Personalisierte Produktempfehlungen für Tierhandlungen automatisieren

Das echte Ausmaß des Problems

Der unabhängige Zoofachhandel in Deutschland steht unter echtem Druck. Fressnapf betreibt über 2.100 Standorte in 14 europäischen Ländern, zooplus dominiert den Online-Markt. 36 Prozent aller Tierbesitzer kaufen Futter bereits online — und der Preisunterschied ist nicht der einzige Treiber.

Was unabhängige Tierhandlungen unterscheidet, ist Beratungsqualität. Aber Beratungsqualität ist personengebunden: Sie steckt in den Köpfen von Inhaberinnen wie Annika, nicht im System. Sobald eine Aushilfe an der Kasse steht oder eine Stammkundin an einem Tag kommt, an dem die Inhaberin gerade beim Großhandel ist, verpufft dieser Vorteil.

Das Problem lässt sich in Zahlen fassen:

• 300 bis 600 Stammkunden hat eine typische Tierhandlung mit einer bis zwei Filialen. Mit ihren Tieren, ihren Gewohnheiten und ihren Bedürfnissen.
• Nur 10–15 davon kennt eine Mitarbeitende auf Anhieb beim Namen und Tier, wenn sie drei Monate im Betrieb ist.
• Personalisierte Empfehlungen erhöhen den Warenkorbwert laut McKinsey um durchschnittlich 10–30 Prozent bei Händlern, die sie systematisch einsetzen — und das auf einer Kundenbasis, die ohnehin kaufbereit ist.
• 26 Prozent des E-Commerce-Umsatzes entsteht durch Produktempfehlungen, obwohl nur 7 Prozent der Shopperinnen und Shopper sie anklicken (Salesforce Shopping Index). Das Verhältnis ist unverhältnismäßig positiv, weil empfohlene Produkte besser passen.

Das Problem liegt nicht im Sortiment und nicht im Preis. Es liegt darin, dass das Wissen über Kunden und ihre Tiere nicht strukturiert verfügbar ist — und daher auch nicht genutzt werden kann, wenn es darauf ankommt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der entscheidende Unterschied: Das Wissen liegt in der Struktur, nicht in einzelnen Köpfen. Wer geht, nimmt sein Wissen nicht mit. Was im System steht, bleibt.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Die Zeitersparnis ist real, aber moderat. Eine Mitarbeitende, die auf Knopfdruck die letzten drei Käufe einer Stammkundin und eine Empfehlung auf dem Display sieht, spart 2–4 Minuten pro Beratungsgespräch. Multipliziert mit 30–50 Kundenkontakten täglich ist das spürbar — aber nicht so dramatisch wie etwa das automatische Versenden von Terminerinnerungen, das ganze Arbeitsschritte eliminiert. Hier wird Arbeit besser, nicht überflüssig.

Kosteneinsparung — hoch (4/5)
Der Hebel liegt nicht bei eingesparten Kosten, sondern bei zusätzlichem Umsatz: Ein um 15 Prozent höherer durchschnittlicher Warenkorbwert bei 80 täglichen Transaktionen macht einen deutlichen Unterschied im Monatsergebnis. Dazu kommt die Möglichkeit, Überbestand durch gezielte Abverkaufsempfehlungen an passende Kundensegmente zu reduzieren, bevor der Händler auf Rabattaktionen angewiesen ist.

Schnelle Umsetzung — mittel (3/5)
Wer seinen Kassendatenbestand sauber exportieren kann, hat nach sechs bis zehn Wochen die ersten personalisierten E-Mails am Laufen. Der Zeitplan ist handhabbar — aber es gibt eine echte technische Hürde: Die POS-Integration. Nicht jedes Kassensystem exportiert Kaufhistorien sauber pro Kundin, und wer kein Kundenbindungsprogramm betreibt, hat überhaupt keine Datenbasis. Die Einstiegsschwelle ist höher als bei reinen Content-Tools wie Social-Media-Content-Generierung.

ROI-Sicherheit — mittel (3/5)
Der Warenkorbeffekt lässt sich messen — A/B-vergleichbar, wenn man Wochendurchschnitte vor und nach der Einführung vergleicht. Aber der Nutzen ist direkt abhängig von der Datenlage: Mit 500 aktiven Treuekunden und 12 Monaten sauberer Kaufhistorie sind die Empfehlungen präzise. Mit 150 Kunden und drei Monaten Daten sind sie generisch — und generische Empfehlungen kennt das Personal bereits auswendig. Die ROI-Sicherheit ist an die Datenqualität gekoppelt.

Skalierbarkeit — hoch (4/5)
Ein zweiter Standort bedeutet doppelte Kundendaten und damit bessere Empfehlungen — nicht doppelten Aufwand. Der Betrieb läuft parallel, die Datenbasis wächst. Wer ein Online-Bestellsystem dazuhängt, verdoppelt die Datenpunkte je Kundin nochmals. Das ist der strukturelle Vorteil dieser Lösung: Sie wird mit Wachstum besser, nicht teurer.

Richtwerte — stark abhängig von vorhandenem Kassensystem, Kundenbindungsprogramm und Datenpflege.

Was das System konkret macht

Das Grundprinzip heißt Predictive Analytics. Im Fall einer Tierhandlung bedeutet das: Das System schaut sich die Kaufhistorie aller Stammkunden an und sucht nach Mustern.

Konkrete Muster, die es erkennt:

Produktaffinität: Kunden, die Schnauzenfutter von Marke X kaufen, kaufen in 62 Prozent der Fälle innerhalb von drei Einkäufen auch Leckerlis derselben Marke nach. Wer das Futter kauft, aber noch keine Leckerlis, bekommt eine Empfehlung.

Bestandslücken: Frau Bergmann kauft seit 14 Monaten Senior-Trockenfutter. In keinem ihrer 19 Einkäufe war ein Gelenk-Präparat dabei. Das System markiert sie als Kandidatin für eine gezielte Empfehlung.

Saisonalität: Im Oktober kaufen Kunden mit Hunden erfahrungsgemäß Zeckenprophylaxe. Wer im September noch keine hatte, bekommt eine Erinnerungsmail mit dem passenden Produkt — bevor die Saison rum ist und der Überbestand beginnt.

Kaufzyklus: Wer jeden Monat 6 kg Trockenfutter kauft und seit fünf Wochen nicht da war, bekommt eine freundliche Erinnerung per E-Mail. Nicht als Spam, sondern als Anstoß, den man gut platzieren kann.

Was das System nicht kann

Es ersetzt kein echtes Beratungsgespräch. Wenn eine Kundin mit einem neuen Hund hereinkommt und Futter für einen kranken acht Jahre alten Mischling sucht, braucht sie Fachgespräch, kein Algorithmus. Das System arbeitet auf der Ebene des bekannten Kundenverhaltens — nicht auf der Ebene neuer Situationen.

Es kann auch nicht mit fehlenden Daten umgehen. Wer keine verknüpften Kaufhistorien hat, bekommt keine personalisierten, sondern nur sortimentsbezogene Empfehlungen — was das Personal besser weiß als jede Software.

Kassensystem-Integration: Was KORONA, Lightspeed & Co. tatsächlich können

Hier steckt die eigentliche Arbeit. Die meisten unabhängigen Tierhandlungen nutzen eines von drei Systemen:

KORONA POS ist cloudbasiert und hat explizit einen Tier-Fachhandel-Modus. Es erlaubt Kundenstamm mit verknüpfter Kaufhistorie, Exportfunktionen nach CSV und erste KI-Funktionen für Lagerprognosen. Wichtig: Den Kundenprofilbereich aktiv nutzen — viele Inhaber arbeiten mit KORONA, ohne jemals eine Kundenkarte anzulegen. Das ist das erste, was geändert werden muss.

Lightspeed Retail hat KI-gestützte Inventar-Prognosen integriert und exportiert Kundentransaktionen in Standardformaten. Die Anbindung an E-Mail-Plattformen wie Brevo oder Klaviyo läuft über direkte API-Integrationen oder über Automatisierungstools wie Make.

Ältere Insellösungen — oft selbst aufgesetzt oder Jahrzehnte alt — sind das schwierigste Szenario. Wenn der Kassenbetrieb nicht cloudbasiert ist, hilft nur ein regelmäßiger manueller Export (täglich oder wöchentlich) als CSV, der dann anderweitig verarbeitet wird.

Was du vor jedem anderen Schritt prüfen solltest:

1. Kannst du aus deinem Kassensystem eine Datei exportieren, die zeigt: Kundenname/ID — Datum — Produkt — Menge — Betrag?
2. Sind in dieser Datei mindestens 30 Prozent der Transaktionen einer identifizierbaren Kundin oder einem Kunden zugeordnet (über Kundenkarte, Kundennummer oder E-Mail)?
3. Reicht die Kaufhistorie mindestens sechs Monate zurück?

Wenn alle drei Fragen mit Ja beantwortet werden, bist du bereit. Wenn eine davon mit Nein beantwortet wird, beginnt die Arbeit mit dem Kassensystem, nicht mit dem Empfehlungssystem.

Datenqualität als Voraussetzung

Das ist die wichtigste und am häufigsten unterschätzte Voraussetzung dieses Anwendungsfalls. Ohne ausreichende Datenqualität produziert das System keine personalisierten Empfehlungen — sondern allgemeine Bestsellerlisten, die jede Mitarbeitende im Schlaf kennt.

Minimalvoraussetzungen, die erfüllt sein müssen:

Was passiert, wenn die Daten nicht reichen?

Das System wird generisch. Statt “Frau Bergmann, wir empfehlen für Ihre Retriever-Hündin Luna folgende Gelenk-Produkte” kommt “Bestseller der Woche”. Das kann man auch ohne KI. Wer die Minimalvoraussetzungen nicht erfüllt, sollte erst das Kundenbindungsprogramm ausbauen — und dann erst das Empfehlungssystem einführen.

Das Cold-Start-Problem in der Praxis:

Jedes Empfehlungssystem leidet unter dem sogenannten Cold-Start-Problem: Bei zu wenig Daten gibt es keine Muster zu erkennen. Für eine Tierhandlung, die kein Kundenbindungsprogramm betreibt, bedeutet das: Die ersten sechs bis neun Monate nach der Einführung einer Kundenkarte sind Investitionszeit — man sammelt Daten, ohne viel zurückzubekommen. Das ist normal und sollte so eingeplant werden.

Konkrete Werkzeuge — was wann passt

Es gibt drei realistische Wege, die je nach technischem Setup und Budget passen:

Weg 1 — Der LLM-Assistent für Analyse und Empfehlung (Start ohne Integration)

Kein teures SaaS-Tool, kein Entwickler. Du exportierst einmal pro Woche die Kaufhistorie als CSV aus dem Kassensystem und lädst sie in ChatGPT oder Claude hoch. Dann stellst du gezielte Fragen:

• „Welche Kunden haben Gelenk-Nahrungsergänzungsmittel bisher nicht gekauft, obwohl sie Seniorfutter kaufen?”
• „Welche Produkte werden häufig zusammen in einer Saison gekauft?”
• „Wer hat länger als fünf Wochen nicht eingekauft?”

Das Ergebnis ist eine handlungsfertige Liste — keine echte Automatisierung, aber ein sehr guter Einstieg, der dir zeigt, ob das Konzept bei deiner Datenbasis funktioniert. Kosten: Praktisch null (ChatGPT Plus oder Claude Pro, 20 USD/Monat). Aufwand: 1–2 Stunden pro Woche.

Weg 2 — E-Mail-Automation mit personalisierten Produktempfehlungen

Du verbindest dein Kassensystem über Export und eine Automatisierungsroutine in Make mit Brevo. Brevo ist in Deutschland beliebt, weil es EU-Datenhaltung, deutschen Support und ein freundliches Preismodell hat. Die Verbindung erlaubt:

• Wöchentliche Segmentierung: Kunden mit Hunden über sieben Jahren → E-Mail zu Gelenkpflegeprodukten
• Wiederkauf-Erinnerungen: Kunden, die ihren üblichen Kaufrhythmus überschritten haben, erhalten eine sanfte Erinnerung
• Saisonale Empfehlungen: Zecken-, Floh- und Winterprodukte gezielt vor der Saison kommunizieren

Die Einrichtung dauert zwei bis vier Wochen und erfordert keine Programmierkenntnisse. Brevo kostet ab 7 Euro/Monat (Standard-Plan mit Marketing-Automatisierung: 15 Euro/Monat). Make ab 9 Euro/Monat. Gesamtaufwand laufend: 30–60 Minuten pro Woche für Inhaltspflege und Auswertung.

Weg 3 — Integrierte Empfehlungsplattform für Tierhandlungen mit Online-Präsenz

Wer neben dem stationären Laden auch einen Online-Shop betreibt (oder plant), kann mit Plattformen wie Clerk.io arbeiten. Clerk.io verbindet Produktdaten, Kaufhistorie und Suchverhalten und zeigt bei jedem Kundenkontakt im Online-Shop passende Empfehlungen an. DSGVO-freundlich (cookielose Personalisierung, EU-Datenhaltung, dänisches Unternehmen). Kosten: ab ca. 119 USD/Monat pro Modul.

Für rein stationäre Tierhandlungen ohne Online-Shop ist Clerk.io überdimensioniert — Weg 1 oder 2 ist dann der richtigere Start.

Zusammenfassung: Wann welcher Weg

• Kassensystem vorhanden, kein Kundenbindungsprogramm → Weg 1 zum Testen, gleichzeitig Kundenbindungsprogramm starten
• 200+ aktive Kundenkarten, Export möglich, kein Online-Shop → Weg 2 mit Brevo + Make
• Online-Shop vorhanden oder geplant → Weg 3 mit Clerk.io

DSGVO: Wenn Tierprofile entstehen

Hier gibt es eine Besonderheit, die viele unabhängige Tierhandlungen übersehen: Wenn du nicht nur Kaufhistorien, sondern auch Tierinformationen speicherst — Tierart, Rasse, Alter, Ernährungspräferenzen, Gesundheitszustand, Impfstatus — dann verarbeitest du zwar keine personenbezogenen Daten über das Tier selbst (Tiere sind keine Personen im Sinne der DSGVO), aber du verarbeitest zusätzliche Daten über die Halterin oder den Halter, die mit einer Person verknüpft sind.

Das hat drei praktische Konsequenzen:

1. Einwilligung oder berechtigtes Interesse?
Für eine Kundenkarte mit Kaufhistorie lässt sich häufig das berechtigte Interesse (Art. 6 Abs. 1 lit. f DSGVO) heranziehen — die Kundin kauft bei dir, du verbesserst ihren Einkauf. Sobald du aber ein Tierprofil aufbaust (Tierart, Gesundheitshinweise, Ernährungsempfindlichkeiten) und diese Daten für gezielte Marketingkommunikation nutzt, ist eine ausdrückliche Einwilligung der sicherere Weg. Die Einwilligung muss konkret sein: Was wird gespeichert, wofür wird es genutzt, wer hat Zugriff?

2. Einwilligung beim Anlegen der Kundenkarte einholen.
Der einfachste Weg: Beim Ausfüllen der Kundenkarte (physisch oder digital) eine Checkbox ergänzen: „Ich stimme zu, dass meine Kaufhistorie und Angaben zu meinem Tier gespeichert werden, um mir personalisierte Produktempfehlungen per E-Mail zu senden.” Wer sich dafür 30 Minuten Datenschutzberatung holt, ist auf der sicheren Seite — und kann danach ohne rechtliche Unsicherheit starten.

3. Auftragsverarbeitungsvertrag mit E-Mail-Dienstleister.
Sobald Kundendaten (inkl. E-Mail-Adressen und Kaufhistorie) an Brevo oder eine ähnliche Plattform übertragen werden, ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO Pflicht. Brevo stellt ihn im Self-Service-Portal bereit — aber du musst ihn aktiv anfordern und abschließen, bevor die ersten E-Mails rausgehen.

Brevo hostet Daten in der EU, was für deutsche Betreiber ein klarer Vorteil gegenüber US-basierten Diensten wie Mailchimp ist.

Was es kostet — realistisch gerechnet

Einmalige Kosten (Setup)

• Kassensystem-Export konfigurieren: 0–500 Euro (meist selbst machbar, oder einmalig IT-Support)
• Kundenbindungsprogramm anlegen/ausbauen: Kartendruckkosten, Datenbankpflege, 1–3 Tage interner Aufwand
• Datenschutzberatung für Einwilligungstext und AVV: 300–800 Euro (einmalig; lohnt sich)
• E-Mail-Template und erste Segmentierungs-Logik in Brevo einrichten: 2–4 Stunden Eigenaufwand oder 500–1.500 Euro für externe Unterstützung

Laufende Kosten (monatlich)

• Brevo Standard: 15 Euro/Monat (bis 20.000 E-Mails, Marketing-Automatisierung)
• Make (Automatisierung): 9–20 Euro/Monat je nach Workflow-Komplexität
• ChatGPT Plus (für die LLM-Analyse von Exportdaten): 20 USD/Monat — optional, nur in Phase 1 nötig
• Zeitaufwand: 1–2 Stunden pro Woche für Auswertung, Pflege und Anpassung

Gesamt: ca. 50–100 Euro/Monat laufend. Einmalige Einrichtungskosten im ersten Jahr: 1.000–3.000 Euro.

Wie du den Nutzen tatsächlich misst

Der direkteste Messwert: Warenkorbwert vor und nach der Einführung bei Stammkunden, die E-Mails öffnen und klicken, verglichen mit denen, die es nicht tun. Wer vier bis sechs Wochen wartet und dann diese Gruppen vergleicht, hat einen belastbaren Beleg — oder weiß, dass er nachbessern muss.

Konservative Rückrechnung:
80 Transaktionen täglich, 35 Prozent Stammkunden mit Kundenkarte, davon 20 Prozent durch Empfehlung zum Zusatzkauf bewogen: das sind etwa sechs Zusatzkäufe täglich. Bei einem durchschnittlichen Zusatzprodukt von zwölf Euro: 72 Euro Mehrwert täglich, also rund 2.200 Euro Mehrwert im Monat. Das sind Richtwerte, keine Garantie — aber die Größenordnung zeigt, warum selbst ein Bruchteil davon die Kosten rechtfertigt.

Drei typische Einstiegsfehler

1. Das Kundenbindungsprogramm als gegeben annehmen.
Viele Inhaber haben ein Kassensystem mit Kundenverwaltung — und nutzen sie kaum. Sie führen Transaktionen anonym durch oder legen Stammkunden nur sporadisch an. Das Ergebnis: 80–90 Prozent der Kaufdaten sind keiner Person zugeordnet. In diesem Fall ist das erste Projekt kein Empfehlungssystem, sondern ein Kundenkarten-Aufbauprojekt. Das dauert sechs bis zwölf Monate — und ist die Vorarbeit, ohne die nichts funktioniert.

2. Mit personalisierten E-Mails beginnen, bevor die Einwilligungen vorliegen.
Kaufhistorie-basierte E-Mails ohne klar dokumentierte Einwilligung sind ein DSGVO-Verstoß. Das passiert in der Praxis häufiger als man denkt — nicht aus Absicht, sondern weil die alten Kundenkarten-Formulare diese Art der Datenverarbeitung nicht abgedeckt haben. Bevor die erste Segmentierungs-Mail rausgeht, müssen die bestehenden Kundeneinwilligungen geprüft und ggf. neue eingeholt werden.

3. Das System einrichten und dann nicht pflegen.
Nach sechs Monaten sind viele der ursprünglichen Segmentierungsregeln veraltet: neue Produkte wurden ins Sortiment aufgenommen, alte herausgenommen, saisonale Empfehlungen aus dem Sommer sind noch aktiv. Eine E-Mail, die für ein Produkt wirbt, das nicht mehr vorrätig ist, ist schlimmer als keine E-Mail. Pflege bedeutet: Einmal monatlich die Empfehlungslogik und aktiven Segmente durchgehen und mit dem aktuellen Sortiment abgleichen.

4. Den Betrieb mit falschen Daten fortsetzen.
Das ist der gefährlichste Fehler — weil er still eskaliert. Wenn ein Kunde umgezogen ist, ein Tier gestorben ist oder sich die Ernährungssituation geändert hat und das System weiter alte Empfehlungen schickt, wirkt das nicht persönlich, sondern gleichgültig. Jede Stammkundin sollte einmal jährlich die Möglichkeit bekommen, ihr Profil zu aktualisieren — per kurzer E-Mail-Abfrage oder beim nächsten Besuch.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste. Die wirkliche Herausforderung liegt in der Datengrundlage und in der menschlichen Akzeptanz.

Was häufig unterschätzt wird:

Viele Stammkunden kommen in eine Tierhandlung, weil sie das persönliche Gespräch schätzen. Eine personalisierte E-Mail, die sich anfühlt wie Massenwerbung — gleiche Betreffzeile für alle, austauschbarer Inhalt — schadet eher als sie nützt. Der Unterschied zwischen “Frau Bergmann, für Luna könnten diese Gelenk-Leckerlis interessant sein — sie kaufen regelmäßig Senior-Trockenfutter” und “Unsere Gelenk-Produkte im Sale!” ist für die Empfängerin sofort spürbar.

Personalisierung funktioniert nur, wenn die Empfehlung tatsächlich passt. Das setzt saubere Daten voraus — und zwar für jede einzelne Kundin, nicht nur im Durchschnitt.

Was Mitarbeitende manchmal anders sehen:

“Das macht meine Beratung überflüssig.” — Das ist eine echte Sorge, die man ernst nehmen sollte. Die Antwort ist keine Überzeugung, sondern eine konkrete Demonstration: Das System zeigt, was die Kundin zuletzt gekauft hat, und macht einen Vorschlag. Die Mitarbeitende entscheidet, ob der Vorschlag passt, und wie sie ihn anspricht. Das System ersetzt nicht die Beratung — es gibt ihr eine strukturierte Grundlage.

Was konkret hilft:

• Den ersten Monat nur intern testen: Mitarbeitende nutzen die Kaufhistorie-Anzeige im System, aber noch keine automatisierten E-Mails
• Feedback von Stammkunden aktiv einholen, bevor das System skaliert
• Eine Stammkundin gezielt ansprechen: “Ich sehe, dass Sie regelmäßig X kaufen — haben Sie schon Y ausprobiert?” und beobachten, wie sie reagiert

Realistischer Zeitplan mit Risikohinweisen

Realistische Erwartung nach drei Monaten: Die E-Mails laufen, erste Warenkorbeffekte sind messbar, die größten Kalibrierungsprobleme sind bekannt. Wirklich gut werden die Empfehlungen erst nach zwölf Monaten Datenbasis.

Häufige Einwände — und was dahintersteckt

„Unsere Stammkunden wollen keine E-Mails.”
Die meisten Stammkunden wollen keine Werbe-E-Mails. Relevante Empfehlungen sind etwas anderes. Eine gut platzierte Erinnerung — “Ihr Trockenfutter müsste langsam leer sein” — ist ein Service, keine Werbung. Die Öffnungsrate gut segmentierter, kaufhistoriebasierter E-Mails liegt in vergleichbaren Segmenten deutlich über dem Branchendurchschnitt von 20–25 Prozent. Der Unterschied liegt in der Relevanz, nicht in der Häufigkeit.

„Wir kennen unsere Kunden persönlich — das brauchen wir nicht.”
Stimmt für die dreißig Stammkunden, die jeden Monat kommen und an der Kasse begrüßt werden. Stimmt nicht für die 200 Kunden, die alle sechs bis acht Wochen kommen, die Fressnapf vor der Haustür haben und bei jedem Besuch entscheiden, wo sie hingehen. Genau für diese mittlere Gruppe ist der Unterschied entscheidend: Wer eine persönliche Empfehlung per E-Mail bekommt, denkt beim nächsten Kauf eher an das lokale Fachgeschäft als an den Markt an der Ecke.

„Das ist zu kompliziert für uns.”
Weg 1 — CSV-Export und ChatGPT-Analyse — erfordert keine Programmierkenntnisse und kein Budget. Wer diesen Weg ausprobiert, weiß nach vier Wochen, ob das Konzept funktioniert. Den nächsten Schritt macht man nur, wenn man überzeugt ist.

Woran du merkst, dass das zu dir passt

Gute Zeichen:

• Du betreibst ein aktives Kundenbindungsprogramm — mindestens 200 Personen haben eine Kundenkarte und kaufen mindestens 3-mal pro Jahr
• Dein Kassensystem erlaubt den Export von Kaufhistorien pro Kundin
• Du hast mindestens 6 Monate Daten im System, die einer identifizierbaren Person zugeordnet sind
• Du merkst, dass deine Stammkunden Empfehlungen gut aufnehmen — “das wusste ich nicht, das probiere ich mal aus”
• Du hast oder planst einen Online-Shop als ergänzenden Kanal
• Du kämpfst mit saisonalem Überbestand, den du lieber gezielt abverkaufen würdest als zu rabattieren

Harte Ausschlusskriterien — wer es noch nicht tun sollte:

1. Kein Kundenbindungsprogramm oder anonyme Transaktionen. Wenn weniger als 30 Prozent deiner Transaktionen einer identifizierbaren Person zugeordnet sind, gibt es keine Datenbasis für Personalisierung. Dann beginnt das Projekt mit der Einführung eines Kundenprogramms — nicht mit dem Empfehlungssystem.

2. Weniger als 200 aktive Kundenkarten-Profile mit je mindestens 3 Käufen. Mit dieser Datenmenge sind die Muster zu dünn für wirklich personalisierte Empfehlungen. Das Ergebnis wäre eine Bestsellerliste mit Namen drüber — was das Personal bereits kennt. Erst Kundendaten aufbauen, dann Empfehlungen einführen.

3. Kein Zugriff auf exportierbare Kaufdaten. Wer ein altes Inselsystem ohne Exportfunktion betreibt und keinen IT-Dienstleister einbinden kann, sollte zuerst das Kassensystem modernisieren. Ohne saubere, exportierbare Daten ist kein Weg praktikabel — weder der manuelle (Weg 1) noch der automatisierte (Weg 2 und 3).

Das kannst du heute noch tun

Öffne dein Kassensystem und exportiere alle Transaktionen der letzten zwölf Monate als CSV oder Excel. Lade die Datei in ChatGPT hoch (GPT-4 mit Datei-Upload, kostenlos oder Plus) und stelle eine konkrete Frage.

Das dauert 20 Minuten. Du erfährst danach: Ob das Konzept für deine Datenbasis funktioniert — und ob die Muster real sind oder nicht.

Hier ist ein Prompt, den du direkt verwenden kannst:

Quellen & Methodik

• Salesforce Shopping Index: 7 Prozent der Shopperinnen klicken Produktempfehlungen, generieren aber 26 Prozent des E-Commerce-Umsatzes; 49 Prozent kaufen ungeplante Produkte nach personalisierten Empfehlungen. Clerk.io, „Product Recommendation Statistics” (2024), auf Basis des Salesforce Shopping Index.
• McKinsey & Company: „Personalization leaders lift revenue 10–30% on average.” McKinsey & Company, „The value of getting personalization right—or wrong—is multiplying” (2021). Eigene Praxiserfahrungen aus dem deutschen Einzelhandel bestätigen die Größenordnung — oft an der unteren Grenze dieser Spanne.
• NielsenIQ: Hersteller im Heimtierbereich steigerte ROI um 12 Prozent durch Pricing- und Promotions-Analytics — als Beleg, dass datengetriebene Empfehlungslogik in der Tierbranche messbare Effekte produziert. NielsenIQ Success Story, „Pet manufacturer boost ROI with pricing and promotion analytics” (2021).
• Fressnapf-Marktdaten: 2.100+ Standorte in 14 europäischen Ländern; 36 Prozent der Tierbesitzer kaufen Futter im Online-Fachhandel. handelsdaten.de / Branchenberichte 2024.
• Cold-Start-Problem: Standardproblem in Empfehlungssystemen, dokumentiert in: FreeCodeCamp, „What is the Cold Start Problem in Recommender Systems?” (2023); Things Solver Blog „How to solve the cold start problem in recommender systems” (2023).
• DSGVO-Grundlagen: DSGVO Art. 6 Abs. 1 lit. f (berechtigtes Interesse), Art. 7 (Einwilligung), Art. 28 (Auftragsverarbeitung) in der aktuell gültigen Fassung. Spezifische DSGVO-Fragen zur Tierhandelsdatenverarbeitung: externer-datenschutzbeauftragter-dresden.de (DATUREX, 2023).
• Preisangaben: Brevo Standard (Stand Mai 2026), Make-Tarife (Stand Mai 2026), Clerk.io Richtwerte (Stand April 2026, nutzungsbasiert ohne feste Listenpreise).

Du willst wissen, ob deine Datenbasis für einen Pilotbetrieb reicht und welcher der drei Wege zu deiner Situation passt? Das klären wir konkret in einem kurzen Gespräch — ohne Verkaufsdruck.