Empfehlungsalgorithmen erklärt: Collaborative Filtering, zusammen gekauft, Trends und mehr

Von außen sehen alle Empfehlungs-Widgets gleich aus — eine Reihe Produkte oder Artikel unter einer Überschrift. Ob sie den Umsatz steigern oder nur Platz füllen, entscheidet in Wahrheit der Algorithmus dahinter. Passen Sie den richtigen an die Platzierung an, und Sie erhalten Relevanz; wählen Sie falsch, erhalten Sie Rauschen.

Hier sind die vier Familien von Empfehlungsalgorithmen — Collaborative Filtering, zusammen gekauft, Trends sowie inhalts- und interessenbasierte Empfehlungen —, wofür sich jede eignet und wie sie den Algorithmen entsprechen, die Personyze mitbringt. (Zur Technik, die sie antreibt, siehe was unter der Haube der Personalisierung steckt.)

Zuerst: das Kaltstartproblem

Jeder Algorithmus muss eine unbequeme Frage beantworten: Was zeigen Sie einem ganz neuen Besucher ohne Verlauf? Personyze beginnt mit Daten der Masse — dem, was bei allen beliebt ist — und wechselt zur Personalisierung, sobald es ein Interesse erkennt. Interessen werden während des Surfens gewichtet und aktualisiert, sodass dasselbe Widget mit jedem Klick treffsicherer wird. Behalten Sie das beim Weiterlesen im Hinterkopf: Die meisten der folgenden Algorithmen greifen still auf Daten der Masse zurück, bis genug Signal für die Personalisierung vorhanden ist.

KI-Empfehlungen: vorhersagen, was jeder Besucher kaufen wird

Die wirkungsvollsten Empfehlungen sind keine einzelne Regel — sie sind eine Vorhersage. Die personalisierten (KI-)Empfehlungen von Personyze kombinieren viele Datenpunkte gleichzeitig, um zu ermitteln, was jeder Besucher als Nächstes am wahrscheinlichsten kauft oder ansieht:

• Ihr Produkt-Feed und Katalog — Attribute, Kategorien, Preis, Verfügbarkeit.
• Die gecrawlte Website selbst, damit die Engine Ihre Produkte und Inhalte versteht.
• Das eigene Profil des Besuchers — CRM-Felder, demografische Daten, Standort.
• Das Verhalten anderer Besucher — die Muster der Masse hinter „Menschen wie Sie“.
• Was dieser Besucher anklickt, ansieht und in den Warenkorb legt, in Echtzeit.
• Was er — und alle anderen — tatsächlich gekauft haben.

Statt sich auf ein einzelnes Signal zu stützen, gewichtet die Engine Katalog, Masse und Einzelperson gemeinsam, sortiert Ihren Katalog danach, wie wahrscheinlich dieser Besucher kauft, und wird mit jeder Interaktion treffsicherer. Genau das steckt hinter Höchste Relevanz / Personalisierte Empfehlungen von Personyze — der reinsten Form von „personalisiert“.

Da Empfehlungen auf Transaktionsstatistiken beruhen, bräuchte eine ganz neue Einrichtung normalerweise etwas Zeit, um genug Daten zu sammeln. Sie können die Wartezeit überspringen, indem Sie Ihre bisherigen oder Offline-Transaktionen hochladen — so erhält die Engine Ihre Kaufhistorie (einschließlich Verkäufen im Ladengeschäft) und ist vom ersten Tag an relevant.

Collaborative Filtering: „Menschen wie Sie“

Collaborative Filtering ist das Arbeitspferd der Empfehlungen. Es lernt aus dem Verhalten vieler Besucher — wer dies gekauft oder angesehen hat, hat auch das gekauft oder angesehen —, ohne das Produkt selbst verstehen zu müssen. So funktioniert „Das könnte Ihnen auch gefallen“.

In Personyze gehören zu dieser Familie Höchste Relevanz (eine personalisierte Mischung auf Basis von Besuchern mit ähnlichen demografischen Daten und Interaktionen), Wahrscheinlich gekauft (Artikel, die von Besuchern des aktuellen Artikels gekauft wurden) und Wahrscheinlich angesehen (Artikel, die von Besuchern des aktuellen Artikels angesehen wurden). Auf der Content-Seite ist Besucher, die dies gelesen haben, lasen auch dieselbe Idee für Artikel. Am besten für Entdeckung und personalisierte Auswahl.

Zusammen gekauft: die Cross-Selling-Engine

Während Collaborative Filtering „Menschen wie Sie“ findet, findet zusammen gekauft Zusammenhänge von Artikel zu Artikel — was zusammen mit einem bestimmten Produkt gekauft wird oder mit dem, was schon im Warenkorb liegt. Es ist der direkteste Hebel für den durchschnittlichen Bestellwert.

Der Personyze-Algorithmus Zusammen gekauft (für Produktseiten) zeigt die Artikel, die von Käufern des aktuellen Artikels am häufigsten gekauft wurden, während Cross-Selling-Empfehlung für den Warenkorb und Am häufigsten mit dem Warenkorb gekauft dasselbe für den Warenkorb leisten. Am besten für Cross-Selling auf Produkt- und Warenkorbseiten.

Trends und Beliebtes: die Masse als Signal

Manchmal ist es am klügsten, zu zeigen, was gerade funktioniert. Beliebtheitsbasierte Algorithmen heben die meistgekauften oder meistgesehenen Artikel hervor — optional gefiltert nach dem Interesse des Besuchers oder nach neuer und reduzierter Ware — und sind die natürliche Antwort auf den Kaltstart.

Personyze bietet Beliebt nach jüngstem Interesse und Beliebt nach jüngsten Interessen sowie Merchandising-freundliche Varianten wie Neu auf Lager, Kürzlich reduziert, Preis kürzlich geändert und sogar am beliebtesten nach Geschlecht/Alter. Am besten für neue Besucher, Startseiten und die Bewerbung neuer oder reduzierter Ware.

Inhalts- und interessenbasiert: zum Thema passen, nicht nur zur Masse

Für Artikel — und für das Abgleichen von Interessen allgemein — möchten Sie oft nach Thema und den gewichteten Interessen des Besuchers empfehlen, nicht nur nach gemeinsamem Verhalten. Die Content-Engine von Personyze tut genau das und schließt Beiträge, die der Besucher schon gelesen hat, automatisch aus.

Dazu gehören Meistgelesen nach Interesse(n), Neuer Artikel passend zu Ihren Interessen, Am beliebtesten von diesem Autor sowie conversionorientierte Optionen wie Inhalte mit den meisten Conversions und Wahrscheinlich gelesen und gekauft für Content-to-Commerce. Am besten für Verlage und jede Website, die mit Inhalten Umsatz erzielt.

Verlaufsbasiert: was sie bereits getan haben

Die einfachsten Algorithmen konvertieren oft am besten, weil sie sich auf den eigenen Verlauf des Besuchers stützen. Erneut kaufen zeigt frühere Käufe der Reihe nach wieder an, Erneut ansehen holt angesehene Artikel zurück, und In Ihrem Warenkorb erinnert daran, was noch wartet. Am besten für Nachbestellungen, Erinnerungen und die Rückgewinnung von Warenkörben.

So wählen Sie für jede Platzierung den richtigen Algorithmus

Sie wählen einen Algorithmus pro Widget — mit einem optionalen Fallback, falls er den Platz nicht füllen kann — passend zur Platzierung:

• Startseite: Trends oder interessenbasiert, damit neue und wiederkehrende Besucher gleichermaßen etwas Relevantes sehen.
• Produktseite: zusammen gekauft plus wahrscheinlich gekauft, für mehr Entdeckung und einen höheren Bestellwert.
• Warenkorb: Cross-Selling auf Basis dessen, was schon im Warenkorb liegt.
• Artikel oder Blog: inhalts- und interessenbasiert, ohne bereits Gelesenes.
• Kategorieseite: Trends oder Beliebtes innerhalb der Kategorie, abgestimmt auf die Interessen des Besuchers.

In Personyze läuft in jedem Widget ein einziger Algorithmus — mit einem Fallback für den Fall, dass er den Platz nicht füllen kann — und Sie wählen ein Design aus der Galerie der Empfehlungsvorlagen, wenden danach Filter an und legen Anzeigeoptionen fest, etwa direktes Hinzufügen zum Warenkorb oder die Anzeige der Empfehlungen als Pop-up (auch bei Exit-Intent).

Ausgeliefert, wie Sie möchten: verwaltetes Widget oder reines JSON

Die Wahl des Algorithmus ist eine Entscheidung, die Auslieferung der Empfehlungen eine andere — und Personyze unterstützt beide Enden des Spektrums.

Der übliche Weg ist ein verwaltetes Widget: Wählen Sie ein fertiges Design aus der Galerie der Empfehlungsvorlagen, passen Sie das Erscheinungsbild an und binden Sie es ein — ganz ohne Code. Sie sehen vor dem Veröffentlichen genau, was Besucher sehen werden.

Für volle Kontrolle rufen Sie die Empfehlungen stattdessen als JSON ab — über eine clientseitige JavaScript-API oder einen JSON-Feed — und rendern sie in Ihrem eigenen Frontend oder auf dem Server. Headless-Shops, mobile Apps und vollständig individuelle Layouts funktionieren gleichermaßen: Algorithmus und Personalisierung laufen in Personyze, die Darstellung bestimmen Sie. Dieselbe Empfehlungs-Engine kann ein No-Code-Widget antreiben oder eine maßgeschneiderte serverseitige Komponente.

Wo Personyze ins Spiel kommt

Personyze liefert alle oben genannten Algorithmen ab Werk, verbindet Daten der Masse mit den gewichteten Interessen des Besuchers und lässt Sie auf jeder Fläche den passenden platzieren — Produkt, Warenkorb, Startseite oder Artikel. Sehen Sie sie in unseren Beispielen für Produktempfehlungen in Aktion. Und wenn Sie den Ertrag messen möchten, hilft Ihnen unser Leitfaden zum ROI der Personalisierung weiter: Er erklärt, wie Sie den Beitrag von Empfehlungen lesen — also den Umsatz, den Empfehlungen tatsächlich beeinflussen.

Buchen Sie eine Demo und erleben Sie die Algorithmen mit Ihrem eigenen Katalog, oder werfen Sie einen Blick auf Tarife und Preise.

Empfehlungsalgorithmen: FAQ

Was ist Collaborative Filtering bei Empfehlungen?

Collaborative Filtering lernt aus dem Verhalten vieler Besucher — wer einen Artikel gekauft oder angesehen hat, hat auch einen anderen gekauft oder angesehen — und empfiehlt auf Basis dieser Muster, ohne das Produkt selbst verstehen zu müssen. Es steckt hinter den meisten Widgets vom Typ „Das könnte Ihnen auch gefallen“.

Was ist der Unterschied zwischen „zusammen gekauft“ und Collaborative Filtering?

Zusammen gekauft betrachtet Zusammenhänge von Artikel zu Artikel für ein bestimmtes Produkt oder einen bestimmten Warenkorb — was damit zusammen gekauft wird. Collaborative Filtering ist ein breiterer Abgleich nach dem Muster „Menschen wie Sie“ über den gesamten Katalog. Zusammen gekauft eignet sich am besten für Cross-Selling und Bestellwert, Collaborative Filtering für Entdeckung.

Was ist eine inhaltsbasierte Empfehlung?

Eine inhaltsbasierte Empfehlung gleicht nach Thema und Attributen sowie nach den gewichteten Interessen des Besuchers ab statt nur nach gemeinsamem Verhalten. Sie wird vor allem für Artikel und Inhalte eingesetzt und schließt in Personyze Beiträge, die der Besucher bereits gelesen hat, automatisch aus.

Wie gehen Empfehlungen mit einem ganz neuen Besucher um (Kaltstart)?

Sie beginnen mit Daten der Masse — dem, was bei allen Besuchern beliebt ist — und wechseln zur Personalisierung, sobald ein Interesse bekannt ist. Personyze gewichtet und aktualisiert Interessen während des Surfens, sodass dasselbe Widget mit jedem Klick relevanter wird.

Welchen Empfehlungsalgorithmus sollte ich auf einer Produktseite verwenden?

Auf Produktseiten funktionieren zusammen gekauft plus wahrscheinlich gekauft am besten — sie fördern Entdeckung und durchschnittlichen Bestellwert, indem sie Artikel zeigen, die häufig zusammen mit dem aktuellen Produkt gekauft oder angesehen werden.

Unterstützt Personyze neben Produkten auch Content-Empfehlungen?

Ja. Neben den Produktalgorithmen verfügt Personyze über eine Engine für Content-Empfehlungen mit Optionen wie meistgelesen nach Interesse, neue Artikel passend zu Ihren Interessen, am beliebtesten von einem Autor und Inhalte mit den meisten Conversions — und bereits gelesene Artikel werden automatisch ausgeschlossen.

Kann ich Personyze-Empfehlungen als JSON abrufen oder selbst rendern?

Ja. Neben dem verwalteten Widget kann Personyze Empfehlungen als JSON über eine clientseitige JavaScript-API oder einen JSON-Feed ausliefern, sodass Sie sie in Ihrem eigenen Frontend oder serverseitig rendern können — praktisch für Headless-Shops, mobile Apps und vollständig individuelle Layouts.

Gibt es fertige Vorlagen für Empfehlungs-Widgets?

Ja. Personyze bietet eine Galerie mit Empfehlungsvorlagen, also vorgefertigten Widget-Designs, die Sie auswählen, anpassen und in der Vorschau prüfen und dann ohne Code einbinden können.

Welche Daten nutzen KI- oder personalisierte Empfehlungen?

Die personalisierten Empfehlungen von Personyze kombinieren Ihren Produkt-Feed und Katalog, einen Crawl Ihrer Website, das eigene Profil des Besuchers (CRM, demografische Daten, Standort), das Verhalten anderer Besucher sowie die eigenen Klicks, Aufrufe und Käufe der einzelnen Person — und gewichten all das gemeinsam, um vorherzusagen, was jeder Besucher am wahrscheinlichsten kauft.

Kann ich frühere Transaktionen hochladen, um Empfehlungen einen Vorsprung zu geben?

Ja. Sie können Ihre bisherigen oder Offline-Transaktionen (aus dem Ladengeschäft) hochladen, damit die Empfehlungs-Engine vom ersten Tag an eine Kaufhistorie hat und viel schneller relevant wird, als wenn die Daten erst über das Verhalten auf der Website aufgebaut werden müssten.

Mehr zu KI in Personyze

• KI-Personalisierungsagent — beschreiben Sie eine Kampagne, und er baut sie im Stil Ihrer Marke.
• KI-Marketingagent — wie aus Anfragen in Alltagssprache vorbereitete Kampagnen werden.
• Personyze MCP-Server — steuern Sie alles aus Claude oder ChatGPT.
• Personyze zu Claude hinzufügen — installieren Sie den Connector aus dem Claude-Verzeichnis.

Weiterführende Artikel

• Beispiele für Produktempfehlungen — 14 Wege, diese Algorithmen einzusetzen.
• Was unter der Haube der Personalisierung steckt — die Bausteine der Empfehlungs-Engine.
• ROI der Personalisierung: die Kennzahlen, die zählen — den Beitrag von Empfehlungen messen.