Targeted Recommendations: Sind Ihre Produktempfehlungen persönlich genug?

Produktempfehlung im Online Marketing: Jeder kennt sie, aber nicht immer sind sie passend oder willkommen. Targeted Recommendations, also das Ausspielen personalisierter Empfehlungen, basiert auf analytisch überarbeitetem Kundenwissen und ist daher passgenau.


Häufig stellt die Website, im Rahmen einer Customer Journey, mehrmals einen bedeutenden Touchpoint dar. Passende Empfehlung erhöhen die Wahrscheinlichkeit für eine direkte Conversion. Personalisierte Empfehlungen können jedoch nicht in jeder Phase des Kundenlebenszyklus erfolgreich ausgesprochen werden, weswegen dort dann andere, nicht personalisierte Empfehlungsvarianten zum Einsatz kommen.

Vorteile von targeted Recommendations:

Durch gezielte Empfehlungen auf der Website/im Onlineshop, werten sie diesen (Verkaufs-)Kanal auf, was einen positiven Einfluss auf Ihr Umsatzvolumen hat. Eingebunden in ein optimiertes Omni-Channel Kampagnenmanagement profitieren sowohl Sie selbst als auch Ihre Kunden:

Mehrwert für Ihr Unternehmen:

  • Anregung (zu Spontankäufen) von relevanten Angeboten
  • emotionaler Bindung, höhere Brandaffinität
  • höhere durchschnittliche Warenkörbe
  • Bindung in Form von vermehrtem Aufenthalt auf der Website.

Mehrwert für Ihre Kunden:

Darbietung Relevanter und Reduktion irrelevanter Inhalte oder Produkte

  • nach dem Prinzip „Anregung anstelle von Überflutung”
  • und eine gelungene Positionierung als „Unternehmen, welches meine Bedürfnisse versteht”

Recommender Systeme im Überblick: Unterschiedliche Aussagen verschiedener Ansätze

Recommender Systeme gibt es bereits seit mehr als 20 Jahren. Heute sind sie weit verbreitet, werden aber unterschiedlich differenziert eingesetzt. Diverse Ansätze lassen sich nach Datengrundlage unterteilen in Content-based –, Collaborative filtering und Hybridansätze.​

Abbildung von Recommendersystemen

​Content-based Ansätze betrachten Produkteigenschaften und empfehlen Produkte mit ähnlichen Eigenschaften in der Annahme, dass den Kunde die Struktur der Produkteigenschaften anspricht. In der Praxis sind derartige Empfehlungen gut geeignet, wenn ein unbekannter User auf die Website kommt oder wenn keine personalisierten Empfehlungen vorliegen.

Collaborative filtering-Ansätze (CF) schauen nach Kunden/User-Ähnlichkeit in Verhalten/Bewegungsdaten und sprechen dann Empfehlungen gemäss den Vorlieben der „Kollaboration” aus. Dabei gibt es Untergruppen wie Memory-based CF- und Model-based CF-Ansätze. Dies entspricht einer Unterscheidung nach dem grundlegenden Vorhersagemodell:

  • Memory-based CF benötigen die gesamte Kunden-/User Datenbank um Empfehlungen zu kreieren. Ein typischer Vertreter ist das User-based CF: “Users who are similar/close to you also liked …”
  • Model-based CF erlernen mittels Machine Learning ein kompakteres Modell aus den Kunden-/User- Daten und nutzen dann das Modell mit optimiertem Inhalt zum Generieren der Empfehlungen. Ein typischer Vertreter hierfür ist das Item-Based CF: “Users who liked this also liked …”

Alle Ansätze können auf Bewertungsdaten ebenso wie auf 0-1 Daten (Produkt gekauft nein/ja) angewendet werden.

Bevor valide Empfehlungen berechnet und ausgespielt werden können, sind grosse Mengen an Verhaltensdaten Basis aller genannten CF-Ansätze:

  • Mehrfachkäufe derselben Produkte mit ausreichend langer Produktlebensdauer
  • Mehrfachbewertungen derselben Objekte
  • Mehrere Käufe/Bewertungen pro Kunde/User
  • Traffic auf der Website

Mit allen Ansätzen sind typische Vor- und Nachteile verbunden, die wir Ihnen gern mit Bezug zu Ihrer eigenen Situation und Daten darlegen.

Was können Sie von Empfehlungen aus Recommender Systemen erwarten?

Die Ausspielung von targeted Recommendations stellt eine sehr effektive Ergänzung im Kontext verschiedener Marketingmassnahmen zur Umsatzsteigerung dar. Dieser Effekt wird noch verstärkt, wenn Ausspielungen auch kampagnengesteuert angeregt werden können. Möchten Sie z.B. Produkte zu einem Themenkreis online in den Vordergrund stellen und dennoch Empfehlungsregeln berücksichtigen, können Sie mit einer geeigneten Marketing Automation Lösung entsprechend Priorisierungen vornehmen. In dem Fall erhalten Ihre Kunden mit Affinität zu dem gewünschten Themenbereich entsprechende Ausspielungen, andere Kunden dagegen nicht.

Empfehlungen aus einem Recommender System können automatisiert oder kampagnengesteuert ausgespielt werden. Im ersten Fall müssen Sie womöglich einige Nachteile in Kauf nehmen:

  • Neue Produkte und wenig nachgefragte, womöglich teurere Produkte werden kaum oder in wenig sinnvollem Kontext ausgespielt
  • Dies gilt auch bei einem häufig wechselnden Produktsortiment
  • Alle Empfehlungen sind „nur» statistisch und nicht inhaltlich begründet

Im zweiten Fall kann zusätzliche Intelligenz in die Ausspielungsteuerung eingebracht werden.

Wo und wann werden die Empfehlungen berechnet?

Die Empfehlungen werden entweder in kommerziellen oder in selbst programmierten Recommendation Engines errechnet, die in Onlineshops modular integriert werden. Eine Recommendation Engine ist ein – teilweise plattformunabhängiges – Tool, das die (durch den Onlineshop erzeugten) Daten verwendet, Strukturen erlernt, eine der oben genannten Algorithmenklassen anwendet und Regelwerke oder direkte Empfehlungen dem Shopsystem übergibt. Je nach Lösungsanbieter sind die Tools noch um weitere Funktionalitäten wie z.B. A/B-Testing ergänzt.

Empfehlungen können auch ausserhalb einer solchen Engine errechnet, die Ergebnisse dann via Schnittstelle an das Shopsystem übergeben und dort in Realtime oder auch Zeitverzögert ausgespielt werden.

In Realtime muss zwingend der Abruf der Empfehlungen sein. Diese Aufgabe kann direkt in der Webapplikation integriert sein oder über einen Webservice erfolgen.

Und wie hängen Ihre Datenquellen mit der Recommendation Engine zusammen?

Die folgende Graphik gibt schematisiert einen Überblick zur Architektur einer customized Lösung. In diesem Beispiel ist das DWH Dreh- und Angelpunkt aller Aktivitäten und Komponenten. Das Konstrukt der Gesamtlösung kann je nach Fall natürlich variieren.

Die Recommendation Engine verarbeitet in diesem Beispiel User Daten aus dem Data Warehouse, dem Marketing Tool sowie Realtime Verhaltensdaten aus dem Web. Da die Engine keine ‚Business Intelligence’ hat, müssen im Web durch Regelwerke ad hoc und situationsbezogen Ausspielungen unterschiedlich priorisiert werden. Der User sieht dann quasi eine durch Regelwerke gefilterte Empfehlung. Die Aktivitäten im Web gelangen dann wieder in das Data Warehouse und fliessen in aktualisierte Berechnungen ein.

Wie integrieren Sie Ihre Offline-Daten?

Bei einem grossen Kundenstamm der bereits seit Jahren off- sowie online bei Ihnen einkauft, ist die Qualität einer targeted Recommendation in Ihrem Onlineshop oder Newsletter umso besser, wenn Sie das gesamte Kundenverhalten im Sinne einer on-offline Integration darin einfliessen lassen können.

Wenn Sie die Verhaltensdaten des Kunden aus den Sessions im Onlineshop personenbezogen herausziehen und mit den offline Daten matchen, erhalten Sie eine ungleich bessere Analysebasis als bei alleiniger Berücksichtigung des Onlineverhaltens.

Erweiterung der Empfehlungsvarianten:

Als Output aus der Empfehlungsrechnung erhalten Sie zum Beispiel pro User und pro Produkt einen Score, der Massstab für die Ausspielung ist.

Es empfiehlt sich separate Scores für neue Produkte oder teure Raritäten zu erstellen. Definieren Sie aus Ihrem Fachwissen heraus Produktgruppen, Themenkreise, oder Szenarien, für die spezielle Regeln gelten; diese lassen sich ebenfalls als Score formulieren.

Sie verfügen dann zusätzlich zu den Recommendations aus dem Item-Based CF über ‚intelligente’ inhaltsbezogene Empfehlungsvarianten.

Regelwerke und Priorisierung im Kampagnenmanagement: Realtime-Anforderungen

In der Praxis geht es um Priorisierung bei Nicht-/Ausspielungen in Realtime. Regelwerke müssen verschiedene Situationen abdecken, die auch mit dem Grad der User Identifikation zusammenhängen:

  • Ausspielungen für völlig unbekannte User oder für identifizierte User ohne Kundenbezug
  • Ausspielungen orientiert am Verhalten in der Session
  • Keine Empfehlung bereits gekaufter oder im Warenkorb enthaltener Produkte
  • Keine Empfehlung bereits mehrfach ausgespielter aber unbeachteter Produkte

Priorisierung im Kampagnenmanagement ist eine starke Variante, steuernd in die Ausspielung einzugreifen:

  • Ausspielungen für Personen ausgewählter Kundensegmente, – kanalspezifische Ausspielungen der Empfehlungen (z.B. nur im Newsletter)
  • Themenspezifische Höherbewertung von Ausspielungen

Das Regelwerk muss immer auf die Konstellation bei einem Kunden abgestimmt und detailliert konzipiert werden.

Benötigen Sie Hilfe bei der Integration eines Recommender Systems in Ihre bestehende Infrastruktur? Gerne erarbeiten wir mit Ihnen gemeinsam eine Lösung, die Ihr bereits erfolgreiches Business noch weiter bringt. Nehmen Sie dazu einfach Kontakt zu uns auf.

Kontakt aufnehmen

Teilen Sie diesen Beitrag jetzt:

Share on whatsapp
Share on facebook
Share on linkedin
Share on email

Weitere Artikel: