KI-gestütztes Upselling und Cross-Selling

Das echte Ausmaß des Problems

Cross-Selling und Upselling sind die günstigsten Umsatz-Hebel im E-Commerce: Der Kunde ist bereits im Shop, hat Kaufabsicht bewiesen, und das einzige, was fehlt, ist die richtige Empfehlung zur richtigen Zeit.

Der Status quo in den meisten Shops: Statische “Wird oft zusammen gekauft”-Listen, die einmalig konfiguriert werden und für alle Kunden gleich aussehen, unabhängig von Kaufhistorie, aktuellem Kontext oder Preissegment. Das Ergebnis ist Empfehlungsrauschen statt Relevanz.

Die oft zitierte Zahl, 35 Prozent des Amazon-Umsatzes stammten aus Empfehlungen, ist keine Angabe von Amazon, und eine überprüfbare Primärquelle dafür haben wir nicht gefunden. Wie viel Umsatz in deinem Shop über Empfehlungen läuft, zeigt dir Analytics. Ist der Anteil niedrig, liegt das selten daran, dass Kunden keine Ergänzungsprodukte kaufen würden, meist daran, dass die Empfehlungen nicht relevant genug sind.

Der Unterschied zwischen statischen und Machine Learning-basierten Empfehlungen:

• Statisch: “Speicherkarte kaufen alle, die eine Kamera kaufen.”
• ML-basiert: “Tom hat drei Mal das 50mm Objektiv angesehen, hat einen Fotokurs-Link gecheckt, besitzt bereits eine Speicherkarte. Die relevanteste Empfehlung für ihn ist das Objektiv.”

Belastbare, unabhängig geprüfte Zahlen zum Effekt von KI-Empfehlungen im deutschen Handel gibt es kaum, Fallstudien stammen fast immer vom Anbieter selbst. Für dich zählt deshalb nur ein Test mit Kontrollgruppe im eigenen Shop.

Mit vs. ohne KI, ein ehrlicher Vergleich

Klickraten und Conversion-Werte sind Größenordnungen aus Anbietermaterial, keine unabhängige Messung. Deine eigenen Werte liefert ein A/B-Test.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Nach dem Setup läuft das Empfehlungsmodell vollautomatisch, kein manuelles Widget-Management mehr, keine regelmäßige Aktualisierung von Produktpaarungen. Das spart dem Merchandising-Team erhebliche Zeit, besonders bei wachsenden Sortimenten.

Kosteneinsparung, mittel (3/5) Mehr Umsatz ohne mehr Marketingkosten ist eine attraktive Kostenstruktur. Die Wirkungskette ist direkt: bessere Empfehlung, höherer Klick, höhere Conversion, höherer Warenkorb. Bei einem Shop mit 2 Millionen Euro Jahresumsatz und 20 % größerem Warenkorb bei 10 % der Kunden entstehen 40.000 Euro Mehrumsatz, als Ertrag bei 25 % Deckungsbeitrag 10.000 Euro. Das trägt ein günstiges Tool, eine Plattform für 500 bis 1.000 Euro im Monat kaum.

Schnelle Umsetzung, mittel (3/5) Basis-Empfehlungswidgets sind in wenigen Tagen integriert. Das ML-Modell braucht 6–8 Wochen Daten-Lernphase, bevor es relevante personalisierte Empfehlungen liefert. Für Shops, die gerade erst starten, braucht das Collaborative-Filtering-Modell deutlich mehr Kaufdaten, als die meisten kleinen Shops haben (siehe Personalisierte Produktempfehlungen). Darunter tragen produkt- und sessionbasierte Empfehlungen.

ROI-Sicherheit, hoch (4/5) Der Durchschnittswarenkorb ist direkt messbar, die Attribution ist klar. Einziger Vorbehalt: Der Unterschied zwischen dem Empfehlungsmodell und organischen Cross-Sells (Kunden, die von selbst gefunden hätten was sie brauchen) ist nicht immer klar trennbar. Ein sauberer A/B-Test (Widget an vs. aus) für eine Testperiode löst das Problem.

Skalierbarkeit, sehr hoch (5/5) Das Modell wächst mit Sortiment und Kundenbasis ohne proportionalen Mehraufwand. Je mehr Daten, desto besser die Empfehlungen.

Richtwerte, stark abhängig von Sortimentsgröße, Kauffrequenz und Komplementarität der Produkte.

Was das System konkret macht

KI-gestützte Empfehlungssysteme kombinieren mehrere Signalquellen:

Collaborative Filtering: “Kunden, die Produkt A gekauft haben, kauften auch Produkt B.” Das ist das bekannteste Modell, es funktioniert gut, wenn genug Kaufdaten vorhanden sind.

Content-Based Filtering: Produktattribute werden verglichen. Eine Kamera der Mittelklasse bekommt Empfehlungen für Objektive, die kompatibel sind und im gleichen Preissegment liegen, auch wenn noch niemand diese Kombination gekauft hat.

Context-Aware Recommendations: Was ist gerade im Warenkorb? Was wurde in dieser Session angesehen? Das System reagiert in Echtzeit auf den aktuellen Kontext, nicht nur auf die Kaufhistorie.

Session-Behavior: Mehrfache Produktseiten-Besuche signalisieren Interesse ohne Kauf. Das Modell interpretiert: “Tom hat dreimal das Objektiv angesehen, höchste Priorität für Cross-Sell.”

Platzierungen: Empfehlungen werden an verschiedenen Stellen eingeblendet, auf der Produktseite (“Wird oft zusammen gekauft”), im Warenkorb (“Andere kauften auch”), nach dem Kauf (“Ergänze dein Set”), in E-Mails nach dem Kauf (“Passend zu deinem Kauf”). Jede Platzierung hat eine andere Konversionsrate und einen anderen optimalen Empfehlungstyp.

Konkrete Werkzeuge

Nosto , E-Commerce-Personalisierungsplattform mit starken Empfehlungs- und Cross-Selling-Features. Shopify, WooCommerce und Magento native Integration. Kombiniert Empfehlungen, A/B Testing und Personalisierung in einer Plattform. Keine öffentlichen Preise, laut Marktbeobachtung ab etwa 500 bis 1.000 Euro im Monat. Empfehlenswert erst, wenn der Mehrertrag das sicher trägt.

Barilliance , Spezialisiert auf Echtzeit-Personalisierung und Empfehlungen mit starker Warenkorbabbruch-Integration. Kann Cross-Selling und Upselling-Empfehlungen mit Warenkorbabbruch-Prävention kombinieren. Ab 250 US-Dollar im Monat je Modul, die volle Palette laut unserer Toolseite eher 750 bis 1.500 US-Dollar.

Clerk.io , Integriert Suche, Empfehlungen und E-Mail-Personalisierung. Stärker als reine Empfehlungstools, wenn Suche und Cross-Selling aus einer Datenbasis kommen sollen. Keine festen Listenpreise, ab rund 119 US-Dollar im Monat je Modul.

Recombee , API-basierte Empfehlungsplattform mit starker ML-Engine. Flexibel einsetzbar, für Produktempfehlungen, aber auch für Inhaltsempfehlungen. Gut für technisch aufgestellte Teams, die volle Kontrolle über die Empfehlungslogik wollen. Kostenlos bis 100.000 Anfragen im Monat, Standard 99 US-Dollar im Monat.

Shopify-eigene Empfehlungen, Shopify bringt kostenlose Basisempfehlungen mit (“Related Products”). Begrenzt: Keine tiefe Personalisierung, keine A/B-Tests, keine E-Mail-Integration. Ausreichend für kleine Shops als Einstieg.

Zusammenfassung: Wann welcher Ansatz

• Einstieg, kleiner Shop → Shopify Native Empfehlungen
• Suche + Empfehlungen aus einer Plattform → Clerk.io
• Empfehlungen + A/B Testing + Personalisierung → Nosto
• Echtzeit-Empfehlungen + Warenkorbabbruch → Barilliance
• API-Kontrolle, eigenes Tech-Team → Recombee

Datenschutz und Datenhaltung

Empfehlungssysteme verarbeiten Kaufhistorie und Session-Verhalten, beides ist DSGVO-relevant:

• Cookie-Consent: Session-Tracking für Empfehlungen erfordert eine Einwilligung nach § 25 TDDDG. Ohne Consent werden Empfehlungen degradiert (nur produktbasiert, keine Personalisierung).
• Profiling: ML-basierte Empfehlungen auf Basis von Kundendaten sind Profiling nach Art. 4 DSGVO, muss in der Datenschutzerklärung transparent kommuniziert werden.
• AVV: Alle genannten Tools (Nosto, Barilliance, Clerk.io, Recombee) erfordern einen AVV nach Art. 28 DSGVO. Nosto bietet EU-Datenhaltung an.
• EU AI Act und Empfehlungssysteme: Die KI-Verordnung zählt Empfehlungssysteme im Shop nicht zu den Hochrisiko-Bereichen. Die Transparenzpflicht für Empfehlungssysteme steht in Art. 27 des Digital Services Act und trifft Online-Plattformen wie Marktplätze, nicht den Shop, der nur eigene Ware verkauft; Kleinst- und Kleinunternehmen sind ausgenommen (Art. 19 DSA). Sehr große Plattformen müssen zusätzlich eine Option ohne Profiling anbieten (Art. 38 DSA).

Was es kostet, realistisch gerechnet

Einstieg (Shopify Native oder Clerk.io Basis)

• Toolkosten: 0–200 Euro/Monat
• Setup: 1–2 Wochen
• Ergebnis: produktbasierte Empfehlungen ohne tiefe Personalisierung, den Warenkorb-Effekt misst du selbst

Ausgebaut (Nosto oder Barilliance)

• Toolkosten: Barilliance ab 250 US-Dollar je Modul, Nosto laut Marktbeobachtung ab etwa 500 Euro im Monat
• Lernphase: 6–8 Wochen für ML-Personalisierung
• Ergebnis: personalisierte Empfehlungen auf allen Kanälen, den Effekt misst du mit einer Kontrollgruppe

ROI-Beispiel: Shop mit 2 Mio. € Jahresumsatz, aktueller Durchschnittswarenkorb 65 €, 30.000 Bestellungen/Jahr. Annahme, keine Messung: KI-Empfehlungen erhöhen bei 10 % der Bestellungen den Warenkorb um 15 Euro (Zusatzprodukt). Effekt: 3.000 Bestellungen mal 15 € = 45.000 Euro Mehrumsatz/Jahr, gut 2 % des Umsatzes. Bei angenommenen 25 % Deckungsbeitrag nach Wareneinsatz, Versand, Zahlungsgebühren und Retouren bleiben rund 11.250 Euro.

Mit Clerk.io für ein Modul (ab rund 119 US-Dollar im Monat) bleibt der größte Teil davon übrig. Mit Nosto (laut Marktbeobachtung 12 mal 500 bis 1.000 Euro im Jahr) bleibt wenig bis nichts. Ob die 15 Euro Warenwert bei 10 % der Bestellungen dazukommen, zeigt nur eine Kontrollgruppe, ein Teil der Zusatzkäufe wäre auch ohne Widget passiert. Bei Shops mit teurem Zubehör ist der Effekt größer, bei Einzelstücken kleiner.

Wer die Empfehlungsplattform schon für Personalisierte Produktempfehlungen eingeführt hat, zählt denselben Mehrumsatz nicht zweimal: Es ist dieselbe Plattform und derselbe Warenkorb.

Vier typische Einstiegsfehler

Fehler 1, Zu viele Empfehlungen an zu vielen Stellen Wenn auf jeder Seite 10–15 Produkte empfohlen werden, verlieren Empfehlungen ihre Wirkung durch Überfülle. Weniger ist mehr: Ein gut platziertes 3-Produkte-Widget auf der Produktseite und ein 4-Produkte-Widget im Warenkorb konvertieren besser als fünf verschiedene Widgets auf derselben Seite. Kunden sollen geführt werden, nicht überwältigt.

Fehler 2, Empfehlungen nicht kontextuell prüfen Wenn das Modell bei einer Stehlampe ein Ersatzleuchtmittel empfiehlt, das mit der Lampe inkompatibel ist, entstehen Retouren und Kundenfrustration. Regelmäßige manuelle Überprüfung der wichtigsten Empfehlungspaare, besonders nach Sortimentsänderungen, ist keine Kür, sondern Qualitätssicherung.

Fehler 3, Upselling beim falschen Preissegment Einem Kunden, der das günstigste Modell einer Kategorie kauft, ein Produkt zu empfehlen, das dreimal so teuer ist, führt selten zum Zusatzkauf. Effektives Upselling arbeitet mit Preisstufen: Das nächste Modell aufwärts, etwa 20 bis 30 % teurer, hat in der Regel bessere Chancen als das Premium-Modell. Das Modell muss auf Preissegment-Kongruenz kalibriert sein.

Fehler 4, Empfehlungspaare nach dem Launch nicht mehr überprüfen Das Modell optimiert automatisch, aber es lernt auf historischen Kaufdaten. Wenn Produkte ausgelistet werden, Zubehör inkompatibel geworden ist oder saisonale Sortimentswechsel stattfinden, empfiehlt das Modell Kombinationen, die nicht mehr stimmen. Regelmäßige Stichproben der wichtigsten Empfehlungspaare, besonders nach größeren Sortimentsänderungen, verhindern, dass Kunden mit veralteten oder irrelevanten Vorschlägen frustriert werden.

Was mit der Einführung wirklich passiert, und was nicht

Die ersten Wochen nach der Implementierung sind oft enttäuschend, nicht weil das System schlecht ist, sondern weil das ML-Modell noch lernt. Collaborative Filtering braucht ausreichend Kaufdaten, um verlässliche Empfehlungen zu liefern. In den ersten 4–6 Wochen sind die Empfehlungen ähnlich wie manuelle Konfiguration, der Unterschied wird in Woche 8 und danach sichtbar.

Das häufigste Feedback aus dem Merchandising-Team: “Das Modell empfiehlt manchmal komische Kombinationen.” Das ist oft ein Signal dafür, dass das Modell einen echten Kaufzusammenhang entdeckt hat, den das Team intuitiv nicht erwartet hat. Bevor eine “komische” Empfehlung deaktiviert wird: Prüfen ob sie kaufhistorisch belegt ist. Oft ist sie es.

Aus dem Marketing kommt manchmal die Frage: “Können wir bestimmte Produkte pushen, egal was das Modell sagt?” Ja, aber mit Bedacht. Manuelle Override-Listen für Aktionsprodukte sind sinnvoll, sollten aber die ML-Logik ergänzen, nicht ersetzen. Teste gesponserte gegen reine ML-Empfehlungen, bevor du die Override-Liste ausweitest.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Amazon und Zalando machen das, das ist nichts für uns.” Amazon hat das Konzept erfunden, aber die Technologie ist seit Jahren als SaaS verfügbar, für Shops jeder Größe. Nosto oder Barilliance bieten vergleichbare Empfehlungslogik zu Budgets, die auch für mittelgroße Shops tragbar sein können, wenn der Mehrertrag sie trägt. Die Frage ist nicht ob der Shop groß genug ist, sondern ob der Warenkorb groß genug für den ROI ist.

„Unsere Kunden kaufen immer nur genau das, was sie suchen.” Das stimmt für Commodity-Produkte. Für alles, was Ergänzungsprodukte, Zubehör oder Upgrade-Alternativen hat, also die meisten Sortimente, gibt es ungenutzte Cross-Selling-Potenziale. Der Test ist einfach: Aktiviere für einen Monat manuelle Empfehlungs-Widgets auf deinen meistverkauften Produkten und schau, ob die Click-Through-Rate über Null liegt.

„Das fühlt sich für Kunden aufdringlich an.” Irrelevante Empfehlungen fühlen sich aufdringlich an. Relevante Empfehlungen werden als hilfreich empfunden. Der Unterschied liegt in der Qualität des Modells. Wenn nach dem Kauf einer Wanderjacke Wandersocken empfohlen werden, die der Kunde noch nicht hat, ist das kein Spam, das ist ein nützlicher Hinweis.

Woran du merkst, dass das zu dir passt

Das passt zu dir, wenn:

• Dein Sortiment hat natürliche Ergänzungsprodukte (Zubehör, Sets, Komplementärprodukte)
• Dein durchschnittlicher Warenkorb liegt deutlich unter dem Wert typischer Produktsets in deinem Sortiment
• Du bereits Shopify oder eine andere Plattform mit Empfehlungs-Plugin-Support nutzt
• Du mehr als 500 Bestellungen/Monat hast; für personalisiertes Collaborative Filtering braucht es deutlich mehr, darunter arbeiten die Tools mit Produktattributen und Session-Verhalten

Das passt noch nicht zu dir, wenn:

• Dein Sortiment hat weniger als 100 Produkte, kaum Empfehlungspotenzial
• Die Produkte sind nicht komplementär (z. B. jedes Produkt ist ein Einzelstück ohne natürliches Zubehör)
• Du weniger als 200 Bestellungen/Monat hast, das Modell hat keine Grundlage für Collaborative Filtering

Das kannst du heute noch tun

Aktiviere in Shopify die nativen “Related Products”-Empfehlungen, kostenlos, in 10 Minuten aktiv. Beobachte 4 Wochen die Click-Through-Rate auf diese Widgets. Liegt sie deutlich über null, kaufen deine Kunden Ergänzungen. Ob ein ML-System mehr herausholt als das native Tool, zeigt erst ein Test der beiden gegeneinander.

Quellen & Methodik

• Tool-Preise und Datenhaltung: laut unseren Toolseiten zu Nosto, Barilliance, Clerk.io und Recombee (Stand Juni 2026). Nosto veröffentlicht keine Preise, die Spanne ist Marktbeobachtung.
• Digital Services Act (Verordnung (EU) 2022/2065), Art. 19, 27, 38; § 25 TDDDG: Transparenz von Empfehlungssystemen auf Online-Plattformen, Ausnahme für Kleinst- und Kleinunternehmen, Einwilligung für Session-Tracking.
• Annahmen dieser Seite: 15 Euro Zusatzprodukt bei 10 % der Bestellungen und 25 % Deckungsbeitrag im Rechenbeispiel sind Annahmen, keine Messung. Klick- und Conversion-Werte in der Tabelle stammen aus Anbietermaterial.