Personalisierte Produktempfehlungen

Das echte Ausmaß des Problems

Wer in einem Online-Shop auf der Produktseite einer Jacke landet, bekommt im Schnitt fünf bis acht „Empfehlungen” angezeigt, häufig andere Jacken derselben Kategorie, egal ob der Kunde schon drei Paar hat oder nach Ergänzungen sucht. Anbieter von Empfehlungssoftware nennen für solche statischen Widgets Klickraten von 1,5 bis 3 Prozent. Von 1.000 Besuchern, die das Widget sehen, klicken 15 bis 30. Davon kaufen vielleicht 5.

Die oft zitierte Zahl, bei Amazon stammten 35 Prozent des Umsatzes aus Empfehlungen, ist keine Angabe von Amazon, und eine überprüfbare Primärquelle dafür haben wir nicht gefunden. Für deinen Shop zählt ohnehin nur dein eigener Wert, und den zeigt Analytics in wenigen Minuten (siehe unten). Wo er niedrig ist, liegt das selten an den Produkten, meist an einer Empfehlungslogik, die den Kundenkontext ignoriert. Statische Regel-Empfehlungen wie „Kunden kauften auch” funktionieren für Bestseller. Für alles andere, besonders bei größeren Sortimenten mit langer Produktschwanzverteilung, sind sie näherungsweise wirkungslos.

Vorsicht beim Hochrechnen: Steigt der Empfehlungsanteil eines Shops mit 500.000 Euro Monatsumsatz von 4 auf 12 Prozent, laufen rechnerisch 40.000 Euro mehr über das Widget (8 Prozentpunkte von 500.000 Euro). Das ist kein Mehrumsatz in dieser Höhe, denn viele dieser Käufe wären über Suche oder Navigation ohnehin passiert, das Widget hat sie nur umgeleitet. Und selbst echter Mehrumsatz ist kein Ertrag: Nach Wareneinsatz, Versand, Zahlungsgebühren und Retouren bleibt davon ein Bruchteil. Wie groß der echte Effekt ist, zeigt nur ein Test gegen eine Kontrollgruppe, die keine Empfehlungen sieht.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Vergleichswerte sind Größenordnungen aus dem Material der Anbieter Nosto, Clerk.io und Recombee, keine unabhängige Messung, und sie messen Empfehlungsumsatz, nicht Mehrumsatz. Tatsächliche Ergebnisse variieren stark nach Sortimentsgröße, Traffic-Volumen und Implementierungsqualität.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Empfehlungswidgets laufen nach der Einrichtung vollautomatisch, kein redaktioneller Aufwand, keine manuelle Pflege. Das spart nicht nur operative Zeit, sondern ersetzt auch die Arbeit, die früher in die Pflege statischer Listen geflossen ist. Nur knapp unter dem Maximalwert, weil der initiale Setup-Aufwand (Daten-Mapping, Widget-Gestaltung, A/B-Test-Phase) einige Wochen in Anspruch nimmt.

Kosteneinsparung, hoch (4/5) Die Toolkosten (rund 100 bis 1.000 €/Monat) sind planbar, der Ertrag ist es nicht: Er entsteht als Mehrumsatz, und davon zählt nur der Deckungsbeitrag. In der Beispielrechnung unten trägt sich eine Plattform für 500 €/Monat klar, aber mit einem Bruchteil des Betrags, den der Empfehlungsanteil in Analytics nahelegt. Besonders stark bei Shops mit breitem Sortiment und guter Transaktionshistorie. Nicht ganz auf dem Level der Automatischen Produktbeschreibungen, wo die Einsparung einmalig und sehr groß ist.

Schnelle Umsetzung, mittel (3/5) Der initiale Script-Tag ist schnell eingebunden, aber bis zum ersten belastbaren ML-Ranking vergehen 4–8 Wochen (Zeit für das Algorithmus-Training auf Klick- und Kaufdaten). Shops unter 5.000 Transaktionen/Monat warten länger auf aussagekräftige Modelle.

ROI-Sicherheit, hoch (4/5) Messbar ist der Effekt, wenn ein Teil der Besucher als Kontrollgruppe keine Empfehlungen sieht, die meisten Plattformen bieten das an. Der Empfehlungsumsatz in Google Analytics allein überzeichnet, weil er auch Käufe zählt, die ohne Widget passiert wären. Mit Kontrollgruppe ist der Nachweis sauber, aber erst nach vier bis acht Wochen Lernphase plus Testdauer.

Skalierbarkeit, sehr hoch (5/5) Das System lernt kontinuierlich mit: Mehr Produkte, mehr Kunden, mehr Transaktionen, ohne dass die Betriebskosten proportional steigen. Dieser Anwendungsfall ist einer der am stärksten skalierbaren im E-Commerce.

Richtwerte, stark abhängig von Sortimentsgröße, Transaktionsvolumen und Shop-System.

Was eine Empfehlungs-Engine konkret macht

Empfehlungssysteme kombinieren typischerweise zwei Ansätze:

Machine Learning durch Collaborative Filtering: Das System analysiert, welche Produkte Kunden mit ähnlichem Kaufverhalten gemeinsam gekauft oder angesehen haben. Kauft Kundin A Produkte 1, 2 und 3, und Kunde B kauft 1 und 2, empfiehlt das System Kunde B Produkt 3. Je mehr Transaktionsdaten vorliegen, desto besser die Trefferquote. Gut geeignet für Shops mit über 5.000 Transaktionen/Monat.

Content-Based Filtering: Das System analysiert Produktattribute (Kategorie, Marke, Preissegment, Beschreibung) und empfiehlt ähnliche Produkte auf Basis dieser Merkmale. Funktioniert auch für neue Kunden ohne Kaufhistorie und für neue Produkte ohne Transaktionsdaten, wichtig für den Cold-Start-Fall.

Kontextuelles Targeting: Welche Seite schaut sich der Besucher gerade an? Woher kam er? Was hat er in dieser Session bereits angesehen? Diese Echtzeitsignale verbessern die Relevanz besonders für anonyme Erstbesucher.

Der operative Ablauf: Produktkatalogdaten und Transaktionsdaten werden einmalig in die Empfehlungsplattform importiert. Das System lernt in der Regel nach 2 bis 4 Wochen mit ausreichend Daten. Danach werden Empfehlungswidgets per JavaScript in Produktseiten, Warenkorb und Checkout eingebaut, keine Shop-Systemüberarbeitung nötig.

Konkrete Werkzeuge, was wann passt

Nosto , eine der führenden Empfehlungsplattformen für den europäischen E-Commerce-Mittelstand. Direkte Integration mit Shopify, Shopware, WooCommerce und Magento. Personalisierte Empfehlungen, Pop-ups und E-Mail-Kampagnen in einem. Preise: keine öffentliche Preisliste, Nosto rechnet eine Grundgebühr plus einen volumenabhängigen Anteil nach GMV und Traffic ab, laut Marktbeobachtung ab etwa 500 bis 1.000 Euro im Monat. Gut geeignet für Shops ab etwa 100.000 Euro Monatsumsatz.

Clerk.io , dänisches Produkt mit sehr guter Shopware- und WooCommerce-Integration. Empfehlungen, Suche und E-Mail-Personalisierung kombiniert. Keine festen Listenpreise, laut unserer Toolseite ab rund 119 US-Dollar im Monat je Modul, gestaffelt nach Volumen. Besonders empfehlenswert für Shops, die auch die interne Suche verbessern wollen.

Recombee , API-basiert, flexibler und günstiger als Full-Service-Plattformen. Gut für Shops mit eigenem Entwicklungsteam. Kostenlos bis 100.000 Anfragen im Monat, der Standard-Plan kostet 99 US-Dollar im Monat. Gutes Preis-Leistungs-Verhältnis für technisch versierte Teams.

Shopware KI Copilot / Shopify Product Recommendations, plattformintegrierte Basisfunktionen ohne Extra-Kosten. Kein echter ML-Algorithmus, aber regelbasiert und schnell einzurichten. Sinnvoll als Einstiegslösung oder für Shops unter 50.000 €/Monat.

Datenschutz und Datenhaltung

Empfehlungssysteme verarbeiten Klick- und Kaufverhalten, und damit personenbezogene Daten im Sinne der DSGVO. Das hat konkrete Konsequenzen:

Tracking-Einwilligung: Zwei Ebenen, die oft verwechselt werden. Wertest du die Kaufhistorie von Bestandskunden aus deinen eigenen Bestelldaten aus, kann berechtigtes Interesse nach Art. 6 Abs. 1 lit. f DSGVO tragen, mit Widerspruchsrecht nach Art. 21. Sobald das Empfehlungsskript im Browser Cookies setzt, Kennungen im Local Storage ablegt oder sie ausliest, brauchst du nach § 25 TDDDG vorher eine Einwilligung, und zwar bei Stammkunden genauso wie bei anonymen Besuchern. Ohne Einwilligung bleiben nur Empfehlungen ohne Gerätezugriff, etwa rein produktbasierte.

AVV mit dem Tool-Anbieter: Wer Kundendaten an Nosto, Clerk.io oder Recombee weitergibt, muss einen Auftragsverarbeitungsvertrag (AVV) abschließen. Alle genannten Anbieter stellen AVV-Vorlagen bereit, aktiv anfordern, nicht vergessen.

Datenhaltung: Nosto und Clerk.io bieten EU-Datenhaltung. Recombee hat Server in der EU. Bei US-basierten Alternativangeboten gilt das Privacy-Shield-Nachfolgeabkommen (Data Privacy Framework) als Transferbasis, im Zweifelsfall Datenschutzbeauftragten fragen.

EU AI Act: Anhang III der KI-Verordnung zählt die Hochrisiko-Bereiche abschließend auf, Produktempfehlungen im Shop stehen dort nicht. Hochrisiko-Pflichten treffen dich damit nicht. Was unabhängig davon gilt: Art. 4 verlangt seit dem 2. Februar 2025, die KI-Kompetenz des eigenen Personals zu unterstützen, und Art. 50 Abs. 1 seit dem 2. August 2026, dass eine Person erfährt, wenn sie direkt mit einem KI-System interagiert, etwa mit einem Beratungs-Chatbot neben der Empfehlungsleiste. Freiwillige Transparenz über die Empfehlungslogik stärkt zusätzlich das Kundenvertrauen.

Was es kostet, realistisch gerechnet

Einstieg (Plattformintegrierte Lösung):

• Kosten: 0 bis 200 €/Monat (in Shop-System inkludiert oder günstige Basisoptionen)
• Integration: 2–4 Stunden
• Ergebnis: deutlich besser als keine Empfehlungen, aber kein vollständiges ML-System

Spezialisierte Empfehlungsplattform:

• Kosten: je nach Anbieter und Volumen. Recombee Standard 99 US-Dollar im Monat, Clerk.io ab rund 119 US-Dollar je Modul, Nosto laut Marktbeobachtung ab etwa 500 Euro
• Integrationsaufwand: 8–20 Stunden (JavaScript-Integration, Daten-Mapping, Widget-Gestaltung)
• Erster Uplift sichtbar: nach 4–8 Wochen

ROI-Rechnung am Beispiel: Shop mit 300.000 €/Monat Umsatz, aktuell 3 % Empfehlungsanteil (9.000 €/Monat). Ziel: 8 %, also 24.000 €/Monat über Empfehlungen, 15.000 € mehr als heute. Das ist die Zahl, die Anbieter gern zeigen, und sie ist aus zwei Gründen zu hoch gegriffen:

• Nicht alles ist Mehrumsatz. Ein Teil dieser Käufe wäre ohne Widget über Suche oder Navigation passiert. Annahme: die Hälfte ist echt zusätzlich, also 7.500 €/Monat. Den wahren Anteil zeigt nur die Kontrollgruppe.
• Umsatz ist nicht Ertrag. Bei angenommenen 25 % Deckungsbeitrag nach Wareneinsatz, Versand, Zahlungsgebühren und Retouren bleiben 1.875 €/Monat (7.500 mal 25 %).

Abzüglich der Plattformkosten von 500 €/Monat bleiben rund 1.375 €/Monat. Die Einrichtung (25 Stunden à 80 €, also 2.000 €) ist damit nach knapp anderthalb Monaten Vollbetrieb zurück (2.000 geteilt durch 1.375), dazu kommen die vier bis acht Wochen Lernphase. Anders gesagt: Die Plattform trägt sich, sobald sie rund 2.000 € echten Mehrumsatz im Monat bringt (500 € Kosten geteilt durch 25 % Deckungsbeitrag). Setz deinen eigenen Deckungsbeitrag ein, in der Mode mit hohen Retourenquoten liegt er oft deutlich niedriger. Ob du die 8 % überhaupt erreichst, weißt du vorher nicht, Anbieter-Fallstudien zeigen die gelungenen Fälle.

Drei typische Einstiegsfehler

1. Zu früh messen. Nach zwei Wochen Betrieb sind die Zahlen noch nicht repräsentativ, der Algorithmus braucht 4–6 Wochen Klick- und Kaufdaten, bevor sein Ranking aussagekräftig ist. Wer nach 10 Tagen keinen signifikanten Uplift sieht und das Projekt abbricht, hat das System nie fair getestet.

2. Widget-Platzierung unterschätzen. Ein perfekter Algorithmus auf einer Seite, die kaum jemand sieht, bringt nichts. Die wichtigsten Platzierungen sind: Produktseite (direkte Kaufentscheidung), Warenkorb (letzte Ergänzungschance) und Checkout (Impulsprodukte unter einem Schwellenwert). Viele Shops setzen Empfehlungswidgets nur auf der Startseite, dort ist der Kaufimpuls am schwächsten.

3. Produktdaten nicht gepflegt. Empfehlungsalgorithmen sind nur so gut wie die Eingangsdaten. Ein typisches Beispiel: dasselbe Produkt trägt im Katalog drei verschiedene Größenangaben, „XL”, „x-large” und „extra-large”, und wird dadurch dreifach als unähnlich behandelt. Oder einer Kategorie fehlt komplett das Attribut „Zielgruppe”, weshalb Herrenprodukte Frauen empfohlen werden. Die erste Woche vor dem Launch sollte immer in eine Datenqualitätsprüfung fließen: Kategorien vollständig, Attribute konsistent, Preise aktuell.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Integration ist in der Regel unkomplizierter als erwartet, ein Script-Tag, ein Produktdaten-Feed, fertig. Die eigentliche Arbeit liegt danach:

A/B-Testing ist Pflicht, keine Option. Welches Widget-Design hat die höhere Klickrate? Wirken Empfehlungen besser unter dem Produktbild oder daneben? Ohne systematisches Testing optimierst du ins Dunkle.

Stammkunden reagieren anders als Neukunden. Für Stammkunden mit reichhaltiger Kaufhistorie liefert Collaborative Filtering die besten Ergebnisse. Für Neukunden ohne Daten ist Content-Based Filtering der einzige sinnvolle Weg. Gute Plattformen schalten automatisch zwischen beiden Methoden um, aber die Platzierungsstrategie sollte diese Unterscheidung berücksichtigen.

Veraltete Produktdaten bleiben ein Dauerproblem. Wenn Produkte aus dem Sortiment gehen, aber noch im Empfehlungsindex stehen, landen ausverkaufte Artikel in den Widgets. Das frustriert Kunden. Ein wöchentliches automatisches Feed-Update sollte zum Standardbetrieb gehören.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben zu wenige Kundendaten für einen Algorithmus.” Das Schwellenwertproblem ist real: Collaborative Filtering funktioniert erst ab etwa 5.000 Transaktionen pro Monat zuverlässig. Für kleinere Shops ist Content-Based Filtering die Alternative, es braucht keine Kaufdaten, nur gut strukturierte Produktattribute. Außerdem starten die Plattformen auch mit Regeln und schalten sukzessive auf ML um, sobald genug Daten vorhanden sind. Du musst nicht warten, bis du „groß genug” bist.

„Amazon macht das, gegen Amazon können wir eh nicht konkurrieren.” Das ist kein Argument gegen Personalisierung, sondern für sie. Amazon hat die Erwartungshaltung der Konsumenten geprägt: relevante Empfehlungen sind Standard, keine Ausnahme. Wer diesen Standard nicht erfüllt, verliert Kunden an Plattformen, die ihn erfüllen.

Woran du merkst, dass das zu dir passt

• Dein Shop hat mehr als 300 Produkte und du siehst, dass Kunden selten über die erste Produktkategorie hinaus kaufen
• Deine Klickrate auf bestehende Empfehlungswidgets liegt unter 2 %, das ist ein klares Signal für mangelnde Relevanz
• Du hast mindestens 3.000 bis 5.000 Transaktionen pro Monat, darunter empfiehlt sich zuerst Content-Based Filtering

Wann es nicht passt:

• Weniger als 200 Produkte im Sortiment, zu klein für sinnvolle Muster
• Weniger als 100 Transaktionen pro Monat, Investition in Personalisierungsinfrastruktur rechnet sich nicht
• Einseitige Produktpalette ohne Cross-Sell-Potenzial (z. B. Spezialmaschinen, Einzelkomponenten ohne Zubehör)

Das kannst du heute noch tun

Analysiere deinen aktuellen Empfehlungsanteil in Google Analytics: Wie viel Umsatz kommt über Klicks auf deine bestehenden Empfehlungswidgets? Liegt er unter 5 %, hast du ein konkretes Optimierungspotenzial.

Danach: Vereinbare einen kostenlosen Demo-Call bei Clerk.io oder Recombee, beide Anbieter zeigen dir, wie ihre Engine auf deinem Produktkatalog arbeitet, bevor du irgendetwas kaufst.

Quellen & Methodik

• Nosto, Clerk.io, Recombee: Preise und Datenhaltung laut unseren Toolseiten (Stand Juni 2026). Nosto veröffentlicht keine Preise, die Spanne dort ist Marktbeobachtung. Klick- und Anteilswerte in der Vergleichstabelle stammen aus Anbietermaterial.
• § 25 TDDDG und Art. 6, 21 DSGVO: Einwilligung für Zugriffe auf das Endgerät, berechtigtes Interesse und Widerspruchsrecht bei Profiling.
• Annahmen dieser Seite: Der Anteil echten Mehrumsatzes (die Hälfte) und der Deckungsbeitrag (25 %) im Rechenbeispiel sind Annahmen, keine Messung. Setz deine eigenen Werte ein und miss den Effekt mit einer Kontrollgruppe.