Tipps für die Auswahl eines Recommendation Tools

Willkommen im Zeitalter des personalisierten Marketings mit all seinen Möglichkeiten und Herausforderungen! Unsere Experten geben Tipps, was man bei der Auswahl eines Lösungsanbieters für Produktempfehlungen in Online-Shops beachten sollte. Wir befinden uns beim Online-Einkauf: gerade haben wir einen Artikel im Shop in den Warenkorb gelegt und wollen uns zur Kasse begeben, als sie auch schon am unteren Rand des Bildschirms erscheint – die Produktempfehlung.

In vielen Fällen handelt es sich hierbei nicht nur um nützliches Zubehör zum gerade erstandenen Produkt, sondern immer öfter auch um freudige Überraschungen und interessante Angebote, bei deren Durchsicht sich einem der Gedanke aufdrängt: „Die wissen ja besser als ich, was mir gefällt“.

recommendation engine | teaser | diconium

Tipps für die Auswahl eines Recommendation Tools

 

Was für Typen von Systemen gibt es?

Diese Angebote können Online-Shops ihren Kunden bieten, wenn sie das richtige Recommendation Tool besitzen. Die Software-Lösungen sind jedoch vielfältig und nicht jede eignet sich für jedes Unternehmen oder jede Art von Produkt. Im Folgenden möchten wir zwei Fragen für erfolgreiche Empfehlungen in den Mittelpunkt rücken, über die man unbedingt nachdenken sollte, bevor man sich für eine Variante entscheidet.

HERAUSFORDERUNGEN

  • Wie schafft man es, mehr als bloß die offensichtlichen Beziehungen zwischen Produkten im Short-Head-Bereich für seine Recommendations zu nutzen?
  • Wie lassen sich Empfehlungen an strategisch wichtigen Positionen bereitstellen?

Zu Beginn empfiehlt sich zuerst einmal ein kurzer Überblick über die gängigsten Recommendation Tools und ihre Eigenschaften. Zum einen unterschieden sich die Systeme in der Art und Weise, wie sie genutzt werden können: manche Anbieter verkaufen komplette Lizenzen; andere erstellen individuell zusammengestellte Lösungen oder Modul-Pakete mit bestimmten Leistungen; wieder andere bieten flexible Software-Miete on demand an (SaaS/ASP).

Welche Beziehungen können angezeigt werden?

Zum anderen variiert die Komplexität der Zusammenhänge, die die Software zwischen Produkten, Nutzern und deren Bedürfnissen erkennen kann. Der Short-Head-Bereich wird schon von den klassischen Shopsystemen, wie hybris oder Intershop, abgedeckt. Hier ergeben sich die Recommendations, die dem Nutzer eingeblendet werden, aus der Produktgruppe, die standardmäßig als Ergänzung für einen eben erworbenen Artikel angeboten wird. Kauft man einen Akku-Schrauber, benötigt man möglicherweise gleich den passenden Ersatzakku; hat man einen Drucker erstanden, wäre der dazugehörige Toner eine naheliegende Erwerbung. Die im Short-Head-Bereich generierten Empfehlungen kommen auf Expertenbasis zustande und sind auch für rechtliche Fragen oder Garantieansprüche nicht unerheblich: Der Kunde verlässt sich darauf, dass ihm der zum Drucker passende und nicht irgendein Toner empfohlen wird.

Welche Rolle spielt der Warenkorb?

Die Basis der typischen Recommendation-Anwendungsfälle ist die Warenkorbanalyse. Hier wird ermittelt, welche Gegenstände häufig gemeinsam in den Warenkörben der Kunden landen. Es geht also nicht nur um die Notwendigkeit, ein Produkt mit einem anderen zusammen zu kaufen, wie oben, sondern auch um die persönlichen Präferenzen der breiten Masse. Daraus resultieren dann beispielsweise im Fashionbereich solche Empfehlungen wie: „Diese Hose wird häufig zusammen mit dieser Bluse gekauft“. Hierfür eignen sich durchaus einfachere Recommendation Tools, die auch oft als Teil einer Gesamt-Software-Lösung angeboten werden.

Long-Tail-Beziehungen zwischen verschiedenen Produkten und einem potenziellen Käufer bedürfen einer komplexeren Analyse. Hier wird die Information aus den Warenkorb-Analysen mit weiteren Attributen, wie kontext- oder kundenprofilbezogenen Informationen angereichert. Damit nähern sich solche Lösungen auch schon stark dem Thema „Personalisierung von Web-Inhalten“ an.

Welche anderen Faktoren sind wichtig für die Empfehlung?

Wie komplex die Zusammenhänge sein können, die im Longtail-Bereich eine Rolle spielen, zeigt ein Beispiel der Firma Booklamp. Demnach werden Kunden Bücher nicht nur nach Genre empfohlen, sondern auch nach Faktoren, wie Sprache, Ablauf der Handlung oder Art der Charaktere, die dort vorkommen. Man geht sogar so weit, eine Art Buch-DNA zu entwickeln, wo je nach Kapitel der Grad der Spannung oder die Anzahl der sexuellen Inhalte erfasst und als eine Art Profil mit anderen Büchern – auch aus ganz anderen Genres – abgeglichen wird. Anbieter für Longtail-Recommendation-Software sind unter anderem richrelevance, prudsys, Econda oder Factfinder.

Gerade im Longtail-Bereich jedoch stellt sich die Herausforderung, dass hier bei sehr großen Produktsortimenten oft einseitige Produktkombinationen empfohlen werden. Hierbei verlässt sich das System gerne auf sogenannte Top-Seller-Kombinationen, nach dem Motto: „Never change a winning team“. Hierbei spricht man auch von einer „selbsterfüllenden Prophezeiung“, da durch die Empfehlung einer Produktkombination gerade diese zum Kauf und damit verstärkten Empfehlungen führt. Bei vielen Reco-Lösungen in diesem Bereich besteht jedoch die Möglichkeit, neben den eingebauten Algorithmen, ergänzende Vergleichsattribute oder weitere Entscheidungskriterien (z.B. Verfügbarkeit, Lieferzeit, Marge, usw.) mit einzubeziehen, die solch einer Übergenerierung entgegenwirken.

Wo und wie sollten die Recommendations angezeigt werden?

Neben der optimalen Auswahl von Produktempfehlungen spielt die Darstellung (z.B. Anzeigeposition) eine wichtige Rolle. Hier kann man sich beispielsweise der Analogie zu organischen Google-Anfragen bedienen. Dort wird immer wieder festgestellt, dass nur Resultate in absoluten Top-Positionen (Seite 1, Position 1) überhaupt organische Klick-Raten von bis zu 36,4% erzeugen. Auf Seite 2 sind es gar nur noch 1,5%. Dies lässt erahnen, wie wichtig es gerade bei Information im Netz ist, eine Empfehlung, die der Kunde unbedingt wahrnehmen soll, an strategisch wichtigen Punkten zu platzieren, denn seine Aufmerksamkeit ist eher kurzlebig. Übersetzt auf das Thema Produktempfehlungen gilt auch hier: „above the fold“ – also im Bereich, der für den Nutzer sichtbar ist, ohne nach unten zu scrollen – ist immer besser als weiter unten. Doch schon bei der gleichzeitigen Anzeige von mehreren Empfehlungen wird es schwierig. Wenn man die Ergebnisse für Google-Anfragen auf die Empfehlungen überträgt, könnte man daraus schließen, dass gerade im Middle- und Longtail-Bereich die erste Empfehlung in einer Reihe eher bzw. ausschließlich die ist, die angeklickt wird. Einige Software-Lösungen erlauben auch hier ein Eingreifen durch den Anbieter: Bestimmte Parameter, wie Preis, Verfügbarkeit oder Bestand können für die Anordnung der empfohlenen Produkte hinzugezogen werden. So wird nicht nur ein für den Nutzer interessantes, sondern auch ein für den Verkäufer wichtiges Produkt immer an den Anfang der Reihe gesetzt, was die Chancen auf Klicks erhöht.

Bei der Vielzahl an Software-Lösungen ist es nicht einfach, die für den jeweiligen Anwendungsfall geeignete zu ermitteln.

Hier finden Sie eine Check-Liste für die Auswahl eines passenden Recommendation Tools

  • Hohe Performance und Skalierbarkeit
  • Integrierte Erfolgsmessung (Test-Funktionen, umfangreiche Statistiken)
  • Vielfältige & relevante Empfehlungstypen (Listensortierung, Bannersteuerung)
  • Selbstlernendes System, möglichst ohne manuellen Aufwand
  • Passende Empfehlungen auch nach Sortimentswechsel
  • Umfangreiches Filterframework zum Einstellen von Business-Logiken
  • Mehrfachzuordnungen von Produkten zu Kategorien müssen adäquat gehandhabt werden
  • Gute Mechanismen für „Sparse Data“ (Longtail, neue Artikel)
  • Unterstützung des MCR-Ansatzes: Verwendung & Empfehlungen in anderen Kanälen
  • Reaktionsgeschwindigkeit auf Veränderungen im Sortiment

 

Wie geht es jetzt weiter?

 

Ihr Kontakt bei diconium

Daniel Rebhorn
co-founder/managing director diconium