Produktempfehlungen im E-Commerce

Onlineshops führen Tausende Produkte, und Käufer sehen nur wenige davon. Empfehlungssysteme verbinden Katalogdaten und Verhalten, um zu bestimmen, was jeder Besucher auf Produktseiten, im Warenkorb, auf der Startseite und in E-Mails sieht. Reife Shops erzielen in der Regel eine messbare Steigerung bei Konversion und durchschnittlichem Bestellwert; die Hauptarbeit liegt in Datenqualität, Umgang mit Einwilligungen und ehrlichen A/B-Tests, nicht im Algorithmus.

Problem & Nutzen

• Heute: statische „Bestseller“-Listen oder manuell kuratierte Listen, einfache Regeln („gleiche Kategorie“) oder das Standard-Widget der Shop-Plattform. Artikel aus dem Long Tail werden selten entdeckt; neue Besucher sehen dasselbe wie alle anderen.
• KI-Nutzen: Relevanz je Besucher und Kontext (Kaltstart mit Inhalts-Embeddings abgefangen), ergänzende Artikel (Zubehör, Nachfüllpackungen), bessere Nutzung von Lagerbestand und Marge sowie weniger manuelles Merchandising.
• Nutzenzahlen: Von Anbietern genannte Steigerungen schwanken stark und sind kein unabhängiger Beleg. Betrachten Sie sie als Hypothesen und messen Sie den eigenen Effekt mit einer Holdout-Gruppe (siehe Kennzahlen). Das Paper von Amazon zum Item-to-Item Collaborative Filtering bleibt die maßgebliche industrielle Referenz [1].

Varianten

• KMU-Shop (Shopify, Shopware, WooCommerce): Plugin oder eingebaute Widgets; wenige Platzierungen.
• Marktplatz / großer Katalog: Two-Tower-Retrieval plus gelerntes Ranking, Echtzeit-Merkmale.
• B2B-Shop: Nachbestelllisten und Empfehlungen auf Kontoebene, siehe REC-010.
• Mode: Größe/Passform und visuelle Ähnlichkeit, siehe REC-012 und VIS-022.

So funktioniert es

1. events + catalogue + consent flags
2. feature/embedding build (item text+image embeddings, co-purchase statistics)
3. candidate retrieval (item-to-item, two-tower ANN search, popularity/trending)
4. ranking (gradient boosting or neural ranker; CTR/purchase probability)
5. re-ranking with business rules (stock, margin, diversity, exclusions, age-restricted goods)
6. placement API / email block
7. A/B test + holdout
8. feedback events

• Retrieval: Matrixfaktorisierung, Item-to-Item-Kookkurrenz, Sequenzmodelle (sitzungsbasiert, z. B. Transformer-basierte Vorhersage des nächsten Artikels) oder Text-/Bild-Embeddings für Artikel im Kaltstart.
• Ranking: LightGBM/XGBoost auf aufbereiteten Merkmalen bleibt eine starke Basis; tiefe Ranker lohnen sich bei hohem Traffic.
• Rolle von LLMs (2026): Erzeugen von Artikel-Embeddings aus Beschreibungen, Erklären einer Empfehlung, dialogorientierte Einkaufsassistenten und synthetische Kaltstart-Merkmale. LLMs ersetzen den Ranker selbst im großen Maßstab selten, wegen Latenz und Kosten.
• Mensch-in-der-Schleife (Human-in-the-Loop): Merchandiser legen Regeln fest, pinnen oder schließen Artikel aus und prüfen Experimentergebnisse.

Datenaufbereitung

Benötigte Daten: Produktkatalog (Titel, Beschreibungen, Bilder, Attribute, Lagerbestand), Verhaltensereignisse (Ansichten, Klicks, In-den-Warenkorb, Bestellungen) und der Einwilligungsstatus pro Besucher. Im Mittelstand liegen diese typischerweise im Shopsystem oder ERP, in der Web-Analyse, im Newsletter-Tool und manchmal in Excel-Preislisten.

Typische Lücken: dünne oder uneinheitliche Produktbeschreibungen, fehlende Attribute, doppelte Varianten, Bestelldaten ohne Verknüpfung mit Web-Sitzungen, Ereignisse ohne Einwilligungskennzeichen erfasst, keine stabile Kunden-ID über Geräte hinweg und wenig Historie bei neuen Shops (Kaltstart).

Aufbereitungsschritte: - Katalog bereinigen: eindeutige IDs, normalisierte Attribute und Kategorien (PREP-011, PREP-019), vollständige Texte und Bilder. - Bestellungen und Ereignisse per API oder Konnektor exportieren (PREP-005); mit einem Einwilligungskennzeichen verknüpfen und IDs pseudonymisieren (PREP-022, PREP-025). - Geschäftsregeln (Marge, Lagerbestand, Ausschlüsse) und ein Kennzahlen-Glossar festlegen (PREP-012). - Von Anfang an einen sauberen A/B-Holdout einrichten.

Werkzeuge: Shop-Export oder API, dbt oder einfache SQL-/Python-Skripte, Snowplow oder serverseitiges Tracking, eine Consent-Management-Plattform.

Aufwandsanteil: etwa 30-40 Prozent des Projekts; bei einer zugekauften App besteht ein Großteil aus Katalog- und Tracking-Bereinigung. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. Ausgereifte, in der EU hostbare Empfehlungs-Apps für Shopify, Shopware und ähnliche Shops gibt es zu KMU-tauglichen Preisen, und der Ablauf ist standardisiert.
• Großunternehmen: B. Das Ranking liegt nah am Kerngeschäft, daher lohnen sich eigene Regeln, eigene Ereignisdaten und eine eigene Platzierungs-API auf Cloud-KI-Diensten und vermeiden Gebühren pro Sitzung bei hohem Volumen.
• Entwickler: C. Open-Source-Empfehler (Gorse, implicit, RecBole) mit pgvector oder Qdrant laufen auf CPU und geben volle Kontrolle über Daten und Ranking-Logik.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Personalisierungsplattformen: Bloomreach, Algolia Recommend, Constructor, Dynamic Yield (Mastercard), Nosto, Klevu, Clerk.io (Dänemark), Epoq (Deutschland), Prudsys (Deutschland), Emarsys/SAP, Raptor Services (Dänemark), Relewise (Dänemark). Anbieter aus der EU erleichtern DSGVO-Verträge, aber prüfen Sie die Unterauftragsverarbeiter.
• Hyperscaler-Dienste: Google Vertex AI Search for commerce, Amazon Personalize (EU-Regionen) [2][3].
• Apps der Shop-Plattformen: Die Ökosysteme von Shopify und Shopware bieten Empfehlungs-Apps.
• A wählen, wenn: weniger als einige Hunderttausend Sitzungen pro Tag und keine ungewöhnliche Ranking-Logik. Prüfen Sie Unterstützung für den Consent-Modus, Datenstandort, Export Ihrer Ereignisdaten und A/B-Werkzeuge.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Amazon Personalize oder Vertex AI Search for commerce als Modellschicht; eigene Ereignis-Pipeline (Snowplow, CDP nach Art von Segment oder serverseitiges Tracking), Feature Store und Platzierungs-API.
• Text-/Bild-Embeddings aus einer Cloud-Embedding-API (z. B. Mistral Embed, Cohere Embed, OpenAI, Gemini-Embeddings), gespeichert in pgvector, OpenSearch oder Qdrant für die Suche nach ähnlichen Artikeln.
• LLM-Schicht für Erklärungen oder Bundle-Texte über einen Endpunkt in einer EU-Region; halten Sie Prompts frei von personenbezogenen Daten.

Weg C — Selbst betreiben (Open Source)

• Bibliotheken: implicit, LightFM, RecBole, TorchRec (Meta), TensorFlow Recommenders, NVIDIA Merlin (Transformers4Rec, HugeCTR) [4]; Gorse als schlanker Empfehlungsdienst.
• Bereitstellung: Qdrant, Milvus oder pgvector für ANN-Retrieval; LightGBM fürs Ranking; Feast als Feature Store.
• Embeddings: offene mehrsprachige Modelle wie BGE-M3, multilingual-e5 oder Jina-Embeddings; SigLIP für Bilder.
• Hardware: klassische Empfehler laufen auf CPU; HW2 genügt für Embeddings und das Training bei einem mittelgroßen Shop. Mittelgroße Kataloge (unter ca. 1 Mio. Artikeln) brauchen in der Bereitstellung keine GPU.

Weg D — Eigenes Training

Lohnt sich bei großen Katalogen und viel Traffic (Millionen Ereignisse pro Tag), wenn der Zugewinn eines eigenen Sequenz- oder Two-Tower-Modells gegenüber einer zugekauften Engine ein Team rechtfertigt. Erfordert Monate sauberer Ereignis- Historie; Trainingsdaten sind Ihre eigenen Logs mit sorgfältigen zeitbasierten Aufteilungen, um Datenleckage zu vermeiden.

Stand der Technik (2026)

• Die zweistufige Architektur (Retrieval, dann Ranking) mit ANN-Suche ist der Industriestandard; sequenzbewusste Transformer und generatives Retrieval (semantische Artikel-IDs) wandern bei den größten Plattformen aus der Forschung in die Produktion [5].
• Offline-Metriken täuschen: Gewinne bei NDCG/Recall schlagen sich oft nicht in einer Online-Steigerung nieder; Popularitäts- Baselines sind bei kleinen Datenmengen schwer zu schlagen. Bewerten Sie mit Online-A/B-Tests und Holdouts.
• LLM-basierte Empfehler und dialogorientierte Einkaufsassistenten werden eingesetzt, können aber Produkte halluzinieren oder den Lagerbestand ignorieren; verankern Sie sie per Katalog-Retrieval.
• Grenzen und Fehlerbilder: Kaltstart, Popularitätsverzerrung und Filterblasen, Rückkopplungsschleifen, Empfehlung bereits gekaufter oder nicht vorrätiger Artikel sowie spärliche Daten bei kleinen Shops, wo einfache Regeln (gleiche Kategorie, Bestseller, „zusammen gekauft“) fast ebenso gut abschneiden.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack (embedding-text + vector-db): KNOW-005 (semantische Produktsuche) und VIS-022 (visuelle Suche) nutzen dieselben Artikel-Embeddings und denselben Index.
• Kombinieren mit: REC-006 (E-Mail-Blöcke), REC-003 (Next Best Action), PRED-020 (Retourenprognose, um Artikel mit hoher Retourenquote nicht zu bewerben), REC-012 (Größe/Passform), REC-013 (gesponsertes Ranking), AGENT-020 (Agent für den Shopbetrieb). Ereignis-Tracking und Consent-Management teilen sich alle REC-Marketing-Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; meist abgerechnet pro Sitzungen/Anfragen oder als Umsatzanteil.
• Weg B: 1-3 Monate für Pipeline, Platzierungen und Experimente; die Cloud-Kosten entstehen überwiegend bei der Ereignisverarbeitung.
• Weg C/D: 3-6+ Monate und ein ML-/Data-Engineering-Team.
• Kennzahlen: Klickrate auf Widgets, Konversionsrate, durchschnittlicher Bestellwert, Umsatz pro Besucher (jeweils aus einem randomisierten Holdout), Katalogabdeckung, Anteil angezeigter Long-Tail-Artikel, Retourenquote empfohlener Artikel, Latenz (p95) sowie Beschwerden oder Opt-out-Quote.

Menschen & Veränderung

Einbinden: Geschäftsführung (Budget, Ziele) und die Shop- oder Marketingleitung (Prozessverantwortung) von Anfang an; die IT für Tracking, Feeds und Integration; die/den Datenschutzbeauftragte(n) frühzeitig, weil Verhaltens-Tracking und Profiling eine Rechtsgrundlage und Einwilligung brauchen (GUIDE-005); Datenverantwortliche für Katalog und ERP für saubere Daten.

Betriebsrat: in der Regel keine Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, da das System Käufer bewertet, nicht Beschäftigte. Relevant wird es, wenn Dashboards für Mitarbeitende die Aktivität einzelner Merchandiser protokollieren; informieren Sie dann den Betriebsrat frühzeitig (§90 Abs. 1 Nr. 3 BetrVG, GUIDE-004).

Datenschutz: ein AVV (Art. 28 DSGVO) mit jedem Anbieter; eine DSFA (Art. 35 DSGVO) ist voraussichtlich nur bei Profiling in großem Umfang nötig.

KI-Kompetenz: Die KI-Verordnung (AI Act) Art. 4 verlangt Maßnahmen zur Förderung der KI-Kompetenz; eine kurze Schulung für Merchandiser und Marketing dazu, was der Ranker tut, wo seine Grenzen liegen und wie man Regeln festlegt, genügt (GUIDE-006).

Pilot und Kommunikation: Beginnen Sie mit einer Platzierung (Produktseite oder Warenkorb) und einer Holdout-Gruppe, berichten Sie den Zugewinn offen und erklären Sie, dass das System Vorschläge macht, während die Merchandiser über Pins, Sperren und Ausschlussregeln die Kontrolle behalten. Typische Sorgen sind die Angst, die Kontrolle über die Kuration zu verlieren, und Filterblasen; begegnen Sie ihnen mit editierbaren Regeln und Diversitätsprüfungen. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko; keine Kategorie nach Anhang III. KI-Kompetenz (Art. 4) gilt. Art. 5 verbietet manipulative oder ausnutzende Techniken, die das Verhalten wesentlich verzerren; vermeiden Sie Dark Patterns, das Ausnutzen von Schwächen (Minderjährige, finanzielle Notlage) und versteckte Dringlichkeitssignale [6].
• DSGVO / ePrivacy: Verhaltensbasiertes Profiling braucht eine Rechtsgrundlage; Cookies oder Gerätezugriff für Tracking brauchen meist eine Einwilligung (ePrivacy-Richtlinie Art. 5 Abs. 3). Kontextbezogene Empfehlungen (aktuelles Produkt, kein Profil) brauchen weit weniger. Beachten Sie Opt-outs, begrenzen Sie die Speicherdauer, dokumentieren Sie Interessenabwägungen, wo sie herangezogen werden, und schließen Sie Auftragsverarbeitungsverträge ab. Art. 22 DSGVO greift selten, da Empfehlungen keine rechtliche oder ähnlich erhebliche Wirkung haben [7].
• Digital Services Act: Online-Plattformen und Marktplätze müssen die wichtigsten Parameter ihrer Empfehlungssysteme in den Geschäftsbedingungen beschreiben (Art. 27); sehr große Plattformen müssen eine Option ohne Profiling anbieten (Art. 38) [8].
• Verbraucherrecht: Personalisierte Preise müssen offengelegt werden (Verbraucherrechterichtlinie); gesponserte Platzierungen klar kennzeichnen.
• Gegenmaßnahmen: einwilligungsbewusstes Tracking, kontextbezogene Rückfalllösung, Diversitätsvorgaben, Ausschluss altersbeschränkter Artikel, Prüfprotokoll der Regeln und Verzerrungsprüfungen über Kundengruppen hinweg.

Erste Schritte

1. Zuerst das Tracking in Ordnung bringen: serverseitige Ereignisse, Einwilligungsstatus, stabile Produkt-IDs und ein sauberer Katalog-Feed.
2. Mit einfachen Platzierungen beginnen (ähnliche Artikel auf Produktseiten, „zusammen gekauft“ im Warenkorb), mit einem zugekauften Tool oder eingebauten Widget.
3. Einen randomisierten A/B-Test mit Holdout über mindestens zwei Geschäftszyklen durchführen; die primäre Kennzahl vor dem Start festlegen.
4. Geschäftsregeln (Lagerbestand, Marge, Ausschlüsse) und eine kontextbezogene Rückfalllösung für Besucher ohne Einwilligung ergänzen.
5. Erst danach eigene Modelle oder Embedding-basierten Kaltstart für neue Artikel prüfen.

Quellen

1. Linden, Smith, York — Amazon.com recommendations: item-to-item collaborative filtering (IEEE Internet Computing, 2003) — https://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf
2. AWS — Amazon Personalize developer guide — https://docs.aws.amazon.com/personalize/latest/dg/what-is-personalize.html
3. Google Cloud — Vertex AI Search for commerce — https://cloud.google.com/solutions/retail-product-discovery
4. NVIDIA Merlin recommender framework — https://github.com/NVIDIA-Merlin/Merlin
5. Rajput et al. — Recommender Systems with Generative Retrieval (NeurIPS 2023) — https://arxiv.org/abs/2305.05065
6. Regulation (EU) 2024/1689 (AI Act), Art. 4 and 5 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Regulation (EU) 2022/2065 (Digital Services Act), Art. 27 and 38 — https://eur-lex.europa.eu/eli/reg/2022/2065/oj