„Häufig zusammen gekauft“ nutzt Kaufmuster, um Kombinationen vorzuschlagen. „Häufig zusammen angesehen“ nutzt gemeinsame Produktaufrufe, um interessante Vergleiche zu zeigen. Beide Signale brauchen Kontext: Gemeinsame Käufe belegen keine technische Kompatibilität, und gemeinsam betrachtete Produkte können unterschiedliche Zwecke erfüllen. Wähle die Strategie passend zur Seite und prüfe die vorgeschlagenen Paare.
Viele Shopbetreiber setzen diese beiden Empfehlungslogiken synonym ein oder nutzen ein einziges Standard-Widget auf allen Unterseiten. Diese Vorgehensweise ignoriert die Absicht der Besucher. Wer Ersatzprodukte im Warenkorb ausspielt, erzeugt unnötige Zweifel und riskiert Abbrüche. Wer Zubehörteile präsentiert, während der Kunde noch grundlegende Produkteigenschaften vergleicht, lenkt vom Kauf ab. Wenn du die Unterschiede zwischen Co-Purchase- und Co-View-Modellen verstehst, begleitest du deine Kunden passgenau durch jede Phase des Kaufprozesses.
Komplemente vs. Substitute: Die grundlegende Kaufabsicht
In der Handelsökonomie stehen Produkte zueinander entweder im Verhältnis der Ergänzung (Komplement) oder des Ersatzes (Substitut). Ein Komplement erweitert den Nutzen des Hauptartikels und generiert einen zusätzlichen Verkauf. Ein Substitut erfüllt denselben Zweck und stellt eine Alternative dar. Dein Empfehlungssystem muss diesen Unterschied abbilden, um relevante Vorschläge zu liefern.
Modelle für häufig zusammen gekaufte Artikel analysieren historische Bestelldaten, um Produkte zu identifizieren, die regelmäßig im selben Kaufabschluss landen. Wenn du dieses Prinzip richtig anwendest, steigerst du deinen durchschnittlichen Bestellwert ohne störende Suche. Die passenden Cross-Selling- und Upselling-Strategien helfen dir dabei, klar zwischen höherwertigen Ersatzartikeln und unverzichtbarem Zubehör zu unterscheiden.
Algorithmen für häufig zusammen angesehene Produkte werten das Klick- und Navigationsverhalten einer Sitzung aus. Wenn Besucher innerhalb von zwanzig Minuten vier verschiedene Funktionsjacken aufrufen, registriert das System diese als Substitute. Der Nutzer vergleicht Schnittformen, Wassersäulen oder Preisklassen. Zeigst du in diesem Moment passende Alternativen, hilfst du dem Kunden bei der Kaufentscheidung. Bietest du ihm Imprägnierspray an, kommt das Angebot zu früh.
Strategische Platzierung: Produktdetailseite vs. Warenkorb
Während der Recherche auf der Produktdetailseite wägen Besucher verschiedene Optionen gegeneinander ab. Sobald sie einen Artikel in den Warenkorb legen, wechselt ihre Haltung zur Kaufabwicklung. Deine Empfehlungsflächen müssen auf diesen Wechsel reagieren.
Produktdetailseite: Kaufentscheidung stützen und Sets bilden
Im oberen und mittleren Bereich der Produktdetailseite gehören Co-View-Empfehlungen hin. Passt einem Besucher die angezeigte Farbe oder Größe nicht, halten alternative Vorschläge ihn im Shop. Im unteren Seitenbereich oder direkt neben dem Kaufen-Button greift die Co-Purchase-Logik: Hier platzierst du Zubehörpakete für Kunden, die ihre Wahl bereits getroffen haben.
Warenkorb-Drawer und Checkout: Reine Cross-Selling-Fokussierung
Im Warenkorb sind passende Ergänzungen meist hilfreicher als neue Alternativen zum Hauptprodukt. Zubehör sollte die gewählte Bestellung vervollständigen, ohne die Kaufentscheidung neu aufzurollen. Bei nativen Shopify-Produktempfehlungen wählst du bewusst zwischen verwandten und ergänzenden Artikeln. Für den Warenkorb eignen sich beispielsweise kompatibles Zubehör oder passende Verbrauchsmaterialien.
Transaktionssignale und automatisierte Produktauswahl
In diesem anschaulichen Beispiel betrachten wir die Auswertung von Verhaltensdaten eines Fachhändlers für Siebträgermaschinen. Das System muss präzise zwischen gemeinsamen Bestellungen und vergleichendem Stöbern unterscheiden, um das passende Widget zu bestücken.
Reine Häufigkeiten reichen als Kriterium oft nicht aus. Wenn dreißig Kunden vor einer Entscheidung zwei verschiedene Kaffeemühlen ansehen, ist die Korrelation im Surfverhalten hoch, ein gemeinsames Bundle-Angebot wäre jedoch unpassend. Die folgende Übersicht zeigt die richtige Zuordnung.
| Beobachtetes Nutzersignal | Ausgangsprodukt | Vorgeschlagenes Produkt | Empfehlungstyp | Merchandising-Entscheidung |
|---|---|---|---|---|
| 140 Bestellungen enthalten beide Artikel zusammen | Siebträgermaschine | Präzisionstamper 58 mm | Häufig zusammen gekauft | Als Bundle-Angebot auf der Produktseite und im Warenkorb anzeigen |
| 85 Sitzungen rufen beide Artikel binnen 30 Minuten auf | Kompakt-Espressomaschine | Dualboiler-Espressomaschine | Häufig zusammen angesehen | Im Vergleichs-Karussell auf der Detailseite platzieren, im Warenkorb sperren |
| 52 Bestellungen enthalten beide Artikel zusammen | Kaffeemühle | Mühlenreiniger-Tabs | Häufig zusammen gekauft | Als Zusatzartikel mit einem Klick direkt im Warenkorb anbieten |
| 74 Sitzungen prüfen beide Artikel, 0 gemeinsame Käufe | Hand-Kaffeemühle | Elektrische Kaffeemühle | Häufig zusammen angesehen | Ausschließlich als Alternative auf der Produktdetailseite präsentieren |
Cold-Start-Szenarien und Rückfallebenen bei dünner Datenbasis
Empfehlungssysteme stoßen an Grenzen, wenn Produkte neu im Sortiment sind, es sich um Nischenartikel handelt oder saisonale Kollektionen starten. Fehlen historische Transaktionsdaten, schlagen reine Co-Purchase-Algorithmen fehl und zeigen leere Bereiche oder zusammenhanglose Bestseller an.
Eine durchdachte Rückfall-Hierarchie verhindert solche Fehltritte. Liegen zu wenige Kaufdaten für einen bestimmten Artikel vor, greift das System auf Transaktionsmuster der gesamten Kategorie zurück, nutzt Markenaffinitäten und wendet anschließend manuelle Händlerregeln an. So sieht der Kunde bei einem neuen Trailrunning-Schuh passende Laufsocken statt eines zufälligen Bestsellers aus einer anderen Warengruppe.
bluebarry verbindet Produktkataloge, Suchdaten und Empfehlungsregeln über ein gemeinsames System. Bei geringer Datenbasis nutzt die Plattform vorhandene Attribute und Kategoriebeziehungen, um logisches Zubehör zu ermitteln, ohne die Warenkorbhygiene zu gefährden.
Warenkorbhygiene und technische Kompatibilitätsregeln
Ein Zubehörteil zu empfehlen, das der Kunde bereits in den Warenkorb gelegt hat, verschwendet wertvollen Platz und wirkt unprofessionell. Ein intelligentes System überwacht den Warenkorbstatus in Echtzeit und blendet bereits gewählte Artikel aus den Empfehlungen aus. Legt der Kunde eine Schutzhülle in den Korb, zeigt das Widget automatisch ein Ladekabel oder ein Reinigungstuch an.
Ebenso wichtig sind harte technische Kompatibilitätsregeln. In einem Elektronikshop muss das Ladekabel exakt zur Ladebuchse des gewählten Geräts passen. Inkompatible Empfehlungen führen zu Frust, schlechten Bewertungen und teuren Retouren.
Gutes Merchandising verbindet maschinelle Mustererkennung mit klaren Leitplanken. Händler behalten die volle Kontrolle darüber, welche Varianten zueinander passen, schließen Restposten aus Empfehlungsflächen aus und stellen sicher, dass nur sofort lieferbare Artikel angezeigt werden.
Testing von Empfehlungsmodellen und manuelle Steuerung
Kein einzelner Algorithmus passt universell auf jede Produktkategorie. Im Modebereich funktionieren visuelle Co-View-Empfehlungen zur Stilfindung hervorragend, während Händler für Werkzeuge oder Ersatzteile den höchsten Hebel durch technische Zubehör-Bundles erzielen.
Regelmäßige A/B-Tests zeigen, welche Logik an welcher Stelle im Shop den besten Ertrag liefert. Durch die Messung des Empfehlungs-Umsatzzuwachses lassen sich Klickraten, Warenkorbhöhen und der Gesamtumsatz pro Besucher zwischen verschiedenen Varianten sauber vergleichen.
bluebarry ermöglicht es dir, automatisierte Vorschläge mit deinen eigenen Geschäftsregeln zu kombinieren. Mit KI-gestützten Vorschlägen unter deiner vollen Kontrolle optimierst du Produktempfehlungen datenbasiert und behältst gleichzeitig deine Margen im Blick.
Häufige Fragen
Optimiere deine Produktempfehlungen mit bluebarry
Verbinde deinen Katalog, historische Bestelldaten und Kundenpräferenzen für präzise Co-Purchase- und Co-View-Empfehlungen, die deinen Umsatz spürbar steigern.