Personalisierte Kursempfehlungen

Das echte Ausmaß des Problems

Weiterbildungsanbieter investieren erheblich in die Akquise neuer Teilnehmender — Marketing, Messeauftritte, SEO, Kaltakquise. Dabei wird oft übersehen, dass bestehende Teilnehmende die kostengünstigste Quelle für Folgegeschäft sind: Sie kennen das Institut, haben positive Erfahrung, und ihre Lernziele sind oft dokumentiert.

Trotzdem bleibt dieses Potenzial systematisch ungenutzt:

• 40–60 Prozent der Teilnehmenden buchen nach ihrem ersten Kurs keinen Folgekurs, obwohl sie zufrieden waren — häufig wegen fehlender oder unpassender Folgekommunikation.
• Allgemeine Newsletter mit dem kompletten Kursprogramm haben Öffnungsraten von 15–25 Prozent und Klickraten unter 3 Prozent. Die meisten relevanten Angebote werden nie gesehen.
• Vertriebsmitarbeitende könnten jeden Teilnehmenden nach dem Kurs persönlich kontaktieren und passende Folgeprodukte empfehlen — aber das kostet Zeit und skaliert nicht.
• Lernhistorie und Kompetenzdaten liegen oft irgendwo im LMS oder CRM, werden aber nicht systematisch genutzt, um Empfehlungen zu generieren.

Die Lücke ist keine inhaltliche — die richtigen Kurse existieren. Es fehlt die automatische Verbindung zwischen dem, was ein Teilnehmender bisher gelernt hat, und dem, was als nächstes für ihn sinnvoll wäre.

Mit vs. ohne KI — ein ehrlicher Vergleich

Wiederbuchungsraten variieren stark je nach Branche, Kursformat und Kommunikationskanal. Werte basieren auf Erfahrungsberichten aus Corporate-L&D-Plattformen wie 360Learning (2024).

Der entscheidende Unterschied liegt nicht in der Technologie, sondern in der Relevanz: Eine Empfehlung, die zum aktuellen Kompetenzstand und den nächsten Lernzielen passt, wird als Hilfe wahrgenommen — nicht als Marketing.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Personalisierte Kursempfehlungen sparen Trainern und Kursleiterinnen keine direkte Arbeitszeit. Der Vorteil liegt im Vertrieb — automatisierte Folgekommunikation statt manuellem Nachfassen. Wer keinen Vertriebsarm hat oder Folgekommunikation bisher gar nicht betreibt, spart keine Zeit, schafft aber neuen Umsatz ohne proportionalen Mehraufwand.

Kosteneinsparung — sehr niedrig (1/5) Dieser Anwendungsfall ist kein Kostensparer, sondern ein Umsatzgenerator. Direkte Kosten sinken nicht — im Gegenteil, ein Empfehlungssystem kostet Setup-Aufwand und ggf. Tool-Lizenzkosten. Der ROI kommt über Mehrumsatz, nicht über Kostensenkung. Das macht die Wertschöpfung schwieriger zu isolieren, aber nicht kleiner.

Schnelle Umsetzung — mittel (3/5) Zwischen dem ersten Proof of Concept und einem produktiven System liegen 8–12 Wochen — mehr als bei der Materialerstellung oder Feedback-Auswertung, aber weniger als bei komplexen ML-Modellen. Der Flaschenhals ist nicht die Technik, sondern die Datenlage: Existieren ausreichend strukturierte Daten über Teilnehmende und ihre Lernhistorie? Wenn nicht, ist das die erste Baustelle.

ROI-Sicherheit — mittel (3/5) Die Wiederbuchungsrate ist messbar. Aber ob eine höhere Rate auf die Empfehlungen zurückzuführen ist oder auf bessere Trainer, ein neues Kursangebot oder saisonale Effekte — das lässt sich nur mit einem kontrollierten Experiment sauber trennen. Wer eine konkrete A/B-Teststruktur aufbaut (Gruppe mit Empfehlungen vs. Gruppe ohne), kann den Kausalzusammenhang belegen. Ohne das bleibt der ROI plausibel, aber nicht beweisbar.

Skalierbarkeit — sehr hoch (5/5) Das ist der stärkste Hebel dieses Anwendungsfalls: Ein eingerichtetes Empfehlungssystem betreut 200 Teilnehmende genauso wie 2.000 — ohne proportionalen Mehraufwand. Für wachsende Bildungsträger ist das der Mechanismus, der Cross-Selling-Potenzial erschließt, ohne den Vertrieb aufzustocken.

Richtwerte — stark abhängig von Teilnehmerzahl, Datenlage und Qualität der Kursstruktur.

Was das System konkret macht

Personalisierte Kursempfehlungen basieren auf einer einfachen Logik: Wer diesen Kurs belegt hat, für den könnten diese anderen Kurse relevant sein. Die Umsetzung dieses Prinzips kann verschieden komplex sein:

Einfachste Variante — LLM-basierte Empfehlung: Kein spezialisiertes Recommender-System nötig. Das Kompetenzprofil und die Kurshistorie eines Teilnehmenden werden als Text an Claude oder ChatGPT übergeben, zusammen mit einer Liste des Kursangebots. Das Modell wählt die drei passendsten Folgekurse aus und formuliert eine kurze, persönliche Begründung für jede Empfehlung. Diese Empfehlung wird als personalisierte E-Mail versendet. Für Bildungsträger mit unter 500 Teilnehmenden und keinem dedizierten Entwicklerteam ist das der pragmatische Einstieg.

Mittlere Variante — LMS mit eingebauter Empfehlungsfunktion: 360Learning, Moodle mit Plugins und andere moderne Lernplattformen haben Empfehlungsfunktionen, die auf Basis von Abschlüssen und Lernhistorie Folgekurse vorschlagen. Für Bildungsträger, die bereits ein LMS nutzen, ist das der effizienteste Weg — kein separates System, keine separate Integration.

Fortgeschrittene Variante — CRM-Integration: Kurshistorie im LMS + Kundendaten im CRM (HubSpot o.ä.) + automatische E-Mail-Sequenz bei Kursabschluss. Wer das aufsetzt, hat einen vollautomatischen Nachfass-Prozess: Kurs beendet → Daten synchronisiert → LLM generiert Empfehlung → personalisierte E-Mail geht automatisch raus. Einrichtungsaufwand: 4–8 Wochen, erfordert technisches Knowhow oder einen Integrationsdienstleister.

Das Cold-Start-Problem: Wenn die Datenbasis zu klein ist

Der größte praktische Einschränkungsfaktor ist das sogenannte Cold-Start-Problem: Recommender-Systeme funktionieren gut, wenn ausreichend Daten vorhanden sind — Lernhistorien vieler Teilnehmender, Kursabschlüsse, Bewertungen. Wenn die Datenbasis dünn ist (unter 100–200 aktive Teilnehmende mit dokumentierter Lernhistorie), hat das System zu wenig Material für belastbare Muster.

Die LLM-basierte Variante umgeht dieses Problem teilweise: Ein Sprachmodell kann auch mit wenigen Datenpunkten sinnvolle Empfehlungen generieren — weil es auf dem allgemeinen Wissen über Lernzusammenhänge aufbaut, nicht nur auf eigenen historischen Daten. Für Bildungsträger mit unter 200 Teilnehmenden ist das daher die realistischere Wahl.

Konkrete Werkzeuge — was wann passt

Claude oder ChatGPT direkt — für den schlanken Einstieg. Teilnehmerprofile und Kursangebot als Textinput, Empfehlungen als Output. Kein neues Tool, keine Integration, geringer Einrichtungsaufwand. Für Bildungsträger mit überschaubarem Volumen (unter 200 aktive Teilnehmende) und manueller E-Mail-Kommunikation. Der Nachteil: keine Automatisierung — jemand muss die Empfehlungen manuell per E-Mail versenden.

360Learning — für Bildungsträger mit eigenem LMS und Fokus auf internes Corporate Learning. Eingebaute KI-Empfehlungsengine, die auf Lernhistorie und Rollenprofile reagiert. Besonders geeignet für Unternehmens-L&D-Teams (100+ Mitarbeitende), weniger für externe Bildungsträger, die Kurse an externe Teilnehmende verkaufen.

Moodle mit Empfehlungs-Plugin — für DSGVO-bewusste Einrichtungen mit eigenem Hosting. Das Open-Source-Plugin-Ökosystem von Moodle umfasst mehrere Empfehlungsansätze. Der Vorteil: volle Datenkontrolle, keine Drittanbieter-Abhängigkeit. Der Nachteil: Installation und Konfiguration erfordert technisches Knowhow.

HubSpot + ChatGPT API — für Bildungsträger mit CRM-Infrastruktur. Kursabschlüsse aus dem LMS werden in HubSpot synchronisiert, lösen eine automatische E-Mail-Sequenz aus, die über die ChatGPT API personalisierte Empfehlungstexte generiert. Vollautomatischer Prozess, der ohne manuelle Eingriffe läuft. Einrichtungsaufwand: 4–8 Wochen, erfordert Entwicklerressourcen oder einen Integrationsdienstleister.

Mailchimp mit personalisierten Segmenten — als Übergangslösung. Wenn noch kein strukturiertes Empfehlungssystem vorhanden ist, können manuelle Segmentierungen in Mailchimp (nach besuchtem Kursthema, Branche, Berufsgruppe) die Relevanz von Newslettern erheblich verbessern. Keine vollständige Personalisierung, aber deutlich besser als ein allgemeiner Newsletter.

Empfehlung:

• Unter 200 Teilnehmende: Claude/ChatGPT manuell + E-Mail
• 200–500 Teilnehmende: Moodle-Plugin oder ChatGPT API + Mailchimp-Integration
• 500+ Teilnehmende, externes Bildungsgeschäft: HubSpot-Integration
• 100+ Mitarbeitende, internes Corporate Learning: 360Learning

Datenschutz und Datenhaltung

Personalisierte Empfehlungen basieren auf personenbezogenen Daten: Name, Lernhistorie, Kompetenzbewertungen, möglicherweise Beruf und Abteilung. Das hat klare DSGVO-Konsequenzen:

• Rechtsgrundlage: Die Verarbeitung von Lernhistorie-Daten zur Erstellung von Empfehlungen braucht eine Rechtsgrundlage. In Frage kommen: Einwilligung (Art. 6 Abs. 1 lit. a DSGVO) — explizit, freiwillig, dokumentiert — oder berechtigtes Interesse (Art. 6 Abs. 1 lit. f), wenn die Empfehlungen dem Teilnehmenden einen klaren Mehrwert bieten und er sie erwartet.

• Transparenz gegenüber Teilnehmenden: Wer Lerndaten zur Erstellung personalisierter Empfehlungen nutzt, muss das in der Datenschutzerklärung und ggf. beim Kursabschluss kommunizieren. KI-gestützte Personalisierung fällt unter die Informationspflichten der DSGVO.

• AVV mit KI-Anbietern: Wenn Teilnehmerdaten an externe KI-Dienste (ChatGPT API, 360Learning) übergeben werden, ist ein Auftragsverarbeitungsvertrag erforderlich. Alle genannten Dienste stellen AVV bereit.

• EU AI Act: Personalisierte Empfehlungen im Bildungsbereich können — je nach Kritikalität und Auswirkungen — unter die Hochrisikoanwendungen des EU AI Act fallen, besonders wenn sie auf Bildungszugänge oder Berufsförderung wirken. Stand April 2026 ist die Einordnung für kommerzielle Kursempfehlungen noch nicht abschließend geklärt.

• 360Learning: EU-Datenhostung (Frankreich), DSGVO-konform, AVV verfügbar.

• HubSpot: US-Hosting, aber EU Data Processing Agreement verfügbar; für nicht-sensitive Daten akzeptabel.

AZAV-Träger: Wenn geförderte Teilnehmende (Bildungsgutschein) durch das System Empfehlungen erhalten, die auf persönlichen Daten basieren, die im Rahmen der geförderten Maßnahme erfasst wurden, ist besondere Sorgfalt geboten. Die Nutzung dieser Daten für Marketingzwecke muss klar kommuniziert und eingewilligt sein.

Was es kostet — realistisch gerechnet

Einfache LLM-Variante (ChatGPT/Claude + manuelle E-Mails)

• Claude Pro oder ChatGPT Plus: ca. 20 USD/Monat
• Interner Aufwand für Einrichtung: 3–5 Arbeitstage
• Laufender Aufwand: 1–2 Stunden/Monat für manuelle Versendung
• Geeignet für: unter 200 Teilnehmende

Moodle-Plugin-Variante

• Moodle: Open Source (Hosting 30–50 EUR/Monat)
• Plugin-Einrichtung: intern 2–4 Tage oder externer Partner ca. 1.000–2.000 EUR
• Geeignet für: 100–500 Teilnehmende mit Moodle-LMS

HubSpot + ChatGPT API-Integration

• HubSpot Starter: ca. 15–20 EUR/Monat; Professional: ca. 800 EUR/Monat
• ChatGPT API: ca. 0,01–0,03 USD/Empfehlungstext
• Einrichtungsaufwand: 4–8 Wochen intern oder 3.000–8.000 EUR externe Entwicklung
• Geeignet für: 500+ Teilnehmende, externes Bildungsgeschäft

Was du dagegenrechnen kannst Ein Bildungsträger mit 500 Kursabsolventen pro Jahr und einer Wiederbuchungsrate von 20 Prozent macht 100 Folgebuchungen. Wenn personalisierte Empfehlungen die Wiederbuchungsrate auf 30 Prozent erhöhen — also 50 zusätzliche Buchungen — bei einem durchschnittlichen Kurspreis von 500 Euro: das sind 25.000 Euro Mehrumsatz pro Jahr. Selbst bei konservativer Schätzung (50 Prozent des theoretischen Effekts) bleiben 12.500 Euro — mehr als genug für den Setup-Aufwand.

Diese Rechnung setzt voraus, dass die Empfehlungen tatsächlich relevant sind und die Öffnungsraten hoch genug sind. Wer keinen Nachfass-Kanal aufgebaut hat, sieht keinen Effekt.

Vier typische Einstiegsfehler

1. Mit einem ML-Recommender-System starten, bevor die Datenbasis reicht. Ein klassisches Kollaboratives Filtersystem (“Wer Kurs A buchte, bucht auch Kurs B”) braucht Daten von Hunderten Nutzerinteraktionen, um verlässliche Muster zu erkennen. Wer mit 150 Teilnehmenden und einem dünnen Datensatz ein ML-System einrichtet, erhält zufällige oder triviale Empfehlungen — und ist schnell enttäuscht. Die LLM-basierte Variante ist für kleinere Datensätze besser geeignet.

2. Empfehlungen als Newsletter verkleiden. Wenn der “personalisierte” Empfehlungstext genauso wie ein allgemeiner Newsletter klingt — drei Kurse aufgelistet, ein generischer Einstieg, kein persönlicher Bezug — verpufft der Effekt. Die Qualität der Formulierung macht den Unterschied: “Weil du im Kommunikationstraining besonders den Aspekt Konfliktprävention hervorgehoben hast, empfehlen wir dir…” ist eine Empfehlung. Drei Kurse mit Datum und Preis sind ein Katalog.

3. Keine Messstruktur aufbauen — und dann nicht wissen, ob es funktioniert. Wer keine Kontrollgruppe hat und die Wiederbuchungsrate nicht systematisch trackt, kann nach sechs Monaten nicht sagen, ob die Empfehlungen gewirkt haben oder nicht. Ein einfaches A/B-Setup — Hälfte der Teilnehmenden bekommt Empfehlungen, andere Hälfte allgemeinen Newsletter — ist ausreichend, um nach 3–6 Monaten einen Vergleich zu haben.

4. Das System einrichten und nie aktualisieren — die gefährlichste Variante. Ein Empfehlungssystem, das nach einem Jahr noch dieselben Kursstruktur-Logiken verwendet, empfiehlt möglicherweise Kurse, die nicht mehr im Programm sind, die in der Zwischenzeit stark verändert wurden oder deren Zielgruppe sich verschoben hat. Wer ein Empfehlungssystem einführt, braucht einen regelmäßigen Review-Zyklus — mindestens halbjährlich.

Was mit der Einführung wirklich passiert — und was nicht

Das häufigste Missverständnis: Personalisierte Empfehlungen sind kein Vertriebsautomatismus, der sofort Buchungen generiert. Sie sind eine Kommunikationsverbesserung, deren Effekt über 3–12 Monate sichtbar wird.

Was tatsächlich passiert: In den ersten Wochen wird die Öffnungsrate der E-Mails steigen — weil personalisierter Betreff und Inhalt relevanter wirken als allgemeine Newsletter. In den ersten Monaten werden einige Teilnehmende folgebuchen, die das ohne Empfehlung nicht getan hätten. Über 6–12 Monate zeigt sich, ob die Empfehlungen konsistent relevant sind oder ob die Formulierungen zu generisch werden.

Was nicht passiert: Keine sofortige Umsatzverdopplung. Kein vollautomatischer Vertrieb ohne jede menschliche Interaktion. Und keine Lösung für das Problem, wenn das Kursangebot selbst nicht zu den tatsächlichen Bedürfnissen der Teilnehmenden passt. Ein gutes Empfehlungssystem verstärkt, was schon funktioniert — es repariert kein schlechtes Produkt.

Typischer Widerstand: Das Vertriebsteam (sofern vorhanden) sieht automatisierte Empfehlungen manchmal als Konkurrenz — “Das nehmen uns die Kunden weg.” Das ist ein kulturelles Problem, kein technisches. Die Lösung liegt in der Positionierung: Das System übernimmt die Massenkoordination, damit sich der Vertrieb auf individuelle Beratungsgespräche konzentrieren kann.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Wir haben zu wenig Teilnehmende für ein Recommender-System.” Für klassische Machine Learning-basierte Recommender stimmt das. Für LLM-basierte Empfehlungen nicht — ein gut formulierter Prompt kann auch aus zehn Kursen und einem Teilnehmerprofil eine sinnvolle Empfehlung erzeugen. Die Einstiegshürde ist deutlich niedriger als oft angenommen.

“Unsere Teilnehmenden wollen keine personalisierten Mails — Datenschutz.” Datenschutz und Personalisierung schließen sich nicht aus. Ein expliziter Opt-in bei der Kursanmeldung (“Darf ich Ihnen passende Angebote auf Basis Ihrer Lernhistorie empfehlen?”) ist DSGVO-konform und erhöht die Akzeptanz. Wer fragt und die Einwilligung einholt, hat keine Datenschutzprobleme und erhöht gleichzeitig die Qualität der Kommunikation.

“Das machen schon die großen Plattformen besser.” Ja — für Onlinekurse auf Coursera oder LinkedIn Learning ist das richtig. Aber die großen Plattformen sind auch Konkurrenten für Kursverkäufe. Wer als lokaler oder spezialisierter Bildungsträger seine eigene Teilnehmerbeziehung pflegt, differenziert sich über Persönlichkeit und Beratung — nicht über Algorithmen. Personalisierte Empfehlungen sind dabei ein Element, nicht das Alleinstellungsmerkmal.

Woran du merkst, dass das zu dir passt

• Dein Kursangebot umfasst mindestens 8–10 verschiedene Kurse, zwischen denen logische Lernpfade bestehen
• Du hast 200+ Teilnehmende pro Jahr mit dokumentierter Lernhistorie
• Die Wiederbuchungsrate liegt unter 30 Prozent, obwohl das Feedback positiv ist
• Folgekommunikation nach Kursabschluss findet entweder gar nicht oder nur als allgemeiner Newsletter statt
• Du hast ein LMS oder CRM, in dem Teilnehmerdaten strukturiert vorliegen

Wann es sich (noch) nicht lohnt — drei Ausschlusskriterien:

1. Weniger als 100–150 Teilnehmende pro Jahr. Die Investition in einen automatisierten Empfehlungsprozess amortisiert sich nicht. Ein halbjährlicher manueller Kontakt mit personalisierten Hinweisen per E-Mail ist effizienter.

2. Kein strukturiertes LMS oder CRM — Teilnehmerdaten liegen in Excel-Listen oder unstrukturierten Mailboxen. Dann ist die erste Aufgabe, Daten zu strukturieren und zentral zu erfassen. Das Empfehlungssystem kommt danach, nicht davor.

3. Das Kursangebot hat keinen inhaltlichen roten Faden — es ist ein Sammelsurium unzusammenhängender Themen. Empfehlungen funktionieren nur, wenn sinnvolle Lernpfade existieren. “Nach dem Excel-Kurs empfehlen wir den Stressbewältigungs-Workshop” ist keine Empfehlung, sondern Zufallsmarketing.

Das kannst du heute noch tun

Mache eine manuelle Probe für drei bis fünf Teilnehmende aus deinem letzten abgeschlossenen Kurs. Schreibe für jeden auf, welche Kurse er oder sie besucht hat — und füge den Prompt unten in Claude oder ChatGPT ein. Das zeigt dir in 30 Minuten, ob das Prinzip für dein Kursangebot funktioniert — ohne technischen Aufwand, ohne neues Tool.

Quellen & Methodik

• 40–60 % der Teilnehmenden verlieren sich nach dem ersten Kurs: Branchenbeobachtung aus Corporate-L&D-Analysen; keine repräsentative Studie für deutschen Weiterbildungsmarkt verfügbar — konsistente Beobachtung aus Konferenzberichten (ATD, 2024).
• Öffnungsraten allgemeiner Newsletter 15–25 %, personalisiert 35–50 %: Mailchimp-Branchenbenchmarks (2024) und Campaign Monitor-Studien; Werte für Bildungsbranche am oberen Ende des Bereichs.
• Cold-Start-Problem in Recommender-Systemen: Wikipedia-Artikel “Cold start (recommender systems)”; blog.tsd.digital, „The Cold Start Problem: Why Most Personalisation Fails Before It Starts” (2024).
• 360Learning Completion-Rate-Daten: 360Learning-Produktblog (2024); herstellernahe Quelle, mit Vorsicht zu interpretieren.
• EU AI Act Bildungsbereich: Bundesministerium für Bildung und Forschung, Positionspapier KI in der Bildung (2024); genaue Einordnung für Kursempfehlungen noch in Klärung.
• Datenschutz personalisierte Empfehlungen: DSGVO Art. 6 Abs. 1 lit. a/f; Bayerisches Landesamt für Datenschutzaufsicht, Orientierungshilfe KI-Einsatz in Unternehmen (2024).

Du willst wissen, welcher Empfehlungsansatz zu deiner Teilnehmerzahl und Kursstruktur passt — und ob deine Datenlage überhaupt ausreicht? Meld dich für ein kurzes Gespräch, dann schauen wir es uns gemeinsam an.