Wer in einem großen Onlineshop nach einem Produkt sucht, steht schnell vor Dutzenden oder sogar Hunderten Optionen. KI-Empfehlungssysteme sollen diese Auswahl vereinfachen: Sie analysieren vorhandene Informationen und versuchen vorherzusagen, welche Produkte für einzelne Kund:innen besonders relevant sind.
Im E-Commerce reichen die Einsatzmöglichkeiten von personalisierten Produktvorschlägen über Cross-Selling bis zur individuellen Sortierung von Inhalten. Damit werden Empfehlungssysteme zu einem wichtigen Bestandteil der Personalisierung von Onlineshops.
Was ist ein KI-Empfehlungssystem?
Ein KI-Empfehlungssystem ist eine Software, die mithilfe künstlicher Intelligenz und maschinellen Lernens Daten zu Nutzerverhalten, Produkten und Kontext auswertet. Daraus erstellt sie personalisierte Vorschläge, etwa für passende Produkte, Inhalte oder Angebote. Im E-Commerce kann sie Kund:innen helfen, relevante Artikel schneller zu entdecken.
Vorteile eines KI-Empfehlungssystems
Der wesentliche Vorteil eines Empfehlungssystems liegt darin, aus einem umfangreichen Sortiment eine kleinere Auswahl besonders relevanter Produkte herauszufiltern. Dadurch kann es sowohl Kund:innen als auch Händler:innen unterstützen.
- Einfachere Produktsuche: Kund:innen müssen sich nicht eigenständig durch das gesamte Sortiment arbeiten. Relevante Artikel werden gezielt hervorgehoben.
- Stärkere Personalisierung: Empfehlungen können sich an bisherigem Verhalten, Interessen und dem aktuellen Kontext orientieren.
- Potenzial für höhere Warenkörbe: Passende Zusatzprodukte oder höherwertige Alternativen lassen sich gezielt in die Customer Journey integrieren. Damit können Empfehlungssysteme Cross-Selling und Upselling unterstützen.
- Bessere Produktentdeckung: Auch Artikel, nach denen Kund:innen nicht aktiv gesucht haben, können sichtbar werden, wenn sie zu ihren Interessen passen.
- Relevantere Einkaufserlebnisse: Statt allen Personen dieselbe Auswahl zu zeigen, kann ein Shop stärker auf unterschiedliche Bedürfnisse reagieren.
- Zusätzliche Erkenntnisse: Die für Empfehlungen ausgewerteten Interaktionen können Händler:innen dabei helfen, Zusammenhänge zwischen Produkten und Interessen besser zu verstehen.
Entscheidend ist dabei die Qualität der Empfehlungen. Ein System schafft nicht automatisch einen Mehrwert, nur weil es KI verwendet. Werden unpassende Produkte vorgeschlagen oder dieselben Artikel ständig wiederholt, kann der gegenteilige Effekt entstehen.
So funktionieren KI-Empfehlungssysteme
Die genaue technische Architektur unterscheidet sich je nach Anbieter:in und Anwendungsfall. Grundsätzlich lassen sich jedoch mehrere Schritte unterscheiden. Empfehlungssysteme erfassen Daten, verarbeiten daraus relevante Merkmale und bewerten anschließend mögliche Empfehlungen.
1. Daten erfassen
Am Anfang stehen Informationen, aus denen das System Zusammenhänge ableiten kann. Im E-Commerce können beispielsweise Klicks, Suchanfragen, Warenkorbaktionen, Käufe und Produktdaten einfließen.
Dabei wird häufig zwischen expliziten und impliziten Signalen unterschieden. Eine Bewertung oder aktiv angegebene Präferenz ist ein explizites Signal. Ein Klick auf ein Produkt oder eine wiederholte Suche nach einer Kategorie liefert dagegen ein implizites Signal.
Gerade eigene First-Party-Daten können eine wichtige Grundlage für Personalisierung bilden.
2. Nutzer- und Produktmerkmale erkennen
Anschließend versucht das System, relevante Muster zu identifizieren. Dazu kann es beispielsweise Produkte anhand von Kategorie, Preis, Farbe oder anderen Merkmalen vergleichen. Gleichzeitig können Ähnlichkeiten zwischen dem Verhalten verschiedener Kund:innen erkannt werden.
3. Mögliche Empfehlungen auswählen
Aus dem Produktkatalog wird zunächst eine Gruppe infrage kommender Artikel gebildet. Bei einem Modegeschäft könnten das beispielsweise Produkte derselben Kategorie, häufig gemeinsam gekaufte Artikel oder Produkte sein, die Personen mit ähnlichem Verhalten interessant fanden.
4. Empfehlungen nach Relevanz sortieren
Nicht jede grundsätzlich passende Empfehlung ist gleich relevant. Deshalb bewertet das System die möglichen Kandidaten und erstellt ein Ranking. Ziel ist, diejenigen Produkte weit oben anzuzeigen, bei denen eine hohe Relevanz für die jeweilige Situation angenommen wird.
So können auf einer Produktseite andere Vorschläge sinnvoll sein als im Warenkorb oder nach einem abgeschlossenen Kauf.
5. Aus neuen Interaktionen lernen
Empfehlungssysteme können ihre Modelle anhand neuer Daten weiterentwickeln. Wird ein vorgeschlagenes Produkt häufig angeklickt oder gekauft, liefert das zusätzliche Informationen. Werden Empfehlungen dagegen konsequent ignoriert, kann dies ebenfalls als Signal für spätere Vorschläge dienen.
Auf diese Weise entsteht ein Kreislauf aus Daten, Vorhersage, Interaktion und erneuter Optimierung.
Wo KI-Empfehlungssysteme besonders sinnvoll sind
Empfehlungssysteme werden überall dort interessant, wo Menschen aus vielen möglichen Produkten oder Inhalten auswählen müssen. Besonders deutlich wird das im E-Commerce.
Produktempfehlungen im Onlineshop
Auf Produktseiten können Empfehlungssysteme ähnliche oder ergänzende Artikel anzeigen. Bei Shopify lassen sich verwandte Produkte beispielsweise automatisch generieren oder mit Shopify Search & Discovery manuell festlegen.
Schaut sich eine Person etwa eine Kaffeemaschine an, könnten passende Bohnen, Filter oder andere Maschinen mit ähnlichen Eigenschaften vorgeschlagen werden.
Cross-Selling und Upselling
Empfehlungen können Produkte identifizieren, die einen bereits ausgewählten Artikel sinnvoll ergänzen. Ebenso können höherwertige Alternativen angezeigt werden.
Solche Vorschläge können auf Produktseiten, im Warenkorb oder an anderen geeigneten Punkten der Customer Journey auftauchen. Im E-Commerce-Checkout sollten zusätzliche Empfehlungen allerdings so eingesetzt werden, dass sie den eigentlichen Kaufabschluss nicht unnötig erschweren.
Personalisierte Start- und Kategorieseiten
Auch die Reihenfolge von Produkten kann personalisiert werden. Zwei Kund:innen müssen dadurch innerhalb derselben Kategorie nicht zwangsläufig dieselben Artikel zuerst sehen.
Das ist vor allem für umfangreiche Sortimente interessant: Statt möglichst viele Produkte gleichzeitig sichtbar zu machen, rücken für die jeweilige Person voraussichtlich relevante Angebote nach vorn.
Marketing und Kundenbindung
Empfehlungslogik lässt sich auch außerhalb einer einzelnen Produktseite einsetzen. Denkbar sind beispielsweise personalisierte Inhalte oder auf frühere Käufe abgestimmte Produkthinweise in der Kommunikation mit bestehenden Kund:innen.
Damit überschneiden sich Empfehlungssysteme zunehmend mit anderen Formen der Personalisierung im Marketing.
Medien, Plattformen und weitere Branchen
Außerhalb des E-Commerce gehören Empfehlungen ebenfalls zum digitalen Alltag. Streamingdienste schlagen Filme, Serien oder Musik vor, soziale Netzwerke sortieren Inhalte und Reiseplattformen können Unterkünfte oder Aktivitäten anhand individueller Anforderungen empfehlen. Intel und IBM nennen entsprechend neben dem Handel unter anderem Medien, Unterhaltung, Reisen und weitere digitale Dienste als typische Einsatzgebiete.
Arten von Empfehlungssystemen
Welche Empfehlungen entstehen, hängt stark davon ab, welche Filtermethode eingesetzt wird. Drei grundlegende Ansätze sind kollaborative, inhaltsbasierte und hybride Empfehlungssysteme. Diese Einteilung findet sich auch bei Intel und IBM.
Kollaborative Filterung
Bei der kollaborativen Filterung stehen Ähnlichkeiten zwischen Nutzerverhalten im Mittelpunkt. Vereinfacht lautet die Überlegung: Personen, die sich in der Vergangenheit für ähnliche Dinge interessiert haben, könnten auch künftig vergleichbare Interessen haben.
Kaufen beispielsweise viele Kund:innen nach Produkt A zusätzlich Produkt B, kann B weiteren Personen vorgeschlagen werden, die Produkt A gekauft oder betrachtet haben.
Der Vorteil: Das System muss nicht jedes Produkt bis ins kleinste Detail verstehen. Problematisch wird es allerdings, wenn für neue Kund:innen oder neue Produkte kaum Interaktionsdaten vorliegen.
Inhaltsbasierte Filterung
Die inhaltsbasierte Filterung konzentriert sich stärker auf Eigenschaften einzelner Produkte. Das System sucht Artikel, die Produkten ähneln, für die sich eine Person bereits interessiert hat.
Hat jemand beispielsweise mehrfach schwarze Lederschuhe einer bestimmten Preisklasse angesehen, könnten weitere Modelle mit ähnlichen Merkmalen vorgeschlagen werden.
Dafür sind hochwertige Produktdaten besonders wichtig. Kategorien, Attribute und Beschreibungen helfen dem System dabei, Ähnlichkeiten zu erkennen.
Hybrides Empfehlungssystem
Hybride Systeme kombinieren mehrere Methoden. Sie können sowohl Ähnlichkeiten zwischen Kund:innen als auch Eigenschaften der Produkte berücksichtigen und zusätzlich Kontextsignale einbeziehen.
Dieser Ansatz kann Schwächen einzelner Methoden ausgleichen. Gleichzeitig steigen technische Komplexität, Datenbedarf und Anforderungen an die Modellierung.
Herausforderungen bei KI-Empfehlungssystemen
Damit personalisierte Empfehlungen tatsächlich hilfreich sind, müssen Händler:innen einige typische Schwierigkeiten berücksichtigen.
Kaltstart und fehlende Daten
Ein neues Empfehlungssystem kennt die Interessen seiner Kund:innen zunächst kaum. Dasselbe gilt für neue Produkte ohne Klicks oder Käufe. Dieses sogenannte Kaltstartproblem gehört zu den klassischen Herausforderungen von Empfehlungssystemen.
Inhaltsbasierte Produktinformationen, aktuelle Sitzungsdaten oder bewusst erhobene Präferenzen können dabei helfen, auch mit begrenzter Historie erste relevante Vorschläge zu erstellen.
Datenqualität
Mehr Daten führen nicht automatisch zu besseren Empfehlungen. Unvollständige Produktinformationen, falsch zugeordnete Kategorien oder verzerrte Verhaltensdaten können dazu führen, dass ein System ungeeignete Muster lernt.
Eine saubere Datenbasis und gegebenenfalls eine zentrale Customer Data Platform können deshalb für komplexere Personalisierungsstrategien relevant sein.
Datenschutz
Personalisierung basiert häufig auf Informationen über Verhalten und Interessen. Unternehmen müssen deshalb sorgfältig entscheiden, welche Daten sie tatsächlich benötigen, wie sie verarbeitet werden und welche Anforderungen für ihre konkrete Anwendung gelten.
Datensparsame Konzepte und transparente Datenstrategien gewinnen gerade bei datenintensiven KI-Anwendungen an Bedeutung.
Zu wenig Vielfalt
Wenn ein System ausschließlich auf bereits bekannte Interessen optimiert, können immer ähnliche Produkte auftauchen. Kund:innen entdecken dann kaum Neues.
Neben reiner Relevanz können deshalb auch Faktoren wie Neuheit und Vielfalt wichtig sein. Intel weist in diesem Zusammenhang auf das Risiko hin, dass überangepasste Systeme besonders populäre oder ähnliche Inhalte zu häufig empfehlen.
Falsche Erfolgsmetriken
Eine hohe Klickrate bedeutet nicht automatisch, dass Empfehlungen langfristig sinnvoll sind. Für einen Onlineshop können zusätzlich Conversion Rate, durchschnittlicher Bestellwert, Wiederkaufrate oder die tatsächlich mit Empfehlungen erzielten Verkäufe relevant sein.
Die gewählten Kennzahlen sollten deshalb zum Ziel des jeweiligen Empfehlungssystems passen.
Die wichtigsten Trends im Überblick
Empfehlungssysteme entwickeln sich zunehmend über klassische Produktkarussells hinaus. Forschung und neue KI-Anwendungen weisen vor allem auf folgende Entwicklungen hin.
Dialogbasierte Empfehlungen
Große Sprachmodelle ermöglichen Empfehlungssysteme, die Präferenzen in natürlicher Sprache erfassen. Statt ausschließlich vergangene Klicks auszuwerten, könnte ein System beispielsweise auf eine Anfrage wie „Ich suche eine leichte Jacke für eine regnerische Städtereise im Herbst“ reagieren und Rückfragen stellen.
Google Research untersucht bereits, wie LLMs kontextbezogene Empfehlungen über natürliche Sprache verbessern und Präferenzen in Dialogen genauer erfassen können.
Multimodale Empfehlungen
Künftige Systeme können neben strukturierten Produktdaten verstärkt unterschiedliche Informationsformen kombinieren – beispielsweise Texte und Bilder. Forschung zu multimodalen Empfehlungssystemen untersucht, wie solche Daten gemeinsam genutzt werden können, um Produkte und Präferenzen genauer abzubilden.
Für den E-Commerce ist das besonders interessant, weil Produkte nicht nur über Kategorien und Preise, sondern auch über Design, Form, Farbe und visuelle Ähnlichkeit beschrieben werden.
Mehr Kontext in Echtzeit
Empfehlungen können stärker berücksichtigen, was eine Person gerade tut, statt nur langfristige historische Profile zu verwenden. Suchanfrage, aktuelle Produktansichten, Saison oder vorherige Schritte innerhalb einer Sitzung liefern zusätzliche Hinweise auf die momentane Kaufabsicht.
Dadurch kann dieselbe Person zu unterschiedlichen Zeitpunkten andere Empfehlungen erhalten.
Generative und agentische Systeme
Foundation Models erweitern die Forschung an Empfehlungssystemen um generative und agentische Ansätze. Dabei geht es nicht nur darum, bestehende Produkte nach einem Score zu sortieren. Systeme sollen Nutzerabsichten verstehen, Rückfragen stellen, Informationen kombinieren und komplexere Entscheidungsprozesse begleiten. Aktuelle Forschung beschreibt diese Entwicklung als möglichen nächsten Schritt über klassische Recommender hinaus.
Für Händler:innen bedeutet das nicht, dass traditionelle Empfehlungstechniken verschwinden. Wahrscheinlicher ist eine Kombination: Bewährte Ranking- und Filterverfahren liefern verlässliche Produktauswahlen, während generative KI die Interaktion und Interpretation individueller Wünsche erweitert.
Fazit
Ein KI-Empfehlungssystem kann aus einem großen Produktangebot eine individuell relevantere Auswahl machen. Im E-Commerce hilft es damit vor allem bei der Produktentdeckung, Personalisierung sowie beim Cross-Selling und Upselling.
Grundlage dafür sind geeignete Daten und ein Verfahren, das aus diesen Informationen relevante Produkte auswählt und sortiert. Kollaborative, inhaltsbasierte und hybride Modelle verfolgen dabei unterschiedliche Ansätze.
Die Qualität eines Empfehlungssystems hängt jedoch nicht allein von seiner technischen Komplexität ab. Datenqualität, Geschwindigkeit, Datenschutz, Vielfalt und passende Erfolgsmetriken sind ebenso entscheidend. Gleichzeitig erweitern Sprachmodelle und multimodale KI die Möglichkeiten: Empfehlungen entwickeln sich zunehmend von statischen Produktvorschlägen hin zu kontextbezogenen und dialogorientierten Einkaufserlebnissen.
