Die Basis: Eine Recommendation Engine
Der selbstlernende Algorithmus optimiert auf Basis von Klick- und Conversionraten kontinuierlich im Hintergrund die Ausspielung der Produkte. Zuvor erstellte Layout-Varianten (beispielsweise InPage- Banner versus Overlay versus Exit Intent) sowie verschiedene Produktlogiken können getestet und wechselnde Algorithmen hinterlegt werden.
Personalisierte Produktempfehlungen durch Produktlogiken
Um Empfehlungen passgenau ausspielen zu können, müssen in der Recommendation Engine Produktlogiken definiert werden. Beispielsweise wählt die Logik „Empfohlene Produkte“ Produkte nach einem ausgefeilten Algorithmus aus, der auf das Surfverhalten des Users auf Basis seiner statistischen Zwillinge eingeht und zusätzlich Abverkäufe der jeweiligen Produkte mit einbezieht.
Recommendations aufgrund von Ähnlichkeit
Onlineshopper sehen sich in der Regel mehrere Produkte der gleichen Kategorie an und vergleichen diese miteinander. Über Recommendations kann diese Suche erleichtert werden, indem als Empfehlungen ähnliche Artikel vorgeschlagen und angezeigt werden. Empfehlungen aufgrund von Produktähnlichkeiten sind jedoch sehr statisch und somit nicht für jedes Angebot sinnvoll.
„Kunden kauften auch…“-Empfehlungen
Es gibt zudem die Möglichkeit, Nutzer durch die „Kunden kauften auch…“-Empfehlungen zu inspirieren. Hierbei werden dem Shop-Besucher weitere Artikel angezeigt, die andere Kunden in Verbindung mit dem gesuchten Produkt bestellten. Diese Art der Produktempfehlung lohnt sich vor allem für Shops mit einem homogenen Produktportfolio.
Manuell zugeordnete Empfehlungen
Etwas (zeit-)aufwendiger gestalten sich Produktempfehlungen mittels manueller Zuordnung, um die Kunden durch individuelle Angebote zum Impulskauf zu motivieren. Auf Basis menschlichen Empfindens wird entschieden, was wirklich zueinander passt oder das gesuchte Produkt passend ergänzen könnte. Dem potenziellen Kunden können dadurch beispielsweise Zubehörartikel oder Bundle-Produkte angeboten werden.
Empfehlungen auf Basis statistischer Zwillinge
Recommendations, die sich auf die Customer Journey beziehen, sind besonders individuell. Ein intelligenter Algorithmus entscheidet hierbei über die passende Produktempfehlung. Dabei werden die Käufer in Gruppen geclustert sowie ihr Kaufverhalten und der Warenkorb analysiert. Auf Basis dieser Daten werden anschließend Vorschläge kundenspezifisch erarbeitet. Sieht eine User Business-Accessoires an und wechselt dann zu einem Hemd, werden zusätzlich weitere Accessoires empfohlen.
Die Recommendation Engine im Einsatz
Wie mydays durch den Einsatz der trbo-Recommendation Engine die Conversion Rate um 6,9 Prozent steigerte
Die Produkte von mydays variieren stark regional. Um hier neue und wiederkehrende User passgenau anzusprechen, entschied sich mydays zu einem Test der trbo-Recommendation Engine. Hierzu wurden zwei Kundensegmente gebildet und mit verschiedenen Ausspielungslogiken versehen. Das Ergebnis: die trbo-Recommendation verbesserte die Conversion Rate um 6,9 Prozent.
Recommendations: Die technische Basis
Die technische Basis für passende Empfehlungen bildet ein gepflegter Produktfeed, der sämtliche Produkte möglichst aktuell vorrätig hat. Zudem muss ein sauberes Produkt- und Conversiontracking gewährleistet sein. Je nach gewählter Ausspielung fließen dann Nutzermerkmale (z.B. Traffic-Kanal oder Wetter) in die Logik ein, die ein intelligenter Algorithmus verarbeitet. Unsere offene Plattform-Architektur ermöglicht eine einfache Anbindung verschiedenster Datenquellen. Über die trbo-Plattform können Sie alle gewünschten Maßnahmen schnell und einfach umsetzen. Bei Fragen steht Ihnen unser Account Management zur Verfügung.
TESTING FÜR GENAU ZUGESCHNITTENE EMPFEHLUNGEN
Welche Empfehlungen kommen bei welchem User am besten an? Um diese Frage zu beantworten, sollten Sie (dynamische) A/B- & Multivariantentests einsetzen. Sie ermöglichen genaue Aussagen darüber, ob bestimmte Empfehlungslogiken sinnvoll sind oder nicht. Jetzt mehr zu A/B-Testing erfahren
