Personalisierungsstrategien im Online-Shop

Das Ergebnis auf dem Dashboard

1,2 Prozent Klickrate. Das steht auf dem Analytics-Dashboard, als du Dienstag um 13:15 Uhr die Kampagnenauswertung im Personalisierungs-Workshop öffnest. Der Newsletter ging an 40.000 Kund:innen, alle landen auf derselben generischen Startseite. Letztes Quartal, mit personalisierter Startseite: 3,8 Prozent. Nach dem Shop-Relaunch ist das Personalisierungs-Plugin rausgeflogen, niemand hat Ersatz eingerichtet. Bei 65 Euro durchschnittlichem Warenkorbwert kostet jedes verlorene Prozent tausende Euro pro Kampagne.

Beim Thema Verkaufsförderung im Checkout hast du gesehen, dass Cross-Selling-Empfehlungen den Warenkorbwert steigern. Bei der Kundensegmentierung hast du gelernt, Kundengruppen nach Kaufverhalten zu unterscheiden. Personalisierung verbindet beides: Sie nutzt Kundendaten, um jeder Person individuelle Inhalte auszuspielen. Welche Verfahren stecken dahinter?

Drei Verfahren im Vergleich

Drei Verfahren bestimmen, was Kund:innen im Shop sehen:

1. Feste Wenn-Dann-Regeln, manuell gepflegt: das ist das Prinzip der regelbasierten Empfehlungen. Liegt eine Kamera im Warenkorb, schlägt der Shop Speicherkarte und Tasche vor. Einfach umzusetzen, aber aufwendig bei großem Sortiment.
2. Beim Collaborative Filtering vergleicht ein Algorithmus das Verhalten ähnlicher Nutzer:innen. Wer Produkt A kaufte, kaufte häufig auch Produkt B. Funktioniert bei vielen Transaktionen, versagt bei neuen Produkten ohne Kaufdaten.
3. Das dritte Verfahren, Content-Based Filtering, analysiert Produkteigenschaften wie Genre, Autor:in oder Preisklasse. Wer drei Krimis von Henning Mankell gelesen hat, bekommt skandinavische Krimis ähnlicher Machart vorgeschlagen.

🤔 Frage dich: Wie viel Prozent der Produktempfehlungen auf großen Plattformen basieren deiner Schätzung nach auf algorithmischen Verfahren statt auf manuell gepflegten Regeln?

Vier Datenquellen der Personalisierung

Um die drei Verfahren mit Daten zu füttern, braucht der Shop vier Quellen:

1. Kaufhistorie - welche Produkte hat die Person in der Vergangenheit bestellt? Basis für Collaborative Filtering und regelbasierte Empfehlungen.
2. Welche Kategorien und Produktseiten werden aufgerufen? Das zeigt das Klickverhalten - auch ohne Kauf.
3. Was liegt gerade im Warenkorb? Der Warenkorbinhalt löst Echtzeit-Empfehlungen aus.
4. Profildaten - Alter, Standort, Newsletter-Präferenzen. Ermöglichen demografische Personalisierung, z.B. saisonale Angebote nach Region.

Rechtsgrundlagen nach DSGVO

Nicht jede Datennutzung braucht dieselbe Rechtsgrundlage:

Sobald der Shop Daten zu einem Nutzungsprofil verknüpft, greift die Pflicht zur Transparenz. Kund:innen müssen erfahren, wie ihre Daten für Empfehlungen genutzt werden. Sie haben jederzeit das Recht auf Widerspruch gegen automatisierte Entscheidungen.

🧑‍🏫 Erkläre es im Kopf: Stell dir vor, du erklärst einer neuen Kollegin, warum der Shop für personalisierte Newsletter eine Einwilligung braucht, aber für Warenkorb-Empfehlungen nicht - wie würdest du den Unterschied in einem Satz formulieren?

Vier Empfehlungsregeln für den Relaunch

Zurück zum Relaunch-Problem: Der Shop braucht konkrete Regeln. Vier Wenn-Dann-Empfehlungen decken die beiden häufigsten Szenarien ab:

Szenario 1: Kamera im Warenkorb (Produktdetailseite)

• Wenn Kamera im Warenkorb → zeige kompatible Speicherkarte und passende Kameratasche. Verfahren: regelbasiert. Datenquelle: Warenkorbinhalt.
• Wenn Kund:in in den letzten 90 Tagen Objektive angesehen hat → zeige das meistgekaufte Objektiv dieser Kameramarke. Verfahren: Collaborative Filtering. Datenquelle: Klickverhalten.

Szenario 2: Stammkund:in mit Kaufhistorie (Startseite)

• Wenn letzte 3 Käufe Thriller von Autor:in X → zeige deren Neuerscheinung im Header-Banner. Verfahren: Content-Based Filtering. Datenquelle: Kaufhistorie.
• Wenn Kund:in seit 60+ Tagen nicht gekauft hat → zeige personalisierte Empfehlungen basierend auf den letzten Kategorien. Verfahren: regelbasiert. Datenquelle: Kaufhistorie.

Was der Workshop ergeben hat

Mit diesen vier Regeln wäre der Shop nach dem Relaunch nicht blank gewesen. Die regelbasierten Empfehlungen (Regeln 1 und 4) lassen sich innerhalb eines Tages konfigurieren. Die algorithmischen Verfahren (Regeln 2 und 3) brauchen Trainingsdaten - das neue Plugin muss mindestens zwei Wochen Daten sammeln, bevor die Empfehlungen greifen.

Der Sofort-Effekt: Schon die regelbasierten Empfehlungen allein heben die Klickrate messbar an. Die algorithmischen Verfahren verfeinern das Ergebnis über die Zeit. Ergebnis: kein Geld verschwendet, keine generische Startseite mehr.

📝 Fasse mental zusammen: Welche drei Personalisierungsverfahren stehen dir zur Verfügung, welche Datenquelle braucht jedes davon, und welche Rechtsgrundlage gilt jeweils?