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.

Laut McKinsey (2022) stammen 35 % des Umsatzes von Amazon aus dem Empfehlungsalgorithmus. Im deutschen Mittelstand liegt dieser Anteil bei 5–10 % — nicht weil die Kunden keine Ergänzungsprodukte kaufen würden, sondern weil 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.”

Konkrete Zahlen aus der Praxis: Otto Deutschland konnte den durchschnittlichen Bestellwert durch KI-gestützte Produktempfehlungen um 32 % steigern, mit einer Konversionssteigerung von 24 % bei empfohlenen Produkten. Das sind keine hypothetischen Werte — das sind dokumentierte Ergebnisse.

Mit vs. ohne KI — ein ehrlicher Vergleich

Klickraten und Conversion-Werte sind Schätzwerte aus Praxisberichten — je nach Sortiment und Zielgruppe variabel.

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 — hoch (4/5) Mehr Umsatz ohne mehr Marketingkosten ist die attraktivste Kostenstruktur im E-Commerce. Die Wirkungskette ist direkt: bessere Empfehlung → höherer Klick → höhere Conversion → höherer Warenkorb. Bei einem Shop mit 2 Millionen Euro Jahresumsatz und 20 % Steigerung des Durchschnittswarenkorbs bei 10 % der Kunden entstehen 40.000 Euro Mehrumsatz.

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 ausreichend Kaufdaten — unter 500 Bestellungen im Monat ist die Datenbasis dünn.

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. Das ist der Use Case, der von Wachstum am meisten profitiert.

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. Ab ca. 400 Euro/Monat. Empfehlenswert für Shops ab 500 Bestellungen/Monat.

Barilliance — Spezialisiert auf Echtzeit-Personalisierung und Empfehlungen mit starker Warenkorbabbruch-Integration. Kann Cross-Selling und Upselling-Empfehlungen mit Warenkorbabbruch-Prävention kombinieren. Ab ca. 250 Euro/Monat.

Clerk.io — Integriert Suche, Empfehlungen und E-Mail-Personalisierung. Stärker als reine Empfehlungstools, wenn Suche und Cross-Selling aus einer Datenbasis kommen sollen. Ab ca. 200 Euro/Monat.

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. Ab ca. 50 Euro/Monat für kleinere Volumina.

Shopify-eigene Empfehlungen — Shopify hat seit 2023 native KI-Produktempfehlungen (“Related Products”) eingebaut. Kostenlos, aber 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 Einwilligung. 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: Recommender-Systeme, die Konsumverhalten steuern, fallen unter Art. 27 EU AI Act (Transparenzpflicht). Betreiber sehr großer Online-Plattformen (nicht relevant für KMU) haben erweiterte Pflichten.

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; +5–10 % Warenkorb-Uplift

Ausgebaut (Nosto oder Barilliance)

• Toolkosten: 250–600 Euro/Monat
• Lernphase: 6–8 Wochen für ML-Personalisierung
• Ergebnis: +15–25 % Warenkorb-Uplift, personalisierte Empfehlungen auf allen Kanälen

ROI-Beispiel (konservativ): Shop mit 2 Mio. € Jahresumsatz, aktueller Durchschnittswarenkorb 65 €, 30.000 Bestellungen/Jahr. KI-Empfehlungen erhöhen bei 10 % der Bestellungen den Warenkorb um 15 Euro (Zusatzprodukt). Effekt: 3.000 Bestellungen × 15 € = 45.000 Euro Mehrumsatz/Jahr. Bei Toolkosten von 3.000–7.200 Euro/Jahr: Netto-Effekt sehr positiv.

Bei höheren Warenkorb-Uplift-Raten (20–25 %) oder bei Shops mit höheren Durchschnittswarenkorb (>200 €) ist der Effekt deutlich stärker.

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 (20–30 % teurer) hat eine deutlich höhere Konversionrate 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. Ein Widget mit 5 gesponserten Produkten und 3 ML-Empfehlungen konvertiert schlechter als 8 ML-Empfehlungen.

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 dieselbe ML-Logik zu Budgets, die auch für mittelgroße Shops tragbar sind. 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 — genug für ML-Modell-Training

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. Wenn sie über 3 % liegt, gibt es echtes Empfehlungspotenzial in deinem Sortiment — und ein ML-System wird es deutlich besser ausschöpfen als das native Tool.

Quellen & Methodik

• McKinsey (2022): 35 % des Amazon-Umsatzes durch Empfehlungsalgorithmus — regelmäßig zitierte Analyse der Relevanz von Recommendation Engines
• Otto Deutschland (2024): 32 % Warenkorb-Steigerung durch KI-gestützte Produktempfehlungen — öffentlich kommuniziertes Unternehmensergebnis
• Kauz.ai / Qualimero (2024): Cross-Selling-ROI-Benchmarks aus deutschen E-Commerce-Projekten
• Eigene Einschätzungen: Conversion-Raten, Warenkorb-Uplift und Implementierungszeiträume basieren auf Branchenmittelwerten — keine repräsentative Studie