Produktempfehlungen mit KI optimieren

Angetrieben durch mehr Daten und unterstützt durch ausgefeilte Algorithmen des maschinellen Lernens haben sich die Tools, die Produktempfehlungen ermöglichen, rasant weiterentwickelt. KI-Empfehlungen sind heute weitaus dynamischer, genauer, präziser und vorausschauender als noch vor einigen Jahren.

Und diese Fortschritte zahlen sich aus. Eine Studie von McKinsey zeigt , dass Websites, die in Personalisierung investiert haben, einen um 40 % höheren Umsatz erzielen als solche, die dies nicht tun.

Da immer mehr Websites KI nutzen, um das Nutzererlebnis für jeden Kunden individuell anzupassen, erwarten Besucher zunehmend Empfehlungen bei jeder Such- und Entdeckungsreise.

Derselbe McKinsey-Bericht zeigt, dass
71 % der Kunden diese Erwartung teilen. Wenn das Kundenerlebnis nicht individuell zugeschnitten ist, äußern 76 % der Käufer Frustration.

Das bedeutet, dass Websites, die erst spät auf den Zug der personalisierten Empfehlungen aufspringen – oder deren Empfehlungen ins Leere laufen –, Gefahr laufen, das Vertrauen ihrer Kunden zu untergraben oder Kunden an eine Konkurrenz-Website zu verlieren.

Unternehmen können es sich heutzutage nicht leisten, aus irgendeinem Grund Kunden zu verlieren. Personalisierung durch hochwertige Produktempfehlungen ist das wirksamste Mittel, um Website-Besucher zufrieden zu stellen, ihr Interesse zu wecken und sie zum Kauf zu bewegen.

In diesem E-Book geben wir einen Überblick über KI-gestützte Empfehlungen und erklären, wie diese personalisierte Inhaltsprognosen generieren. Wir werfen einen Blick hinter die Kulissen von Empfehlungsmodellen und zeigen, wie KI deren Mustererkennung und Vorhersagefähigkeiten verbessert. Abschließend zeigen wir Ihnen, wie der Einsatz KI-gestützter Empfehlungen die Bindung zwischen Marken und Kunden pflegt und stärkt, was sich in höheren Konversionsraten und wertvolleren Bestellungen niederschlägt.

Empfohlene Systeme: früher und heute

Wenn Nutzer durch Websites und Apps scrollen, haben sie in der Regel eine ungefähre Vorstellung davon, wonach sie suchen. Aber niemand hat Zeit, sich alles anzusehen. Empfehlungssysteme wurden entwickelt, um Kunden zu unterstützen und den Umsatz zu steigern, indem sie die Auswahl an Kaufmöglichkeiten für jeden einzelnen Besucher eingrenzen.

Empfehlungsmodelle erstellen Nutzerprofile, die auf den Surfgewohnheiten und Vorlieben der Nutzer basieren und sich aus deren bisherigen Aktivitäten ableiten. Diese Profile werden anschließend mit den Eigenschaften der Artikel und anderen Interaktionen auf der Website abgeglichen, um vorherzusagen, was der Nutzer wünscht.

In der Vergangenheit werteten Empfehlungsmodelle die unmittelbaren Handlungen und Bewertungen der Nutzer aus: zum Beispiel, worauf sie geklickt oder nicht geklickt haben und wie sie Produkte bewertet haben.

Wenn jemand eine Nachrichten-Website mit Dutzenden von Artikeln zur Auswahl oder einen Online-Buchladen mit Tausenden von Titeln besuchte, zeigte ein Empfehlungssystem an, welche Artikel oder Bücher am beliebtesten waren. Das Modell berücksichtigte zwar die Nutzeraktivität, doch oft handelte es sich lediglich um einen Beliebtheitswettbewerb. Bestimmte Titel gingen als Gewinner hervor, waren jedoch nicht auf den individuellen Geschmack zugeschnitten.

Diese Technik regte die Besucher zwar zum Stöbern an, ließ sich jedoch nur schwer skalieren. Eine Website hat immer einen „Beliebtesten“-Artikel, aber nicht jeder Käufer möchte diesen. Mit der Weiterentwicklung des Internets und dem Wachstum des E-Commerce entwickelten sich auch die Empfehlungen weiter. Amazon eroberte den Markt mit einem der bekanntesten – und lukrativsten – Empfehlungssysteme.

Wenn ein Kunde nach einem neuen Artikel suchte, wertete das System seine bisherigen Einkäufe aus und erstellte auf der Grundlage von Differenzwahrscheinlichkeiten eine Liste weiterer „verwandter“ Artikel. Artikel B galt als mit Artikel A verwandt, wenn Kunden, die A gekauft hatten, mit höherer Wahrscheinlichkeit auch B kauften als der durchschnittliche Amazon-Kunde.

Nach diesem ersten Einkaufserlebnis wurden den Kunden bei ihrer Rückkehr zu Amazon neue Vorschläge angezeigt, die sich auf ihre früheren Suchanfragen bezogen. Diese Technik setzte sich im E-Commerce so stark durch, dass Empfehlungen heute, Jahrzehnte später, ein fester Bestandteil von E-Commerce-Websites, Apps und anderen digitalen Serviceplattformen sind.

Die Daten hinter den KI-Vorschlägen

Derzeit erreicht die KI täglich neue Höhen und beeindruckt uns mit ihren Fähigkeiten. Während das zugrunde liegende Prinzip älterer Empfehlungssysteme unverändert bleibt, werden diese nun durch ausgefeilte Techniken des maschinellen Lernens ergänzt, die mithilfe neuronaler Netze, die menschliche Lernmuster nachahmen, mehr Daten über mehr Parameter hinweg verarbeiten. 

Daten sind der Motor für Empfehlungen. Immer wenn Menschen Websites und Apps nutzen, klicken sie, schauen sich um, halten inne, denken nach und treffen Entscheidungen, ob sie sich etwas ansehen oder kaufen möchten. Diese Handlungen lassen sich in Verhaltensmuster sowie Hinweise auf Interessen und Vorlieben übersetzen – die sich hervorragend für eine tiefergehende Analyse, einen Vergleich und eine Zuordnung eignen.

Anhand der Daten, die an möglichst vielen Berührungspunkten gesammelt werden, werden Gruppen- und individuelle Kundenprofile erstellt, die die Grundlage für hochwertige Empfehlungen bilden.

Neben demografischen Daten umfassen wichtige Daten zur Nutzeraktivität unter anderem:

• Klicks
• Browserverlauf
• Kaufhistorie
• Navigationspfade
• Suchbegriffe
• Dauer der gesamten Sitzung
• Zeit, die mit dem Durchsehen einzelner Artikel verbracht wurde
• Anzahl der Aufrufe desselben Inhalts

Auch Produktdaten fließen in die Analyse ein. Um Kundenprofile zu vervollständigen und entsprechende Empfehlungen auszusprechen, wertet die KI Produktbeschreibungen aus, analysiert die Kategorien, auf die Nutzer am häufigsten klicken, und berücksichtigt typische Preisklassen.

Die besten Empfehlungssysteme erfassen und analysieren zudem Kontextinformationen. Tageszeit, Saisonabhängigkeit, geografische Details und das lokale Wetter sind wichtige Faktoren, die Aufschluss darüber geben, wonach Menschen suchen, und dabei helfen, Produktvorschläge individuell anzupassen. Wer an einem regnerischen Tag nach einem Regenschirm sucht, benötigt Empfehlungen für Artikel, die vorrätig und in der Nähe erhältlich sind.

Auch Gerätedaten können Hinweise auf die Kaufabsicht geben und dabei helfen, bessere Empfehlungen zu erstellen. Mobile Suchanfragen stehen in der Regel für schnellere, impulsive Käufe, während das Surfen am Desktop eher eine längere, gründlichere Recherche nach höherpreisigen Artikeln bedeutet.

Die Vorteile von KI-Empfehlungen

Die für die Personalisierung genutzte Vorhersagekraft hat einen nachhaltigen Einfluss auf die Kundenbeziehung. Wenn eine Website automatisch Inhalte anzeigt, an denen Sie wirklich interessiert sind, entsteht der Eindruck, dass die Marke Sie versteht. Ein Online-Buchhandel kann Tausende von Browsersitzungen und früheren Käufen analysieren, um festzustellen, dass Fans von George Orwells „1984“ positiv auf eine Empfehlung von Ray Bradburys „Fahrenheit 451“ reagieren werden. Diese Vorhersagekraft trägt dazu bei, eine tiefe und dauerhafte Kundenbindung aufzubauen.

Darüber hinaus legen Kunden zunehmend Wert auf ein maßgeschneidertes Erlebnis. In einer Umfrage gaben 45 % der Befragten an, dass sie eine Website aufgrund mangelnder Personalisierung verlassen würden.

 KI-Empfehlungen bieten:

• Bessere Kundenbindung
  Wenn Kunden bei einem erneuten Besuch eine Bildergalerie mit der Überschrift „Basierend auf Artikeln, die Sie kürzlich angesehen haben“ vorfinden, werden sie dazu angeregt, mehr Zeit mit dem Stöbern zu verbringen. Dies regt die Käufer dazu an, Produkte zu entdecken, die ihre früheren Einkäufe ergänzen, was die Wahrscheinlichkeit einer weiteren Kaufabwicklung erhöht.
• Verbesserte Kundenbindung
  Statistiken zeigen, dass 56 % der Kunden eher zu einer Website zurückkehren, wenn diese Produktempfehlungen anbietet. Wenn KI diese Empfehlungen auf den individuellen Geschmack eines Kunden zuschneidet, führt dies zu einer entsprechenden Steigerung der Kundenbindung.
• Kontinuierliche Verbesserung
  Die Erfassung von Nutzerdaten kommt nicht nur Algorithmen für maschinelles Lernen zugute und verbessert die Empfehlungen, sondern diese Muster fließen auch in das Merchandising und die Geschäftsprozesse ein. Sie helfen Ihnen dabei, Ihr Produktangebot zu optimieren, bessere Marketingkampagnen zu entwickeln und zeitnahe Entscheidungen zum Lagerbestand zu treffen.
• Umfassendere Entdeckungs
  en Die Nutzer wissen nicht immer, was es alles gibt. KI-Empfehlungen tragen dazu bei, die Entdeckung von Artikeln im Sortiment zu maximieren. Wenn Käufer neue Artikel entdecken und relevante Informationen finden, wird ihr Einkaufserlebnis zu einem unvergesslichen Erlebnis. Sie entwickeln eine Bindung zu einer Website oder App, die ihnen als zuverlässiger Partner bei der Entdeckung neuer Produkte zur Seite steht.

KI-Empfehlungen über den E-Commerce hinaus

Zwar ist der Einsatz von KI zur Erstellung maßgeschneiderter Empfehlungen vor allem auf E-Commerce-Websites bekannt, doch lässt sich diese Technik problemlos auch auf andere B2C-, B2B- und Unternehmenskontexte anwenden.

• FAQ und Weiterbildung: Helfen SieMenschen mit KI-Empfehlungen dabei, Informationen zu Themenbereichen, die sie interessieren, schneller zu finden
• Orientierung in der Medienwelt: Nutzen SieKI-Empfehlungen, um Vorschläge zu erhalten, was Sie als Nächstes lesen, streamen oder anhören könnten
• Soziale Plattformen: Helfen Sieden Besuchern Ihrer Website, sich auf den überfüllten sozialen Plattformen zurechtzufinden, indem Sie ihnen auf der Grundlage einer KI-Analyse früherer Likes, Aufrufe und Interaktionen Accounts zum Folgen oder Themen zum Entdecken vorschlagen.
• Unternehmensweite Suche: Analysieren Siedie Aktivitäten auf der Website, um die Bedürfnisse Ihrer Mitarbeiter vorherzusagen, und geben Sie mithilfe von KI Empfehlungen, damit diese ihre Arbeit effizienter und effektiver erledigen können.

Der KI-Schub für Ihren Gewinn

Der jahrzehntelange Markterfolg von Amazon zeigt, welchen Einfluss ständig verbesserte Empfehlungen auf den Umsatz haben können. Kürzlich hat eine Studie von Barilliance gezeigt, dass KI-gestützte Empfehlungen erstaunliche 31 % der E-Commerce-Umsätze ausmachten. Mit einem auf maschinellem Lernen basierenden Empfehlungssystem kann das Hinzufügen einer Seitenleiste „Artikel auf Ihrer Wunschliste“ zu Ihrer Website oder eines Fensters „Häufig zusammen gekauft“ an der Kasse die Rentabilität entscheidend steigern.

Hochwertigere Empfehlungen schlagen sich durch höhere Konversionsraten und einen steigenden durchschnittlichen Bestellwert messbar in Gewinnen nieder. Wenn Ihre Plattform einen sinnvollen Vorschlag macht, erhöht sich die Wahrscheinlichkeit, dass Ihr Kunde zusätzliche Artikel kauft.

• „Du möchtest ein Campus-Sweatshirt kaufen? Studenten wie du haben auch Jogginghosen gekauft!“
• „Mögen Sie Erdnussbutter? Probieren Sie doch mal unsere handgemachte Marmelade aus kleinen Chargen.“
• „Sie möchten ein Strandtuch kaufen? Vergessen Sie nicht, eine Sonnencreme mit Breitbandschutz mitzunehmen.

Wie diese Beispiele zeigen, bieten Empfehlungen Chancen für Cross-Selling. Je mehr Cross-Selling-Konversionen Ihre Empfehlungen generieren, desto stärker steigt Ihre Gewinnspanne.

Wenn ein Kunde bei einem Artikel verweilt oder ihn in den Warenkorb legt, ist dies der perfekte Zeitpunkt, ihm weitere Artikel aus Ihrem Sortiment zu zeigen. KI-Empfehlungen zeigen ähnliche oder ergänzende Artikel an, die andere Käufer gekauft haben, Produkte, die die Entdeckung über die Suchanfrage des Nutzers hinaus erweitern, sowie relevante Artikel, die zu den Artikeln in seinem Warenkorb „passen“.

KI-Empfehlungen steigern nachweislich das Kundenengagement erheblich. Bei Netflix entfallen 80 % der Sehzeit auf Empfehlungen. Forscher von Netflix führen einen Jahresumsatz von 1 Milliarde US-Dollar auf die besondere Kombination aus Personalisierung und Empfehlungen zurück. Durch die Nutzung bestehender KI-Fähigkeiten im Rahmen von Empfehlungen kann Ihr Unternehmen ähnliche Gewinne erzielen.

Nächster Schritt: KI-Empfehlungen von einem Marktführer im Bereich der Website-Suche

Da sich die KI ständig weiterentwickelt und Unternehmen ihre Vorteile nutzen, hat sich die Technologie von einem Trend zu einer geschäftlichen Notwendigkeit gewandelt. Ebenso können KI-gestützte Empfehlungen nicht länger als luxuriöses Extra für eine Website oder App betrachtet werden, sondern als eine Funktion, die erforderlich ist, um die Kundenzufriedenheit in allen Phasen der Such- und Entdeckungsreise sicherzustellen.

KI-basierte Empfehlungen von Algolias API-first-Plattform ermöglichen eine Produktentdeckung nahezu in Echtzeit, die sich mit dem Wachstum und der Weiterentwicklung Ihres Produktkatalogs und Ihres Kundenstamms skalieren lässt. Wir unterstützen weltweit über 17.000 Unternehmen bei der Verarbeitung von 1,7 Billionen Suchanfragen.

Die Nutzer unserer dynamischen Empfehlungstools konnten bei den folgenden KPIs eine deutliche Verbesserung verzeichnen:

+150 % Kaufwert
+13 % Gesamtkonversionsrate der Website
-24 % Absprungrate

Wie KI die Empfehlung von Inhalten verbessert

KI-Empfehlungssysteme nutzen Algorithmen, um statistische Vorhersagemodelle zu erstellen, die das Nutzerverhalten prognostizieren. Mithilfe von maschinellem Lernen werden Muster im Kaufverhalten identifiziert und Erkenntnisse darüber gewonnen, wie Menschen und Produkte miteinander in Verbindung stehen. Je detaillierter und granularer die statistischen Modelle sind, desto genauer lassen sich die Interessen und Bedürfnisse einzelner Kunden erfassen und vorhersagen.

KI ist kontextbezogen und lernt ständig dazu

KI-Empfehlungssysteme verarbeiten nicht nur komplexe Datendarstellungen und liefern umfangreiche Ergebnisse, sondern werden mit der Zeit auch immer intelligenter. Durch die ständige Zuführung weiterer Nutzerdaten werden KI-Algorithmen kontextbewusst und sind in der Lage, kontinuierlich zu lernen und sich anzupassen. Vorhersagemodelle werden ständig weiterentwickelt, um sich ändernden Nutzerinteressen, Trends und unterschiedlichen Einkaufskontexten Rechnung zu tragen.

Kontextbewusstsein

Wenn ein Kunde aus Kanada im Winter nach Badeanzügen sucht, könnte die KI diese Suche mit urlaubsbezogenen Suchanfragen in Verbindung bringen und Reisezubehör wie Taschen oder Reisekissen vorschlagen. Wenn ein Kunde auf Hawaii nach Badeanzügen sucht, erstellt die KI ein statistisches Modell, das das tropische Klima berücksichtigt, und empfiehlt ergänzende Produkte wie Sonnencreme, Flip-Flops oder Sonnenbrillen.

Kontinuierliches Lernen

Wenn ein Kunde, der in der Vergangenheit Business-Casual-Hosen und Blazer gekauft hat, sich nun informelle Jumpsuits ansieht, erkennt die KI-Empfehlungsmaschine sofort den neuen Einkaufsschwerpunkt des Kunden. Das Vorhersagemodell passt sich nahtlos an und nimmt Jumpsuits und Latzhosen in die Produktvorschläge auf.

KI deckt Erkenntnisse auf, die man selbst nicht erkennen kann

Ein KI-Empfehlungssystem kann sofort erkennen, dass eine beträchtliche Anzahl von Kunden, die einen bestimmten Artikel kaufen, auch verwandte Artikel erwerben. KI-Algorithmen sind jedoch nicht nur schneller darin, hochwertige Interaktionen zu identifizieren. Sie können auch überraschende Muster und unerwartete Zusammenhänge aufdecken, die selbst die erfahrensten Marketingteams nicht erkennen können.

KI versteht die Absicht des Nutzers

Einer der größten Vorteile der KI ist ihre Fähigkeit, natürliche Sprache zu verstehen. Große Sprachmodelle (LLMs) können die Stimmung und die Themen in Suchanfragen erkennen, unabhängig von den verwendeten Wörtern und trotz Tippfehlern. Drei Käufer könnten alle ein kurzärmeliges Shirt im Sinn haben, wenn sie „süßes Top“, „lockeres T-Shirt“ oder „Damen-T-Shirt“ in die Suchleiste eingeben. Trotz unterschiedlicher Formulierungen wissen KI-Empfehlungssysteme, was jeder Nutzer sehen möchte, und zeigen relevante Inhalte an.

Das Gegenteil ist der Fall, wenn Nutzer wissen, wonach sie suchen, aber nicht die richtigen Worte finden, um es zu beschreiben. Durch maschinelles Lernen trainierte Modelle, die auf Suchverlauf und Kundendemografie basieren, ermöglichen es KI-Algorithmen, die Wünsche der Kunden vorherzusagen und Vorschläge zu unterbreiten – selbst bei vagen und lückenhaften Textbeschreibungen.

Was macht ein hybrides KI-Empfehlungssystem aus?

Wenn ausreichend Daten zur Verfügung stehen, nutzen Empfehlungssysteme eine präzise und effiziente Filterung. Empfehlungsmodelle können das Problem aus zwei verschiedenen Richtungen angehen und dabei unterschiedliche Datenklassen in den Vordergrund stellen. Das erste Modell, das kollaborative Filtern, sammelt Daten über die Aktivitäten und Vorlieben eines einzelnen Nutzers und trifft Vorhersagen auf der Grundlage von Vergleichen mit ähnlichen Nutzergruppen. Wenn ein neuer Nutzer die Vorlieben und Verhaltensweisen der Käufer in Cluster A teilt und die Käufer in Cluster A alle ein bestimmtes Paar goldener Creolen gekauft haben, ist die Wahrscheinlichkeit groß, dass auch der neue Kunde diese Creolen sehen möchte.

Das zweite Modell, das inhaltsbasierte Filtern, konzentriert sich auf die Artikel im Katalog selbst sowie deren Beschreibungen und Merkmale. Bei dieser Art des Filterns werden Artikel anhand ähnlicher Merkmale wie Kategorie, Genre, Farbe, Stil, Autor usw. in Gruppen eingeteilt. Empfehlungen basieren auf den Interaktionen der Nutzer mit Artikeln, deren Beschreibungen oder Metadaten-Attribute sich überschneiden.

 „Wenn dir Walt Disneys ‚Die Eiskönigin‘ gefällt, könnte dir auch ‚Moana‘ gefallen“ – das ist ein Beispiel für eine inhaltsbasierte Filterung.

Die Modelle weisen denselben Nachteil auf, nämlich das „Kaltstartproblem“, das auf dem Mangel an Informationen über neue Nutzer beruht. Um personalisierte Empfehlungen aussprechen zu können, benötigt man gewisse Vorabdaten. Um dieses Problem zu lösen, erfassen viele Marken einfache Startdaten, sobald ein Nutzer zum ersten Mal auf der Website landet, um ihn einem Cluster zuzuordnen und die Analyse mittels maschinellem Lernen anzukurbeln.

Die leistungsstärksten KI-Empfehlungsmaschinen verfolgen einen hybriden Ansatz. Sie kombinieren kollaboratives Filtern, inhaltsbasiertes Filtern und KI. Hybride Modelle passen Vorschläge auf der Grundlage von Nutzerpräferenzen und dem Aktivitätsverlauf an, um passende Inhalte zu empfehlen. Netflix ist ein herausragendes Beispiel für den hybriden Ansatz. Aus Tausenden potenzieller Sehmöglichkeiten gibt es Empfehlungen, die den Sehverlauf des Abonnenten (kollaboratives Filtern) mit Inhaltsclustern verknüpfen, die nach Ähnlichkeiten der Merkmale gruppiert sind (inhaltsbasiertes Filtern).