Ein Personalisierungsprogramm in vier Teilen für vier europäische Händler aus Mode, Sortimentshandel, Babybedarf und Unterhaltungselektronik. Regelbasierte Lösungen wurden durch eine lernende, inhaltsbasierte und von Agenten überwachte Next-Best-Offer-Engine ersetzt, abgestimmt auf jedes Sortiment.
Vier europäische Onlinehändler, vier verschiedene Sortimente, ein gemeinsamer Ausgangspunkt: Empfehlungen aus handgeschriebenen Merchandising-Regeln, Bestsellerlisten und einem nachträglich eingebauten „Kunden sahen auch“-Widget – ohne Bezug dazu, was der einzelne Kunde tatsächlich angesehen oder gekauft hatte.
Die Regeln lernten nicht dazu. Newsletter gingen als Segment-Massenversand hinaus, Startseiten zeigten standardmäßig Bestseller, und „ähnliche Produkte“ auf der Produktseite wurden von Hand gepflegt und veralteten schnell. Alle sahen dieselben beliebten Artikel – die Kunden wurden in einen schmalen Ausschnitt des Sortiments gelenkt, während der Long Tail unsichtbar blieb.
Darunter lagen zwei Probleme: Das System kannte keine einzelnen Kunden, und neue Artikel hatten keine Verhaltenshistorie, mit der eine Logik nach „gemeinsam angesehen“ oder „gemeinsam gekauft“ hätte arbeiten können. Bei Babybedarf und Elektronik, wo das Sortiment schnell wechselt, blieb durch diese Cold-Start-Lücke ein großer Teil des Sortiments dauerhaft unsichtbar.
Vier Empfehlungsarten, eine gemeinsame Next-Best-Offer-Schicht – gebaut als Kombination aus Verhaltenssignalen, Content-Embeddings und LLM-gestützter Attributprüfung.
Bevor die erste Empfehlung live gehen konnte, haben wir die gemeinsame Datenschicht gebaut, auf der alle vier Arten aufsetzen: einen Embedding-Speicher für Produkte mit Index für schnelle Nearest-Neighbour-Suchen, einen Transaktions-Datamart mit historischen Warenkörben und Kaufabfolgen und einen Clickstream-Speicher, der gemeinsame Aufrufe und Session-Ereignisse nahezu in Echtzeit erfasst.
Ein Fundament, vier Einsatzorte, ein einheitliches Bild vom Kunden – und neue Empfehlungsarten lassen sich günstig darauf aufsetzen, statt von Grund auf neu gebaut zu werden.
Individuell sortierte Produkte auf Basis der eigenen Klicks und Käufe des Kunden und des Verhaltens ähnlicher Kunden. Eine Bewertungsschicht speist Newsletter, Startseite, Kategorie- und Produktseiten, sodass der Kunde über alle Kanäle hinweg eine stimmige Auswahl sieht.
Auf der Produktdetailseite, damit Kunden nicht abspringen: Passt das aktuelle Produkt nicht ganz, finden sie direkt eine Alternative daneben. Eine Kombination aus Item-to-Item Collaborative Filtering (gemeinsam angesehen und gekauft), Embeddings der Produktbeschreibungen und LLM-gestütztem Attributvergleich für die Reihenfolge.
Eine Auswahl ähnlicher Produkte, die direkt neben einem ausverkauften Artikel erscheint. Gefiltert auf lieferbare Artikel mit passenden Attributen, damit der Kunde einen sinnvollen nächsten Schritt sieht statt einer Sackgasse.
Ergänzungen für den Warenkorb – Smartphone plus Ladegerät, Hülle, Kopfhörer, Schutzglas. Die klassische Warenkorbanalyse mit Assoziationsregeln liefert das historische Signal, scheitert allein aber an neuen Produkten und kleinen Warenkörben. Darauf haben wir Embeddings und LLM-Prüfungen gesetzt, um Kombinationen vorzuschlagen und zu prüfen, die die Warenkorbanalyse allein übersehen würde.
Die vier Arten sind keine Silos. Eine gemeinsame Next-Best-Offer-Schicht führt ihre Ergebnisse zusammen, berücksichtigt den Session-Kontext (Gerät, Aktualität, aktuelles Surfverhalten) und setzt agentische Guardrails für Bestand, Marge und Sortimentsvielfalt durch, damit kein Platz an einen ausverkauften Artikel oder eine einzelne Marke geht. Ein zweiter Agentendurchlauf sortiert das Ergebnis neu und fängt schwache oder im Kontext unpassende Vorschläge ab, die die Bewertungsschicht allein durchlassen würde. Neue Produkte übernehmen ihre Nachbarn über Embedding-Ähnlichkeit und LLM-Attributabgleich, bis echte Verhaltensdaten vorliegen – dann verschiebt sich die Gewichtung der Signale von selbst.
Jede Engine wurde vor dem Rollout in einem kontrollierten A/B-Test gegen die bestehende Lösung des Händlers geprüft – nicht nur rückwirkend getestet.
Dieselben Bausteine, ein anderes Sortiment. Wir haben das Muster für die Suche nach ähnlichen Bildern bei Zoll und Grenzkontrolle eingesetzt, für Kursempfehlungen für Studierende und für ähnliche und alternative Apps in einem App Store. Was sich ändert, sind die relevanten Attribute und die Guardrails, die der Agent durchsetzt.
Bei allen vier Händlern lag das Umsatzplus gegenüber der regelbasierten Lösung durchgehend bei 5–8 % – trotz sehr unterschiedlicher Sortimente und Kundenstämme.
Sprechen wir darüber, was für Ihr Sortiment möglich ist.
Gespräch vereinbaren →