Wie KI-Produktempfehlungs-Engines tatsächlich auswählen, was sie zeigen

Inhaltsbasierte Empfehlungen: Vergleichen, was ein Produkt ist

Ein inhaltsbasiertes System empfiehlt Produkte, indem es ihre tatsächlichen Merkmale — Kategorie, Materialien, Preisspanne, beschreibende Tags — mit dem vergleicht, woran ein bestimmter Käufer bereits Interesse gezeigt hat. Wenn jemand ein Paar wasserdichte Wanderstiefel ansieht, sucht ein inhaltsbasiertes System nach anderen Produkten, die relevante Attribute teilen: andere wasserdichte Schuhe, andere Wanderausrüstung, Artikel in einer ähnlichen Preisspanne.

Dieser Ansatz stützt sich typischerweise auf die eigenen Informationen eines einzelnen Käufers, statt auf das zurückzugreifen, was die breitere Kundengemeinschaft getan hat, was ihn vorhersehbarer, aber auch begrenzter macht — er neigt dazu, Dinge zu empfehlen, die dem ähneln, was jemand bereits angesehen hat, was für einen stöbernden Käufer weniger Vielfalt bedeuten kann.

Kollaboratives Filtern: Vergleichen, was Menschen getan haben

Kollaboratives Filtern funktioniert anders. Googles Dokumentation zu diesem Ansatz beschreibt es als die gleichzeitige Nutzung von Ähnlichkeiten zwischen Nutzern und Artikeln, gelernt aus Mustern im Community-Verhalten statt aus den Merkmalen eines einzelnen Produkts. In der Praxis: Wenn Kunden, die dieselben Wanderstiefel wie Ihr aktueller Käufer gekauft haben, auch häufig eine bestimmte Wanderkarte oder Wandersocken kauften, empfiehlt das System diese Artikel — nicht weil sie offensichtliche Merkmale mit den Stiefeln teilen, sondern weil Menschen mit ähnlichen Kaufmustern beides kauften.

Das kann die Art von angenehm unerwarteter Empfehlung hervorbringen, die ein inhaltsbasiertes System selten liefern würde, da es nicht auf Artikel beschränkt ist, die oberflächliche Merkmale teilen. Der Kompromiss ist, dass es überhaupt erst echte Verhaltensdaten zum Arbeiten braucht. Große Cloud-Anbieter spiegeln diese gleiche Aufteilung darin wider, wie sie Empfehlungs-Tools bauen: Amazons eigene Dokumentation für seinen Personalize-Dienst beschreibt die Unterstützung sowohl kollaborativer als auch inhaltsbasierter Algorithmen nebeneinander, statt einen als universellen Ersatz für den anderen zu behandeln.

Das Kaltstart-Problem, das kleine Shops einplanen sollten

Die Kernschwäche des kollaborativen Filterns ist das sogenannte Kaltstart-Problem: Es kann ein Produkt ohne Kauf- oder Interaktionshistorie noch nicht sinnvoll empfehlen, und es hat wenig, womit es für einen brandneuen Besucher arbeiten kann, dessen Verhalten nicht erfasst ist. Für einen kleinen oder neueren Shop mit begrenztem Katalog und bescheidenem Traffic ist das kein hypothetischer Randfall — es ist die normale Situation für einen bedeutenden Anteil von Produkten und Besuchern.

Genau hier tendiert ein inhaltsbasierter Ansatz, oder ein Mischsystem, das bei dünnen Verhaltensdaten auf Produktmerkmale zurückgreift, dazu, für kleinere Kataloge zuverlässiger zu funktionieren. Eine reine kollaborative Filter-Empfehlungs-Engine, die für einen Händler mit hohem Traffic abgestimmt ist, hat auf einem kleineren Shop möglicherweise einfach zu wenig Daten zum Arbeiten — dieselbe Kaltstart-Einschränkung, die akademische Vergleiche der beiden Ansätze als eine der durchgängig am besten dokumentierten Schwächen des kollaborativen Filterns beschreiben.

Was man beim Bewerten einer Empfehlungs-App tatsächlich abwägen sollte

Fragen Sie, welchen Ansatz die App tatsächlich verwendet, da Anbieter dieses Detail nicht immer voranstellen, und die richtige Passung hängt wirklich von Kataloggröße und Traffic ab. Ein größerer Shop mit bedeutsamem Transaktionsvolumen pro Produkt kann von der Fähigkeit des kollaborativen Filterns profitieren, nicht offensichtliche Verbindungen aufzudecken. Ein kleinerer oder neuerer Shop ist oft besser mit einem inhaltsbasierten oder gemischten Ansatz bedient, der nicht von Verhaltensdaten abhängt, die der Shop noch nicht hat.

Es lohnt sich auch, sich daran zu erinnern, was dieses System nicht kann: Es operiert immer nur mit Besuchern, die bereits auf Ihrer Website sind. Es hat keinen Einfluss darauf, ob ein KI-Assistent Ihren Shop jemandem empfiehlt, der Sie noch nicht gefunden hat — das ist ein separates Problem, das separate Lösungen erfordert, behandelt in unserem Leitfaden zu KI-Personalisierung versus KI-Sichtbarkeit.

FAQ