Wann und wie das Produktempfehlungssystem implementiert wird

Produktempfehlungen erfreuten sich seit ihrer Einführung im Einzelhandel durch Amazon im Jahr 2008 immer größerer Beliebtheit und könnten sowohl für Händler als auch für ihre Kunden einen großen Mehrwert bieten. Der Hype führte zum Auftauchen zahlreicher, teilweise gefährlicher Mythen im Zusammenhang mit Produktempfehlungen (meist von den Vertriebs- und Marketingteams der Anbieter erstellt). Das heißt, Sie könnten die Produktempfehlungslösung immer noch als völlig autonomes Wundermittel darstellen, das den Gewinn direkt nach der Installation auf der Website steigern würde.

In Wirklichkeit sind die Dinge viel komplizierter. Die Produktempfehlungen könnten beides bewirken – Ihren Umsatz steigern und die Conversion ruinieren. Und es ist schwierig, den Mehrwert zu messen, da die meisten kostenlosen Analysetools Sie hier in die Irre führen können, was zu höheren Verlusten führt.

In diesem Artikel versuche ich, die wichtigsten Themen abzudecken, die ein Einzelhändler beim Umgang mit Produktempfehlungen berücksichtigen muss, und gebe einige konkrete Tipps und Tricks, wie Sie Ihre Produktwerbung optimal nutzen können.

Beginnen Sie mit Workflows und Kampagnen, nicht mit den Tools

Produktempfehlungen sind Sammlungen von Artikeln, die Kunden zum Kauf vorgeschlagen werden. Produktempfehlungen können unterschiedlich sein, je nachdem, wo der Produktvorschlag angezeigt wird, beispielsweise auf dem Tablet eines Vertriebsleiters oder auf einer Produktkarte, und je nachdem, welche Ziele das Unternehmen verfolgt, beispielsweise eine Steigerung des durchschnittlichen Bestellwerts oder eine Steigerung der Konversion oder des Umsatzes.

Bevor Produktempfehlungen umgesetzt werden, ist es wichtig zu verstehen, in welchen Arbeitsabläufen sie für den Kunden nützlich sind. Im klassischen E-Commerce-Geschäft sehen Empfehlungen aus wie Produktkarten, die an verschiedenen Stellen der Website angezeigt werden. Wenn Sie sich beispielsweise auf der Website einer Marke für ein T-Shirt entscheiden, werden dem Kunden weitere ähnliche T-Shirts empfohlen und gezeigt.

Offline-Empfehlungen können am POS einem Filialmitarbeiter oder einem Vertriebsleiter auf seinem Tablet angezeigt werden. Auch Produktempfehlungen können für ein Callcenter hilfreich sein. Wenn ein Kunde anruft, kann der Betreiber Produkte vorschlagen, die auf der Kaufhistorie und den Ansichten des Kunden basieren.

Gleichzeitig können Produktvorschläge jederzeit genau abgestimmt werden, um besser zu bestimmten Geschäftszielen oder den Bedürfnissen eines Zielgruppensegments zu passen. Empfehlungen können beispielsweise nur Produkte mit einem Rabatt anzeigen (um den UPT, Einheit pro Transaktion), nur Waren einer bestimmten Marke (z. B. diejenige, die den meisten Gewinn generiert) oder nur Produkte mit einem Rabatt anzuzeigen Sie haben eine Menge davon auf Lager.
Hier sind einige Beispiele, wie Online- und Offline-Empfehlungen aussehen können:

Online-Kanäle

• Auf der Homepage – beliebte Produkte;

• Im Katalog – beliebte Produkte aus der Kategorie;

• Auf der Produktkarte – verwandte oder ähnliche Produkte;

• Im Warenkorb – verwandte Produkte oder die von Kunden am häufigsten gekauften Produkte.

  
  

Offline-Kanäle

• Im Callcenter – verwandte oder häufig gekaufte Produkte;

• Auf dem Tablet des Vertriebsleiters – Bestseller und Produktkollektionen;

• Am POS – verwandte oder werbliche Angebote.

  
  

Entscheidend bei all diesen Anwendungsfällen ist, dass Ihre Empfehlungen idealerweise über die verschiedenen Touchpoints und Kommunikationskanäle hinweg konsistent sind. Stellen Sie sich die Erfahrung vor, die Ihre Kunden machen könnten, wenn sie in Ihrer Werbe-E-Mail, Ihrem E-Commerce-Katalog und im Gespräch mit einem Callcenter-Mitarbeiter während der Auftragsbestätigung unterschiedliche (oder sogar widersprüchliche) Produktempfehlungen erhalten. Wenn dies der Fall ist, könnten Sie eine Lösung in Betracht ziehen, die es Ihnen ermöglicht, Ihre Produktempfehlungslogik zentral über alle Touchpoints hinweg zu orchestrieren – z. B. eine Customer Data Platform (CDP) oder ähnliches.

Die gleiche Logik gilt für Varianten von Produktempfehlungsalgorithmen in unterschiedlichen Phasen der Customer Journey – das heißt, es macht möglicherweise wenig Sinn, günstigere Alternativen im Warenkorb oder an der Kasse zu bewerben (wir werden weiter unten ausführlicher darauf eingehen).

So bewerten Sie die Effizienz von Produktempfehlungen

Unterschiedliche Kombinationen aus Zustand und Zusammensetzung der Produktempfehlungen wirken sich auf unterschiedliche Weise auf die Kennzahlen aus. Dies gilt unabhängig davon, ob Sie Geschäftskennzahlen wie den durchschnittlichen Bestellwert oder Umsatz oder Proxy-Kennzahlen (oder Zwischenkennzahlen) wie die Seitentiefe, die Klickrate und die Häufigkeit, mit der Produkte zu Ihren Favoriten hinzugefügt wurden, betrachten in den Warenkorb des Kunden.

Beliebte Produkte mit einem Rabatt auf der Homepage können den durchschnittlichen Bestellwert senken, dafür aber die Conversion-Rate erhöhen. Die Empfehlung ähnlicher, teurerer Produkte in der Produktkarte kann die Conversion-Rate senken, aber den durchschnittlichen Bestellwert und den Gesamtgewinn steigern.

Informationen zu Proxy-Metriken (z. B. Aufrufe) werden schneller erfasst, bedeuten jedoch nicht immer den Geschäftserfolg. Beispielsweise hat ein Apothekenhändler im Rahmen des Experiments, das wir auf seiner Website gestartet haben, Produktempfehlungen zur Warenkorbseite hinzugefügt, um die Anzahl der Produkte bei jedem Einkauf zu erhöhen. Während der zwei Testtage verlor das Unternehmen im Vergleich zur Kontrollgruppe 30.000 US-Dollar. Es stellte sich heraus, dass Kunden begannen, den Warenkorb zu verlassen, um die Produktkartenseiten der Empfehlungen aufzurufen, und dabei vergaßen, ihre Bestellung abzuschließen. Wir sahen, dass die Seitentiefe zunahm, aber am Ende ging der Gesamtumsatz zurück.

Dies sind die Kennzahlen, die am stärksten von Produktempfehlungen betroffen sind:

Geschäftskennzahlen

• Einnahmen
• Profitieren
• Umwandlung in eine Bestellung
• Durchschnittlicher Bestellwert
• Anzahl der Produkte in der Bestellung

Proxy-Metriken

• Besuchstiefe
• Sitzungsdauer
• Absprungrate
• Produktkartenansichten
• Artikel zum Warenkorb, zur Wunschliste oder zur Vergleichsliste hinzugefügt

Um die Erstellung einer Liste von Produktempfehlungskampagnen zu vereinfachen, würde ich vorschlagen, diese zu klonen Miro-Board und Brainstorming-Lösungen, die für Ihr Unternehmen nützlich sind. Ich habe dort beispielhaft einige Optionen hinzugefügt.

So personalisieren Sie Produktempfehlungen

Nachdem Sie die Liste der Produktempfehlungen ermittelt und Zielmetriken festgelegt haben, müssen Sie darüber nachdenken, wie Sie die Qualität Ihrer Produktempfehlungen optimieren können. Produktempfehlungen sollen dabei helfen, den Kunden die nützlichsten Artikel vorzuschlagen. Dazu müssen die Produktvorschläge auf folgenden Faktoren basieren:

• Geschäftsziele – Umsatzwachstum, Rentabilität, durchschnittlicher Bestellwert, UPT und Verkaufsvolumen;

• Kundenverhalten – Browserverlauf, dem Warenkorb hinzugefügte Artikel und Favoriten, Online- und Offline-Kaufhistorie;

• Kundenverhalten anderer ähnlicher Kunden.

  
  

Auf diese Weise werden Produktvorschläge unter Berücksichtigung der Interessen des Unternehmens und des Kunden erarbeitet. Je mehr Daten berücksichtigt werden, desto genauer werden die Vorschläge. Wenn der Kunde ein Hemd offline gekauft hat, empfiehlt ihm die mobile App die passende Hose, da andere Kunden, die das gleiche Hemd gekauft haben, von dieser Hose begeistert sind.

Wie so oft wird die Historie der Interaktion des Kunden mit der Marke und dem Produktsortiment in mehreren Systemen gespeichert: Offline-Verkäufe in ERP-Software, Online-Verkäufe in etwas wie Shopify und Kundenaktionen (z. B. Hinzufügen von Artikeln zu Wunschlisten) in einem anderen Plattform. In diesem Fall wissen wir möglicherweise nicht, dass der Kunde, der gerade auf die Website zurückgekehrt ist, vor einer Stunde bereits einen Offline-Kauf getätigt hat. Crocs Osteuropa Beispielsweise verschickte das Unternehmen wöchentlich E-Mail-Blasts an sein gesamtes Publikum. Online-Kaufhistorie, Offline-Käufe, E-Mails, SMS und Web-Push-Benachrichtigungen wurden alle in verschiedenen Systemen gespeichert.

Infolgedessen hatten ihre Vermarkter keinen Zugriff auf eine einzige Datenquelle, die es ihnen ermöglicht hätte, Kampagnen zu versenden, die die Kaufhistorie berücksichtigten. Kunden könnten E-Mails erhalten, in denen ihnen beispielsweise Crocs empfohlen werden, die sie am Vortag gekauft haben. Eine der goldenen Regeln der Analyse lautet „Garbade rein – Garbade raus“, was bedeutet, dass Sie höchstwahrscheinlich ebenfalls unbefriedigende Ergebnisse erhalten, wenn Sie Ihren Algorithmus mit inkonsistenten oder unvollständigen Daten füttern. Hier gibt es (noch) keine Magie.

Um dieses Problem zu lösen, sollten die Daten in einem einzigen System zentralisiert werden. Es ist möglich, ein Repository zu entwickeln, das die Verwendung der gesammelten Daten für Marketingaktivitäten ermöglicht, aber das ist teuer. Der neueste Weg, diesen Engpass zu lösen, ist die Technologieklasse der Customer Data Platforms. Sie bieten ein umfassendes Spektrum an gebrauchsfertigen Lösungen für verschiedene Branchen.

Die Technologie ermöglicht es Unternehmen, automatisch Daten zum Kundenverhalten aus einer unbegrenzten Anzahl von Quellen hochzuladen, Daten zu bereinigen und zu vereinheitlichen und eine vollständige Historie der Kundeninteraktionen mit der Marke zu erhalten, auf deren Grundlage Sie Marketingkampagnen einschließlich Produktempfehlungen starten können.

Die gesammelten Daten können auch zum Trainieren von Algorithmen für maschinelles Lernen verwendet werden. Selbst Unternehmen mit Zehntausenden von Kunden sammeln in drei bis vier Monaten genügend Daten an (wobei in dieser Zeit etwa eine Million Kundenaktionsdatensätze generiert werden), um vom maschinellen Lernen zu profitieren. Algorithmen erstellen ein Profil der Interessen des Kunden, finden ähnliche Nutzer und empfehlen dem Kunden auf Basis dessen, was sie gekauft haben, weitere Produkte, die er möglicherweise kaufen möchte. Genau so geht es Persönliche Empfehlungen funktionieren bei der Modemarke Tom Tailor .

Ein weiterer Vorteil der Zentralisierung ist ein zusammenhängendes Omnichannel-Marketing. Dabei berücksichtigen Online-Kanäle die Beliebtheit von Artikeln offline und Produktempfehlungen auf der Website und in Kampagnen werden synchronisiert. Somit steigert die Datenzentralisierung die Qualität der Produktempfehlungen deutlich.

Es gibt viele Dienste, die Produktempfehlungen anbieten. Ihre Fähigkeiten unterscheiden sich in der Anzahl der Algorithmen, ob sie es ermöglichen, Produktempfehlungen anzupassen oder nicht, in den Tools, die sie zur Messung der Effizienz von Empfehlungen bieten, und in den verfügbaren Quellen zum Hochladen der Daten, um eine Empfehlungsmatrix zu erstellen. Bloomreach , Insider , Und Mindbox Stellen Sie Unternehmen Technologien zur Verfügung, die es ihnen ermöglichen, Produktempfehlungen mit ML-Lösungen zu verfeinern und Daten aus Online-, Offline- und mobilen Apps zu berücksichtigen.

So bewerten Sie die Effizienz von Produktempfehlungen

Die Tools zur Leistungsmessung unterscheiden sich je nach Kanal, in dem die Empfehlungen verwendet werden. Dabei ist das Prinzip unabhängig vom Kanal das gleiche. Die Kunden werden in zwei Gruppen eingeteilt. Eine Gruppe erhält Empfehlungen, die zweite nicht. Wenn die Umsätze in der Gruppe, die Empfehlungen erhält, höher sind, dann fanden die Kunden die Empfehlungen nützlich.

Online-Kanäle

Beim Online-Testen empfehle ich die Verwendung von Google Optimieren Werkzeug. Es ist kostenlos, es sind nur wenige Schritte zum Einrichten des Experiments erforderlich und es sind keine Programmierkenntnisse erforderlich, um den Test zu erstellen.

Wenn Sie bereits mit Google Analytics arbeiten, kann Optimize E-Commerce-Daten nutzen, um die Effizienz von Experimenten auszuwerten. Eine Variante der Website wird die Originalversion ohne Änderungen sein, während die andere Variante Produktempfehlungen für Kunden anzeigt. Für jedes einzelne Widget müssen Sie Ihr Experiment einrichten und dabei sicherstellen, dass sich die Daten nicht vermischen. Andernfalls wissen Sie nicht, welches spezifische Empfehlungs-Widget hilft und welches nicht. Incanto, ein Dessous- und Badebekleidungsgeschäft , erzielte nach der Umsetzung von Produktempfehlungen eine Umsatzsteigerung von 5,5 %.

Experimente in E-Mail-Kampagnen werden auf ähnliche Weise konfiguriert. Ein Teil der Empfänger erhält E-Mails mit Empfehlungen, der andere ohne Empfehlungen. A/B-Tests sind auf nahezu jeder E-Mail-Marketing-Plattform verfügbar.

Offline-Kanäle

Ein Offline-A/B-Test mit einer Kontrollgruppe funktioniert nach dem gleichen Prinzip wie ein Online-Test. Dies kann beim Testen von Produktempfehlungen in einem Callcenter erfolgen. Bei einem Anruf sendet die Software des Betreibers eine Anfrage an das CDP, wo das Publikum bereits in zwei Gruppen aufgeteilt ist. In der Hälfte der Fälle zeigt die Plattform Produktempfehlungen auf dem Bildschirm des Betreibers an. In anderen Fällen werden keine Empfehlungen gegeben. Anschließend wird basierend auf dem integrierten Bericht des CDP das Verhalten beider Gruppen verglichen, um festzustellen, wo Kunden mehr Einkäufe getätigt haben. Der gleiche Ansatz kann mit POS-Software angewendet werden, wenn der Kassierer nur in der Hälfte der Fälle Empfehlungen sieht, die den Kunden auffordern.

Wenn Produktempfehlungen nicht hilfreich sind

Produktempfehlungen als Instrument wurden vom Amazon-Konzern erfunden, um Kunden an ein Produktsortiment heranzuführen. Automatisierte Produktempfehlungen sind für Marken, deren Sortiment weniger als 100 Produkte umfasst, nicht sinnvoll. In diesem Fall haben die Algorithmen einfach nicht genügend Produkte zur Auswahl. Daher können die Empfehlungen einmalig manuell im CMS konfiguriert werden. Dies ist nicht nur kostengünstiger, da keine Technologie von Drittanbietern gekauft werden muss, sondern auch einfacher, da die Empfehlungen nach der Konfiguration nicht mehr unterstützt werden müssen.

Anders verhält es sich jedoch, wenn es um Empfehlungen geht, die nicht an einer Kontrollgruppe getestet wurden. Am Beispiel der oben erwähnten Apotheke (die Empfehlungen umsetzte und in zwei Tagen 30.000 US-Dollar verlor) kann man mit Fug und Recht sagen, dass das Unternehmen Geld verlieren könnte, wenn Empfehlungen nicht geprüft werden. Wenn wir das Beispiel eines Bekleidungsgeschäfts für Kinder unter zehn Jahren nehmen, brauchte ich drei Iterationen des Experiments in einem Zeitraum von zwei Monaten, um ein Umsatzwachstum von +25 % im Vergleich zur Kontrollgruppe zu erzielen.

So starten Sie Produktempfehlungen

Wenn Sie sich entscheiden, Produktempfehlungen in Ihrem Unternehmen auszuprobieren, empfehle ich Ihnen, die folgenden Schritte zu befolgen:

Erstellen Sie eine Kampagnenliste. Öffnen Sie Ihre eigene Website und versuchen Sie zu verstehen, in welchen Situationen Empfehlungen für Ihre Kunden nützlich sein könnten. An dieser Stelle empfehle ich, eine Art „Wunschliste“ mit allem zu erstellen, was Ihrer Meinung nach funktionieren könnte, angefangen von einfachen Lösungen, wie beliebten Produkten auf der Startseite, bis hin zu Pop-ups mit persönlichen Empfehlungen, wenn ein Kunde die Website verlassen möchte. Ordnen Sie den resultierenden Hypothesensatz entsprechend der Reichweite an. Je mehr Menschen die Empfehlungen sehen, desto schneller erhalten Sie ein statistisch signifikantes Ergebnis bei den Tests. Um eine Liste von Kampagnen zu erstellen, verwenden Sie die Miro Mindmap-Vorlage Ich habe oben angegeben.

Definieren Sie Metriken. Mithilfe von Kennzahlen können Sie verstehen, welche Produkte Sie empfehlen möchten, und die Erfolgskriterien bestimmen. Mein Rat ist, diese Aufgabe am Anfang nicht zu kompliziert zu machen. Sehen Sie sich den Umsatz und die Seitentiefe an (auch bekannt als „Fast-Proxy-Metrik“). Bei Offline-Empfehlungen könnte es sich um den Umsatz und einen durchschnittlichen Bestellwert handeln.

Zeigen Sie diese „Wunschliste“ den Entwicklern oder Vertretern des Produktempfehlungsdienstes. Die Entwickler können Ihnen sagen, wie lange die Umsetzung dauern wird, und die Servicemitarbeiter verraten Ihnen, wie Sie die gewünschten Kampagnen schnell aufsetzen können. Bei Diensten wie Bloomreach, Klaviyo oder Mindbox werden die beliebtesten Kampagnen sofort bereitgestellt. Durch das Feedback Ihrer Kollegen können Sie auch den Einführungsplan anpassen – bestimmte Phasen können schneller umgesetzt werden.

Sorgen Sie für Verwaltbarkeit und Anpassbarkeit. Prüfen Sie, ob Sie in der Lage sind, Ihre Empfehlungslogik über verschiedene Touchpoints hinweg zu koordinieren und sie so anzupassen, dass sie besser zu einem bestimmten Kundensegment passt – z. B. Markenliebhaber, Kauffreudige usw.

Laden Sie die Historie der Interaktion des Kunden mit der Marke und dem Produktsortiment in den Produktempfehlungsdienst hoch. Mit Daten aus Online- und Offline-Kanälen sowie mobilen Apps generieren Sie bessere Vorschläge und gewährleisten ein einheitliches Marketing an allen Touchpoints. Wenn Sie ein CDP nutzen, können Sie die gesammelten Daten auch für andere Marketingkampagnen nutzen.

Richten Sie ein Testtool ein. Sie können beispielsweise Google Optimize für Online-Kanäle und eine Kontrollgruppe für Offline-Kanäle verwenden. Die Verteilung der Haupt- und Kontrollgruppe kann 50/50 betragen, während die Effizienz anhand des Umsatzes beurteilt werden kann.

Überwachen Sie den Fortschritt des Experiments und passen Sie die Produktempfehlungen an, wenn sie nicht wie erwartet funktionieren. Es kann bis zu 2-3 Monate dauern, bis Sie die ersten erfolgreichen Ergebnisse erhalten, und einige Widgets können zu einem Umsatzrückgang führen. Sobald jedoch alles in Betrieb ist, werden Sie wie beim Incanto-Onlineshop eine Umsatzsteigerung von 5,5 % verzeichnen.