Produktempfehlung per E-Mail

Definition: Produktempfehlungen per E-Mail sind personalisierte Vorschläge von Produkten oder Dienstleistungen, die einem E-Mail-Empfänger auf Basis seines individuellen Kauf-, Browse- oder Interessenverhaltens in einer E-Mail präsentiert werden. Sie bilden eine der wirksamsten Formen der E-Mail-Personalisierung im E-Commerce und setzen voraus, dass das Versandsystem Zugriff auf Verhaltensdaten des Empfängers hat – etwa Kaufhistorie, angesehene Produktseiten, gespeicherte Wunschlisten oder Bewertungshistorie. Produktempfehlungen können regelbasiert (z. B. „Zeige immer die meistgekauften Produkte aus der zuletzt besuchten Kategorie") oder algorithmusbasiert funktionieren, wobei Machine-Learning-Modelle aus Nutzungs- und Kaufdaten vieler Kunden Muster ableiten und individuell passende Empfehlungen generieren. Amazon gilt als Pionier dieses Ansatzes: Berichten zufolge sind bis zu 35 Prozent des Amazon-Umsatzes auf Produktempfehlungen zurückzuführen, die sowohl auf der Website als auch per E-Mail ausgespielt werden. Im E-Mail-Marketing erhöhen relevante Produktempfehlungen Klickrate, Conversion-Rate und durchschnittlichen Bestellwert und verwandeln standardisierte Massenaussendungen in individuelle, mehrwertstiftende Kommunikation. Sie werden sowohl in dedizierten Empfehlungs-E-Mails als auch als Ergänzungsmodule in Transaktions-E-Mails, Warenkorbabbruch-E-Mails und regulären Newslettern eingesetzt.

Erläuterung

Die Grundlage jeder personalisierten Produktempfehlung ist die Verbindung zwischen dem E-Mail-Marketing-System und den Verhaltensdaten der Nutzer. Diese Daten stammen aus verschiedenen Quellen: dem E-Commerce-Shop (Kaufhistorie, Warenkorbdaten, Produktseitenbesuche), dem CRM-System (Kundenprofildaten, Segmentzugehörigkeit) und dem E-Mail-Engagement-Verhalten (angeklickte Produktlinks in früheren E-Mails). Je mehr Datenpunkte verfügbar sind, desto präziser können die Empfehlungen personalisiert werden.

Algorithmisch basieren moderne Produktempfehlungssysteme auf verschiedenen Methoden: Collaborative Filtering ermittelt auf Basis ähnlicher Nutzerprofile, was vergleichbare Käufer auch noch gekauft haben. Content-Based Filtering analysiert die Eigenschaften bereits gekaufter oder betrachteter Produkte und empfiehlt ähnliche Artikel. Hybride Systeme kombinieren beide Ansätze und ergänzen sie durch Regeln wie Mindestvorrat oder Aktualität. Für den E-Mail-Kontext müssen Empfehlungen zudem statisch generiert werden, da E-Mails – anders als Webseiten – den Inhalt nicht dynamisch beim Öffnen aktualisieren können (es sei denn, es werden spezielle Real-Time-Content-Dienste wie Movable Ink oder Phrasee genutzt).

Produktempfehlungen per E-Mail entfalten ihre stärkste Wirkung, wenn sie in kontext-relevante E-Mail-Typen eingebettet werden. In Post-Purchase-E-Mails folgen Empfehlungen dem Motto „Kunden, die dieses Produkt gekauft haben, interessierten sich auch für…". In Warenkorbabbruch-E-Mails ergänzen Empfehlungen die abgebrochenen Artikel um Alternativen oder Ergänzungsprodukte. In Re-Engagement-E-Mails zeigen Produktempfehlungen Neuheiten in bevorzugten Kategorien und wecken wieder Kaufinteresse.

Typen von Produktempfehlungen

Cross-Selling-Empfehlungen: Produkte, die das bereits gekaufte oder betrachtete Produkt ergänzen – z. B. passende Socken zum Schuh oder eine Kameratasche zur Kamera.
Upselling-Empfehlungen: Höherwertige Alternativen zum betrachteten Produkt – z. B. ein Premium-Modell statt des Basismodells.
„Ähnliche Produkte"-Empfehlungen: Artikel, die den gleichen Nutzen oder ähnliche Eigenschaften wie betrachtete Produkte aufweisen.
Trending- und Bestseller-Empfehlungen: Regelbasierte Empfehlungen für Empfänger ohne ausreichende Verhaltensdaten – z. B. Neukunden.
Personalisierte Neue-Arrivals: Neuankömmlinge in Kategorien, die der Empfänger in der Vergangenheit bevorzugt hat.

Erfolgsmessung und KPIs

Empfehlungsklickrate: Anteil der Empfänger, die auf mindestens ein empfohlenes Produkt klicken – direkte Messung der Relevanz der Empfehlung.
Conversion-Rate der Empfehlungen: Anteil der Klicks auf Empfehlungen, die zu einem Kauf führen.
Umsatzanteil der Empfehlungen: Wie viel Prozent des durch die E-Mail generierten Umsatzes sind auf Produktempfehlungen zurückzuführen?
Durchschnittlicher Bestellwert (AOV): Steigt der AOV bei Empfängern, die Empfehlungsklicks tätigen, gegenüber Empfängern ohne Klick?

Praxistipp: Beginnen Sie mit regelbasierten Produktempfehlungen, bevor Sie in komplexe KI-Systeme investieren: Eine E-Mail, die die drei meistgekauften Produkte aus der letzten besuchten Kategorie zeigt, erzielt bereits signifikant bessere Ergebnisse als eine E-Mail ohne Empfehlungen. Testen Sie gezielt, ob Empfehlungen im oberen Bereich einer E-Mail (above the fold) besser klicken als im unteren Bereich – viele Tests zeigen, dass Platzierung einen größeren Einfluss auf die Klickrate hat als die algorithmische Präzision der Empfehlung.