Projekt: Implementierung und Test von Produktempfehlungen
Produktempfehlungen mit Product Recommendations by Adobe Commerce
Tools für Produktempfehlungen gibt es mittlerweile wie Sand am Meer. Aber welches lohnt sich für welches Shop-System? Wir haben die auf der KI-Technolgie Adobe Sensei basierende Lösung von Adobe in dessen Shop-System Adobe Commerce (ehemals Magento) integriert und getestet.
Empfehlungen lohnen sich …
Wir kennen es von Amazon: “Kunden kauften auch”, “Inspiriert von deinem Browserverlauf, “Häufig erneut von Marken gekauft, die Ihnen gefallen könnten.” usw. Amazon kennt anscheinend einiges über uns. Und empfiehlt uns andere Produkte auf Basis dieses Wissens. Zum Wohl des Kunden und zum Wohl des Shop-Umsatzes.
Wie oft hat man Freunden beispielsweise Bücher oder Musik empfohlen und damit zu einem Teil des Erfolgs des Autors oder Künstlers beigetragen. Wir kennen die Vorlieben unserer Freunde und können unsere Empfehlungen deshalb im Vorwege bereits abwägen. Auch E-Commerce-Systeme sind in der Lage, dies zu einem gewissen Grad abzubilden. Dafür werden Empfehlungssysteme eingesetzt. Diese gehören zu einer Unterklasse eines Informationsfiltersystems, das Vorschläge für Elemente bereitstellt, die für einen bestimmten Benutzer am relevantesten sind. Typischerweise beziehen sich die Vorschläge auf verschiedene Entscheidungsprozesse, z. B. welches Produkt gekauft, welche Musik gehört oder welche Online-Nachrichten gelesen werden sollen.
Grundlegend unterscheidet man diese Systeme in zwei Recommender-Typen. Inhaltsbasierte Empfehlungen erzeugen Empfehlungen, indem sie sich auf Attribute von Artikeln und/oder Benutzern verlassen (bspw. “Angebote passend zu deinen angesehen Artikeln”). Dagegen konzentrieren sich kollaborative Filtermethoden ausschließlich auf die vergangenen Interaktionen von Benutzern mit den Elementen, um Empfehlungen zu generieren (bspw. “Kunden, die Artikel in deinem Browserverlauf angesehen haben, haben auch angesehen”).
… auch für Adobe-Commerce-Kunden
Es gibt diverse technische Systeme für das Empfehlungsmarketing in Online-Shops, die beide Recommender-Typen kombinieren und somit eine personalisierte Shopping Experience versprechen. Ein verbreitetes System ist bspw. das Recommender-System von Nosto. Aber auch Adobe Commerce enthält out of the box ein vielversprechendes System. Adobe Commerce Product Recommendations basieren auf Adobe Sensei, das künstliche Intelligenz und Algorithmen des maschinellen Lernens verwendet, um eine tiefgehende Analyse aggregierter Besucherdaten durchzuführen. Den Nutzen dieser Commerce-Integration haben wir uns im Rahmen einer Studie genauer angeschaut und in Kundenprojekten implementiert.
Tudock testet
Wir haben bei Tudock die Auswirkungen der Produktempfehlungen von Adobe Commerce auf das Konsumentenverhalten nachvollzogen. Dafür haben sich ca. 15 Personen im Unternehmen dazu bereiterklärt, über zwei Wochen an einem Versuch inklusive regelmäßiger Befragungen teilzunehmen. Die Versuchsteilnehmer haben jeden Tag Aufgaben für die Bedienung eines Demo-Stores mit integrierten Produktempfehlungen bekommen, bspw. “Kaufe ein Sportoutfit und Accessoires zum Joggen.” Dabei wurde die Conversion der Empfehlungen auf Landingpages oder Produktdetailseiten gemessen und die qualitative Entwicklung der Empfehlungen beobachtet. Nach jedem Versuchsvorgang haben die Teilnehmer Fragebögen zu den Empfehlungen ausgefüllt, in denen bspw. nach der qualitativen Einordnung der Produktempfehlungen gefragt wurde.
Aus dem Gesamtbild der Conversion- und Umfragedaten hat sich für uns ein positives Bild ergeben. Es zeigt sich vor allem, dass die Empfehlungen mit fortschreitender Benutzerinteraktion immer überzeugender wurden. Zwar ist dies aufgrund der Anwendung von kollaborativen Filtermethoden zu erwarten, da dafür erst einmal Daten gesammelt werden müssen. Der Anstieg an Kundenzufriedenheit und Conversion über die Empfehlungen ist trotzdem signifikant hervorzuheben.
So macht das Adobe Commerce
Adobe Commerce verwendet Adobe Sensei zur Kalkulation der Empfehlungen. Adobe Sensei ist die Technologie, die mit Hilfe von KI, maschinellem Lernen und Deep Learning intelligente Funktionen in allen Adobe-Produkten ermöglicht. Diese Technologie wird neben der Personalisierung von Daten basierend auf Kundenprofilen auch viel im Bereich der Content-Kreation von Adobe-Produkten eingesetzt (bspw. Bild-Bearbeitung). Für die Produktempfehlungen werden die notwendigen Daten durch Tracking der Benutzeraktivität sowie Synchronisierung der Produktdaten in einem externen Datenservice vorgehalten.
Um die Aktualität der Produktempfehlungen zu gewährleisten, werden die Produktdaten regelmäßig synchronisiert. Darüber hinaus bieten die Dashboards im Adobe Commerce Backend gute Möglichkeiten, den Datenaustausch nachzuvollziehen und zu steuern.
Die Administration von Adobe Commerce bietet viele Möglichkeiten, den Kunden entsprechende Empfehlungen auszuspielen. Die Empfehlungstypen werden dabei von Adobe in vier Kategorien eingeteilt:
Personalisierte Empfehlungen basieren auf kundenspezifischem Verhalten wie bisherige Einkäufe oder dem Browser-Verlauf.
Cross-Sells und Up-Sells berücksichtigen neben persönlichem Verhalten auch Beziehungen der Produkte untereinander (bspw. Produkte, die häufig zusammen gekauft werden).
Beliebtheit ist eine Kategorie für Empfehlungslisten, welche die Häufigkeit von Parametern hinsichtlich aller Kunden als Kalkulationsgrundlage wählt (Bestseller, am häufigsten angeschaut).
Leistungsstarke Empfehlungstypen bevorzugen leistungsfähigste Produkte basierend auf Erfolgskriterien wie Add-to-Cart- oder Konversionsraten.
Die einzelnen Listen lassen sich in der Administration an verschieden Stellen des Shop-Frontends integrieren:
auf der Startseite als Teaser,
auf Kategorie-Seiten,
auf Produktdetailseiten,
im Warenkorb,
auf der Bestell-Bestätigungsseite,
auf Landingpages und grundsätzlich in allen Content-Seiten und -Blöcken (mit Hilfe des Page Builders)
Die Möglichkeiten sind vielfältig – aber wie nutze ich diese als Shopmanager am besten?
Mit den Produktempfehlungen zum Erfolg
In Kundenprojekten hat sich wie so oft ein kontinuierlicher Verbesserungsprozess als erfolgreich herausgestellt. Schritt eins ist dabei das Aufstellen von Thesen, wie z.B. “Auf Produktdetailseiten kann ich die Conversion mit Up-Selling erhöhen” oder “Themenbasierte Landingpages mit entsprechenden Produktempfehlungen erhöhen die Conversion”. Man kann mit Bestsellern auf der Startseite anfangen oder Cross-Selling im Warenkorb anbieten. Ist das implementiert, sollte man messen. Adobe Commerce Product Recommendations ermöglichen die Erfolgsmessung der einzelnen Elemente durch Conversion Tracking.
Auf Basis dieser Werte können Empfehlungselemente verändert oder neu hinzugefügt werden. Durch kontinuierliche Messung lässt sich im Laufe der Zeit das beste nachhaltige Setup für das Empfehlungsmarketing im Shop-Frontend ableiten. Wer also auch wie Amazon die Produktempfehlungen als Baustein des Shop-Erfolgs begreift, hat durch Adobe Commerce Produktempfehlungen eine sehr effektives System für den eigenen Online Shop (vorausgesetzt Sie nutzen Adobe Commerce)!
Hero Image by Freepik
