KI-Produktempfehlungen: Mehr Umsatz durch smarte Vorschläge

Wer im Shop von Amazon einkauft, sieht unter jedem Produkt einen Block mit „Kunden, die das kauften, kauften auch”. Was wie ein nettes Feature aussieht, ist eine der profitabelsten Funktionen der Plattform. Analysen schätzen, dass rund ein Drittel des Amazon-Umsatzes über Produktempfehlungen läuft.

Für kleinere Shops klingt das nach Spielerei für Konzerne. Ist es nicht. Recommendation Engines sind 2026 für jeden Shop ab dem mittleren vierstelligen Monatsumsatz eine ernsthafte Hebel-Option. Die Frage ist nicht ob, sondern welche Lösung und an welcher Stelle im Shop.

Wie KI-Produktempfehlungen wirklich funktionieren

Hinter „smarten Vorschlägen” stecken im Wesentlichen drei Verfahren, die meistens kombiniert werden.

Collaborative Filtering schaut auf Verhalten. Wenn Kunden, die A gekauft haben, oft auch B kaufen, wird B vorgeschlagen. Der Algorithmus braucht keine Produktdaten, nur Klick- und Kaufverhalten. Das funktioniert sehr gut bei Shops mit viel Traffic und vielen Bestellungen.

Content-Based Filtering vergleicht Produkteigenschaften. Wer Sneaker einer bestimmten Marke kauft, sieht ähnliche Sneaker derselben Marke. Dafür brauchst du saubere Produktdaten: Kategorien, Tags, Attribute, idealerweise Embeddings. Vorteil: Funktioniert auch bei neuen Produkten und seltenen Kunden.

Hybride Modelle kombinieren beides und gleichen die Schwächen aus. Genau das machen moderne Engines wie Nosto, Recombee oder Clerk.io. Die Frage „nehme ich Algorithmus X oder Y” stellt sich in der Praxis selten, weil die guten Tools intern beides nutzen.

Was wirklich entscheidet, ob das Ganze funktioniert, sind nicht die Algorithmen. Es sind die Daten und die Touchpoints, an denen Empfehlungen ausgespielt werden.

Welche Empfehlungen wo wirklich Geld bringen

Es gibt nicht den einen perfekten Platz für Recos. Es gibt vier, die sich in Projekten als zuverlässige Geldbringer erwiesen haben.

Produktdetailseite: Ähnliche Produkte. Klassisch und unterschätzt. Wer auf einem Produkt landet, das ausverkauft oder nicht ganz passend ist, soll nicht zurück zu Google springen, sondern eine echte Alternative finden. Hier hilft hybrider Algorithmus, der ähnliche Produkte aus dem Sortiment zieht.

Warenkorb: Wird oft zusammen gekauft. Der profitabelste Touchpoint im gesamten Shop. Der Kunde hat sich entschieden, jetzt geht es um Warenkorbwert. Eine sauber konfigurierte Bundle-Empfehlung erhöht den durchschnittlichen Bestellwert in vielen Sortimenten spürbar zweistellig. Wichtig: Nur ergänzende Produkte zeigen, nicht Konkurrenz zum bereits gewählten.

Startseite: Für dich ausgewählt. Nur sinnvoll für bekannte Kunden mit Login oder zumindest Session-History. Für anonyme Besucher der Startseite bringt das wenig. Wer hier ohne Daten arbeitet, zeigt im Endeffekt Bestseller mit Personalisierungs-Etikett. Das ist kein KI-Effekt, das ist Marketing.

Mailings: Nachfass und Reaktivierung. Personalisierte Empfehlungen in After-Sales-Mails oder Reaktivierungs-Kampagnen funktionieren in vielen Branchen deutlich besser als Standardlisten. In Auswertungen einzelner Shops haben wir Steigerungen bei Klick- und Conversion-Raten gegen Standard-Mails im hohen zweistelligen Bereich gesehen. Die belastbaren Branchen-Benchmarks sind hier dünn, deshalb vorsicht mit absoluten Zahlen.

Welches Tool passt zu welchem Shop

Bei Shopware-Shops gibt es 2026 drei Tools, die in fast jedem Projekt zur Auswahl stehen.

Nosto ist das vermutlich verbreitetste System, mit offizieller Shopware-Integration und einer Partnerschaft, aus der unter anderem Shopware Deep Search hervorgegangen ist. Stärke: schnelle Implementierung, viele vorkonfigurierte Empfehlungstypen, fundierte Analytics. Schwäche: Vergleichsweise teuer, lohnt sich erst ab einem gewissen Shop-Volumen.

Recombee ist eher der Werkzeugkasten für individuelle Lösungen. Du bekommst eine Recommendation-API und konfigurierst, was du brauchst. Mehr Freiheit, mehr Aufwand, oft günstiger bei mittlerem Volumen. Gute Wahl, wenn du ein erfahrenes Entwicklungsteam hast.

Clerk.io liegt funktional zwischen den beiden, mit Fokus auf E-Mail- und On-Site-Empfehlungen. In skandinavischen und mittelständischen Shops weit verbreitet.

Für Shopify-Shops sieht die Landschaft anders aus. Hier gibt es die Native-Empfehlungen, dazu Apps wie Rebuy, LimeSpot oder ebenfalls Nosto. Wer Shopify nutzt, sollte vor jeder externen App prüfen, was die eingebauten Empfehlungs-Features schon können. Oft reicht das für den Anfang.

Eine ehrliche Einordnung: Bei einem Sortiment unter 200 Artikeln und einem fünfstelligen Jahresumsatz brauchst du noch keine externe Engine. Da ist eine handgepflegte Cross-Selling-Logik im Shop billiger und genauso wirksam. Erst wenn das Sortiment komplex wird oder der Traffic so groß, dass manuelle Pflege nicht mehr skaliert, lohnt sich der Schritt zu einer dedizierten Lösung.

Cold-Start: Das Problem kleiner Shops

Der größte praktische Stolperstein bei Empfehlungssystemen heißt Cold Start. Ein Algorithmus, der von Verhalten lernt, braucht Verhalten. Wer im ersten Monat startet, hat weder genug Kunden noch genug Bestellungen, damit Collaborative Filtering vernünftig funktioniert.

Drei pragmatische Lösungen, die in der Praxis funktionieren:

Content-basiert starten. In den ersten Monaten arbeitet die Engine ausschließlich mit Produktdaten. Wer das System schon vorher mit guten Tags, Kategorien und Attributen füttert, hat ab Tag eins brauchbare Empfehlungen.

Hybrid mit Bestseller-Fallback. Wenn Daten für eine individuelle Empfehlung fehlen, fällt das System auf eine kuratierte Liste zurück. Das ist nicht „echte KI”, aber es ist besser als nichts und besser als zufällige Vorschläge.

Geführte Discovery. Bei stark beratungsintensiven Sortimenten ist ein Produktfinder oder kurzer Quiz-Funnel oft wirkungsvoller als eine algorithmische Empfehlung. Drei Fragen, ein Vorschlag. Hilft auch dem System, schneller Daten zu sammeln.

Häufige Fehler

In den meisten Projekten taucht eine ähnliche Liste auf.

Empfehlungen ohne Datenpflege. Ein Algorithmus ist nur so gut wie die Produktdaten, die er liest. Wer Kategorien doppelt belegt, Attribute leer lässt und Bilder ohne Alt-Tags hochlädt, bekommt mittelmäßige Empfehlungen, egal welches Tool er einsetzt.

Zu viele Empfehlungsblöcke. Auf jeder Seite vier Reihen Recos. Der Kunde scrollt vorbei, weil alles gleich aussieht. Weniger, aber besser platzierte Empfehlungen schlagen volle Aufmerksamkeitsraubzüge fast immer.

Kein A/B-Testing. Wer die Engine einbaut und nie misst, ob sie tatsächlich Umsatz bringt, wird das nie sicher wissen. Selbst einfache Vorher-Nachher-Vergleiche bei gleicher Saison sind besser als der Bauchgefühl-Eindruck. Profis fahren parallele Tests mit und ohne Empfehlungen über vier Wochen.

Datenschutz ignorieren. Personalisierte Empfehlungen brauchen Daten. DSGVO und der Umgang mit Cookies sind nicht trivial. Wer Consent-Banner und Tracking nicht ordentlich aufsetzt, riskiert nicht nur Bußgelder, sondern auch eine Datenbasis, die ohnehin lückenhaft ist.

Was du jetzt tun kannst

Wenn du noch nie ernsthaft mit Empfehlungen gearbeitet hast: Fang mit der Produktdetailseite an. Eine gute „Ähnliche Produkte”-Logik ist der Hebel mit dem besten Risiko-Ertrags-Verhältnis. Wenn das läuft, kommt der Warenkorb dran. Mailings sind die Kür.

Wenn du bereits Recos einsetzt, aber das Gefühl hast, sie bringen wenig: Schau dir die Daten an. Klickraten unter zwei Prozent auf Empfehlungsblöcken sind ein Hinweis, dass entweder die Datenqualität schwach ist oder der Platzierungsort falsch.

Wir setzen KI-Implementierungen für E-Commerce-Projekte um, von der Tool-Auswahl bis zur sauberen Datenbasis. Wenn du wissen willst, ob und wo Empfehlungen für dein Sortiment lohnen, schau in einer Fokus-Session mit uns drauf. Lieber eine ehrliche Einschätzung in 45 Minuten als ein Tool, das nach drei Monaten wieder gekündigt wird.