E-Commerce-Personalisierungs-Blog

Produktempfehlungen können Gewinne vervielfachen.

Leider sind nicht alle Empfehlungen gleich. Wir haben festgestellt, dass personalisierte Produktempfehlungen generische bei weitem übertreffen.

In diesem Leitfaden erfahren Sie, wie Sie personalisierte Empfehlungen in Ihrem Geschäft implementieren. Klicken Sie hier, um zu den Beispielen zu springen, oder lesen Sie weiter, um die vollständige Anleitung zu erhalten.

Hinweis: Diese Seite wurde am 7. September 2020 aktualisiert, um die neuesten Erkenntnisse zu Produktempfehlungen, Personalisierung von Inhalten und deren Auswirkungen auf E-Commerce-Verkäufe widerzuspiegeln.

Wir haben hier ausführlich behandelt, wie fortschrittliche Produktempfehlungsmaschinen funktionieren.

Kurz gesagt, ich mag es, wie Amazon detailliert beschreibt, wie ihre Empfehlungsmaschine funktioniert.

Oben integriert die Empfehlungsmaschine von Amazon eine Vielzahl von Eingaben, um ihre personalisierten Empfehlungen zu erstellen.

Barilliance unterstützt E-Commerce-Shops dabei, vorausschauende, effektive Produktempfehlungen mit maschinellem Lernen und KI-Funktionen zu erstellen.

So funktioniert es.

Die Personalisierung hängt von den Kundendaten ab.

Barilliance integriert drei wichtige Datenquellen, um personalisierte Produktempfehlungen zu erstellen.

Sie sind:

1. Aggregierte Daten (Kategorie-/Produktansichten, Warenkorb- und Kaufdaten, interne Suchanfragen etc.)

2. Benutzerspezifische Daten , die zur Personalisierung der Empfehlungen verwendet werden. Ähnlich wie aggregierte Daten sind Benutzerdaten die spezifischen Benutzerinteraktionen, z. B. welche Kategorien und Produkte der Benutzer angesehen, gekauft usw.

3. Statische Produktdaten , die vom Kunden im Produkt-Feed bereitgestellt werden. Produkt-Feed-Daten umfassen in der Regel Preis, Verfügbarkeit, Marke, Tags und andere Produktattribute.

Um effektive persönliche Produktempfehlungen zu erstellen, verwendet Barilliance eine Vielzahl von für maschinelles Lernen optimierten Algorithmen.

Unsere KI-Technologie wählt aus, welcher Algorithmus zum Füllen des Produktempfehlungs-Widgets verwendet werden soll, basierend darauf, wer der Benutzer ist und in welchem ​​​​Kontext er Ihre Website betrachtet.

Nehmen Sie zur Veranschaulichung die Homepage-Erfahrung.

Der Besucher kann entweder ein neuer Besucher oder ein wiederkehrender Besucher sein.

Wenn der Benutzer die Website noch nie zuvor besucht hat, wird eine Reihe von meistverkauften Produkten angezeigt.

Wenn der Besucher jedoch zurückkehrt, sehen die Besucher personalisierte Empfehlungen, die auf ihrer vorherigen Interaktion mit Ihrer Marke basieren, wie zum Beispiel:

- Produkte im Zusammenhang mit ihren kürzlich gekauften Artikeln
- Produkte im Zusammenhang mit ihren kürzlich angesehenen Produkten
- Top-Seller aus ihren zuletzt angesehenen Kategorien

Oben zeigen unsere internen Studien, dass wiederkehrende Besucher im Vergleich zu Erstbesuchern deutlich höhere Add-to-Cart-Raten haben. Dies wird zum Teil durch die Personalisierung von Inhalten vorangetrieben, einschließlich Produktempfehlungen, die aufgrund von mehr Benutzerinformationen effektiver sind.

Schließlich haben Sie die Möglichkeit, Merchandising-Regeln für eine beliebige Anzahl von demografischen oder verhaltensbezogenen Segmentierungen zu definieren.

Wir haben Merchandising-Regeln in unserem Artikel [Leitfaden] Fortgeschrittene Produktempfehlungstaktiken zur Verdreifachung des Umsatzes behandelt.


Von dort aus haben wir geteilt, wie:

„Die besten Engines ermöglichen es Einzelhändlern, die Empfehlungen der Software anstelle der von Ihnen festgelegten expliziten Merchandising-Regeln zu „überstimmen“.

Beispiele beinhalten:

Oben hebt Dearborn Denim eine Reihe ergänzender Gürtel für die aktuell angesehene Jeanswaschung hervor. Durch die Hervorhebung ergänzender Produkte kann sich der Kunde besser vorstellen, wie er den Artikel selbst ausstatten wird, über das hinaus, was die Produktbilder zeigen.

Darüber hinaus ist das Empfehlen von kostenlosen Produkten eine großartige Möglichkeit, den durchschnittlichen Bestellwert des Kunden zu erhöhen, indem der Einkaufssitzung zusätzliche Einnahmen hinzugefügt werden.

Buy Buy Baby bietet ein weiteres Beispiel für personalisierte Produktempfehlungen.

Die erste Reihe von Produktempfehlungs-Widgets, die sie auf der Produktanzeigeseite anzeigen, bringt ähnliche Produkte hervor. Anstatt ergänzende Produkte basierend auf den Produktattributen zu finden, werden hier ähnliche Optionen aus dem Produktkatalog angezeigt. Sie können sehen, dass das erste Produktempfehlungs-Widget ähnliche Hosenstile und -farben anzeigt.

Das zweite Produktempfehlungs-Widget zeigt eine breitere Auswahl an Alternativen basierend auf der Affinität des Benutzers. Die Affinität wird basierend auf dem Einkaufsverhalten während der Sitzung in Echtzeit bestimmt.

Während das Abrufen bestimmter konkurrierender Produkte die Suche des Benutzers nach dem richtigen Produkt vertieft, erweitert Buy Buy Baby auch die Suche, indem verwandte Kategorien und verwandte Suchen empfohlen werden.

Oben sehen Sie ein großartiges Beispiel für die Empfehlung ganzer Produktkategorien und gängiger Suchanfragen. Die Verwendung von Suchvorgängen ist eine großartige Möglichkeit, sich auf Kundenwünsche zu konzentrieren und Kunden dabei zu helfen, das zu finden, wonach sie suchen.

Amazon ist ein Pionier bei Widgets für personalisierte Produktempfehlungen. Noch heute erleichtern sie den Vergleichseinkauf besser als die meisten E-Commerce-Shops.

Darüber platzieren sie nutzergenerierte Daten (Bewertungen), Websitedaten (in Form dynamischer Produktetiketten) und Produktfeeddaten, damit Kunden ähnliche Produkte schnell vergleichen können.

Oben präsentiert Mint Julep das Hauptstück (ein bedrucktes Kleid) mit Accessoires. Sie machen es Kunden mit ihrem personalisierten Produktempfehlungs-Widget mit dem Titel „Shop the Look“ leicht, das gesamte Outfit zu kaufen.

Bestellbestätigungsseiten sind ein oft unteroptimierter Schritt im Kundenlebenszyklus. Diese Seiten stellen jedoch eine großartige Gelegenheit dar, mit Kunden auf höchstem Engagement zu sprechen.

Oben präsentiert Amazon eine Reihe von Empfehlungs-Widgets, nachdem sie die Bestelldetails bestätigt haben. In diesem Fall tragen die personalisierten Empfehlungs-Widgets den Titel „Artikel unserer Marken, inspiriert von Ihren Ansichten“.

Demografische Daten sind eine hervorragende Quelle für Kundeninformationen, um Produktempfehlungen zu personalisieren. Zu den einfachen Beispielen gehört das einfache Präsentieren der richtigen Kategorien, basierend darauf, welche Artikel für die Kunden am besten geeignet sind.

Mein persönliches Lieblingsbeispiel für die Verwendung demografischer Daten zur Personalisierung von Empfehlungen stammt jedoch von Target.

Hier verwenden sie Kundendemografien und vergangene Einkäufe, um nicht nur aktuelle Bedürfnisse zu identifizieren, sondern auch zukünftige zu prognostizieren.

Unten gibt Target ein klares Angebot, von dem sie wissen, dass die meisten Familien mit Babys irgendwann Bedarf haben – Formel. Beachten Sie, dass die Belohnung eine Geschenkkarte ist, die nicht nur einen wiederholten Kauf sichert, sondern auch dazu beiträgt, Target als den Ort zu etablieren, an dem Sie dieses Grundnahrungsmittel erhalten können.

Amazon ist ein weiteres großartiges Beispiel für die Verwendung von Daten zur Personalisierung von Angeboten. Dieses Mal verwenden sie die Datumszeit. Das Erkennen von Feiertagen und Kaufveranstaltungen für Ihre verschiedenen Kundengruppen ist eine großartige Möglichkeit, nicht nur Outreach-Kampagnen zu erstellen, sondern auch Strategien zur Personalisierung von Inhalten vor Ort zu implementieren.

Unten verwendet Amazon einen bevorstehenden Feiertag (Muttertag), um eine Reihe personalisierter Produktempfehlungen zu erstellen.

Um zu demonstrieren, wie effektiv personalisierte Produktempfehlungen sind, haben wir Daten darüber gesammelt, wie sich Empfehlungs-Widgets auf E-Commerce-Shops über die gesamte Customer Journey hinweg auswirken.

Im Folgenden sehen wir uns Statistiken an für: durchschnittlichen Bestellwert, Umsatz, Konversionsraten und Warenkorbabbruchraten.

Personalisierte Produktempfehlungen erhöhen den AOV (durchschnittlicher Bestellwert) dramatisch.

Sitzungen, die keine Interaktion mit Empfehlungen haben, haben einen AOV von 44,41 $.

Diese Zahl multipliziert sich mit 369 %, wenn potenzielle Kunden mit einer einzigen Empfehlung interagieren. Der Effekt steigt weiter an, bis er bei etwa 5 Klicks abnimmt.

Es ist klar, dass je personalisierter und ansprechender die Empfehlungen sind, desto mehr Geschäfte profitieren von größeren Bestellungen.

*Hinweis: Diese Studie erstreckte sich über mehrere Branchen. Die Aussagekraft dieser Studie ist nicht der Nominalbetrag, sondern die relative Steigerung.

Wir haben eine Studie mit 300 zufällig ausgewählten Kunden durchgeführt. Hier ist, was wir gefunden haben.

Produktempfehlungen machen bis zu 31 % der Einnahmen von E-Commerce-Websites aus.

Im Durchschnitt sahen Kunden, dass 12 % ihrer Verkäufe unserem Produktempfehlungsprodukt zugeschrieben wurden.

Wir haben auch festgestellt, dass Produktempfehlungen die Konversionsraten erhöhen .

Oben sehen wir, dass die Konversionsrate von Sitzungen im Gleichschritt mit ihrem Engagement steigt.

Auch hier tritt die größte Verbesserung beim ersten Klick auf. Interessenten, die sich nicht auf Empfehlungen einlassen, konvertieren mit 1,02 %. Diese Zahl steigt nach einer einzigen Interaktion um 288 %.

Unsere Ergebnisse stimmten mit einer ähnlichen Studie überein, die von SalesForce durchgeführt wurde . Sie fanden heraus, dass Käufer, die auf Empfehlungen geklickt haben, mit 4,5-mal höherer Wahrscheinlichkeit Artikel in den Einkaufswagen legen und mit 4,5-mal höherer Wahrscheinlichkeit ihren Kauf abschließen.

Schließlich haben Empfehlungen einen signifikanten Einfluss auf den Kaufabbruch.

Hier haben wir den Warenkorbabbruch als Sitzungen definiert, die einen Kauf abgeschlossen haben, dividiert durch die Gesamtzahl der Sitzungen, in denen potenzielle Kunden einen Artikel in ihren Warenkorb gelegt haben. Wir haben diese Zahlen dann danach segmentiert, wie sie in dieser Sitzung mit Empfehlungen umgegangen sind.

Wir haben festgestellt, dass Sitzungen, die sich überhaupt nicht mit Empfehlungen beschäftigten, sondern einfach einen Artikel in ihren Warenkorb legten, ihren Kauf viel wahrscheinlicher abbrachen.

Tatsächlich kann die Implementierung personalisierter Produktempfehlungen den Warenkorbabbruch um bis zu 4,35 % verbessern.

Schließlich ist es interessant festzustellen, dass sich der Effekt auf den Warenkorbabbruch nach einem bestimmten Maß an Engagement umkehrt. Dies ist sinnvoll, wenn Sie das Käuferverhalten berücksichtigen – insbesondere diejenigen in der Recherchephrase, die Empfehlungen verwenden, um Produkte zu finden.

Die Position von Produktempfehlungen beeinflusst, wie effektiv sie sind. Wir fanden heraus, dass Widgets, die „above the fold“ platziert wurden, fast doppelt so effektiv waren (1,7x) wie Widgets „below the fold“.

Von den mehr als 20 Produktempfehlungstypen, die in dieser Studie untersucht wurden, war der ansprechendste Empfehlungstyp „Was Kunden letztendlich kaufen“.

Wenn ein neuer Besucher in Ihr Geschäft kommt, wissen Sie nicht, welche Produkte Sie empfehlen sollen.

Am besten liefern Sie die Bestseller Ihres Shops ganz nach oben. Sie können auch mehrere Widgets in Betracht ziehen, eines für jede Ihrer Top-Kategorien.

Wenn Kunden mit Ihrer Website interagieren, beginnt Ihre Produktempfehlungsmaschine zu verstehen, an welchen Arten von Produkten dieser Kunde interessiert ist, und liefert personalisiertere Vorschläge.

Die Position von Produktempfehlungen beeinflusst, wie effektiv sie sind. Wir fanden heraus, dass Widgets, die „above the fold“ platziert wurden, fast doppelt so effektiv waren (1,7x) wie Widgets „below the fold“.

Dies entspricht unseren Erkenntnissen zu dynamischen Inhalten, die die Konversionsrate erhöhen.

Eine weitere großartige Möglichkeit, E-Mails zu personalisieren, sind Produktinjektionen. Software wie Barilliance kann Produktempfehlungen direkt in die E-Mail einfügen.

Das Widget ist darauf zugeschnitten, die Produkte widerzuspiegeln, an denen jeder Kunde am meisten interessiert ist. Unten finden Sie ein großartiges Beispiel für maßgeschneiderte Vorschläge basierend auf dem Geschlecht.

Nachfolgend finden Sie eine Infografik, die wir mit einigen der wichtigsten Produktempfehlungsstatistiken erstellt haben, die wir gefunden haben.

Produktempfehlungen dienen als Grundlage für Ihre E- Commerce-Personalisierungsstrategie .

Der nächste Schritt zur Steigerung der Conversions besteht darin, fortschrittlichere Personalisierungstaktiken zu entwickeln.

Um schließlich zu sehen, ob Barilliance die richtige Produktempfehlungsmaschine für Sie ist, vereinbaren Sie eine kurze Demo mit uns.