine großartige Möglichkeit, Interesse zu wecken. Ein wiederkehrender Käufer braucht nicht dieselben Bestseller zu sehen, die er beim letzten Besuch gesehen hat. Was neu ist, gibt ihm einen Grund zu erkunden.

Rabattierte Produkte (Preissenkung als Signal)

Das Rabatt-Modell zeigt Produkte, bei denen der aktuelle Preis niedriger ist als das Original. Für preisbewusste Käufer schließt ein sichtbarer Preisrückgang oft die Entscheidung ab.

Etwas, das es zu beobachten gilt: Rabattbasierte Empfehlungen können Käufer trainieren, auf Verkäufe zu warten, wenn sie zu aggressiv verwendet werden. Gelegentlich als Entdeckungstool verwendet, funktionieren sie langfristig besser und fühlen sich hilfreich an.

Inhaltsbasierte Empfehlungen: “Weil du das liest…”

Diese funktionieren von einer anderen Art von Kontext: redaktionelle Inhalte statt Produkt-Browsing.

Artikelbezogene Produkte (Inhalte in Handel umwandeln)

Es passt Produkte aus Ihrem Katalog an den Artikel an, den ein Käufer gerade liest.

Zum Beispiel verlinkt eine Testbesprechung für Wanderausrüstung auf die spezifischen Artikel, oder ein Styling-Leitfaden zeigt die Kleidung im ganzen Artikel.

Artikel mit verwandtem Artikel (Leser im redaktionellen Flow halten)

Dieses Modell empfiehlt andere Artikel, die der Leser wahrscheinlich relevant findet.

Es hält Leser länger in den Inhalten, bevor sie bereit sind zu kaufen. Ein Käufer, der drei Artikel über Trailrunning liest, wird eher bei Laufausrüstung konvertieren als einer, der nach dem ersten Artikel abspringt.

Fazit

Die meisten Shops haben kein Empfehlungsproblem. Sie haben ein Platzierungs- und Modellabstimmungsproblem. Sie setzen das falsche Modell zum falschen Zeitpunkt ein oder zeigen dieselben Produkte über drei verschiedene Widgets auf derselben Seite.

Empfehlen Sie nicht, was bereits im Warenkorb ist, und wiederholen Sie nicht, was im Produktraster sichtbar ist. Wenn der Käufer etwas gerade angesehen hat, es sofort unter “für Sie empfohlen” zurückzuservieren, verfehlt den Sinn.

Jedes Modell hat eine Aufgabe. Alternativen helfen Käufern bei Entscheidungen. Ergänzungen erhöhen den Bestellwert zum richtigen Zeitpunkt. Favoriten bringen wiederkehrende Käufer zurück. Trend- und Neuheitsmodelle schließen Lücken, wenn Sie noch nicht über Personalisierungsdaten verfügen. Inhaltsmodelle verbinden Ihre Redaktion mit Ihrem Katalog.

Shops, die gut mit Empfehlungen abschneiden, behandeln jedes Widget als bewusste Wahl. Sie fragen, was der Käufer in diesem Moment versucht zu tun, und wählen das Modell, das wirklich hilft.

Häufig gestellte Fragen