Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Personalisierte Empfehlungen

Definition: Personalisierte Empfehlungen sind algorithmisch generierte Produkt- oder Inhaltsvorschläge die auf dem individuellen Nutzerverhalten (besuchte Seiten, geklickte Produkte, Kaufhistorie, Verweildauer), demographischen Attributen und dem Verhalten ähnlicher Nutzer (kollaboratives Filtering) basieren um die Relevanz des dargestellten Angebots zu maximieren. CRO-Wert: Empfehlungssysteme steigern sowohl Conversion Rate (relevantere Produkte leichter auffindbar) als auch Average Order Value/AOV (Cross-Sell und Up-Sell durch Empfehlung ergänzender oder höherwertiger Produkte); Amazon generiert laut McKinsey & Company («How Retailers Can Keep Up With Consumers», 2013) 35% seines Gesamtumsatzes durch Empfehlungssysteme; Netflix attributiert laut Xavier Amatriain (Netflix Research; RecSys 2012 Keynote) über 75% der betrachteten Inhalte auf Empfehlungs-Algorithmen. Empfehlungs-Typen im E-Commerce: «Kunden kauften auch» (Collaborative Filtering); «Ähnliche Produkte» (Content-Based Filtering); «Zuletzt angesehen» (Session-basiert; Remind-Me-Back-Mechanismus); «Bestseller dieser Kategorie» (regelbasiert; kein ML notwendig); «Oft zusammen gekauft» (Assoziationsregeln; Market Basket Analysis); «Empfohlen für Sie» (hybrides ML-Modell); Placement: Startseite; Kategorieseite; Produktseite (Below-the-Fold); Warenkorb (Cross-Sell); Post-Purchase-Bestätigungsseite; E-Mail (Transaktional + Behavioral).

Erläuterung

Die Geschichte algorithmischer Empfehlungssysteme beginnt mit Greg Linden (Amazon-Ingenieur; Paper «Amazon.com Recommendations: Item-to-Item Collaborative Filtering», IEEE Internet Computing 2003) der 1998 das Item-to-Item Collaborative Filtering entwickelte das Amazon von nutzerzentrierten Algorithmen (die Berechnung aller ähnlichen Nutzer bei jedem Seitenaufruf skaliert schlecht) zu item-zentrierten Algorithmen verschob: statt «Nutzer die Ihnen ähnlich sind kauften» berechnet Item-to-Item «Artikel die mit dem aktuell betrachteten Artikel häufig zusammen gekauft werden» – dieser Ansatz skaliert linear mit der Produktkatalog-Größe statt quadratisch mit der Nutzerzahl. Der Netflix Prize (2006–2009): Netflix veranstaltete einen öffentlichen Wettbewerb mit 1 Mio. USD Preisgeld für Teams die ihren Cinematch-Algorithmus um 10% in der RMSE-Metrik (Root Mean Squared Error) verbessern; das Gewinner-Team «BellKor's Pragmatic Chaos» (Zusammenschluss von AT&T Labs, Commendo und BigChaos) gewann 2009 nach 3 Jahren und setzte den Standard für Ensemble-Methoden in Empfehlungssystemen; paradoxerweise implementierte Netflix den gewinnenden Algorithmus nie in der Produktion weil veränderte Nutzungsmuster (Wechsel von DVD zu Streaming) die Trainings-Daten obsolet machten. Dynamic Yield (gegründet 2011 in Tel Aviv von Liad Agmon und Omri Mendellevich; von McDonald's 2019 für ~300 Mio. USD übernommen; später an Mastercard verkauft 2022 für undisklosierte Summe) und Nosto (gegründet 2011 in Helsinki; auf E-Commerce-Personalisierung spezialisiert) demokratisierten personalisierte Empfehlungen für mittelständische E-Commerce-Unternehmen durch SaaS-Plattformen die keine eigene ML-Infrastruktur erfordern.

Algorithmus-Typen und technische Grundlagen

KPIs, Tools und DSGVO

Praxistipp: Starten Sie mit regelbasierten Empfehlungen bevor Sie in ML-basierte Systeme investieren: «Bestseller dieser Kategorie» und «Oft zusammen gekauft» (mit Assoziationsregeln aus Ihrer Transaktionshistorie) erzielen für die meisten Shops 70–80% des Uplift den komplexe ML-Systeme liefern – bei einem Bruchteil der Kosten und ohne Datenschutz-Komplexität. Platzieren Sie zuerst eine «Oft zusammen gekauft»-Sektion im Warenkorb und testen Sie deren Impact per A/B-Test: bei >500 EUR AOV und komplementären Produkten im Sortiment sind +8–15% AOV-Steigerung durch diese einfachste Form der Empfehlung in dokumentierten Cases erreichbar.