Produktempfehlungen und Cross-Selling mit KI steuern.

„Kunden, die das kauften, kauften auch …“ — der Satz ist so vertraut, dass kaum noch jemand merkt, wie viel Technik dahintersteckt, wenn er gut gemacht ist. Für viele mittelständische Shops bleibt es aber bei der simplen Variante: handgepflegte Zubehör-Listen oder starre Wenn-dann-Regeln, die selten aktualisiert werden. Eine lernende Recommendation-Engine kann hier deutlich mehr: Sie steigert Warenkorbwert und Marge, indem sie für jeden Kunden und jeden Kontext die wahrscheinlich relevanteste Ergänzung findet — nicht nur das meistverkaufte Produkt. Doch der Nutzen ist an Bedingungen geknüpft, die viele unterschätzen: ausreichend Sortiment, ausreichend Daten, ein gelöstes Cold-Start-Problem für neue Produkte und Kunden. Dieser Artikel zeigt, wie KI Cross- und Upselling konkret treibt, welche Verfahren dahinterstecken, welche Daten es braucht, ab welcher Sortiments- und Shop-Größe es sich rechnet und wo die Grenzen liegen — inklusive der Frage, wann eine simple Regel schlicht die bessere Wahl bleibt.

Von der Wenn-dann-Regel zur lernenden Empfehlung.

Der einfachste Empfehlungsmechanismus ist die manuelle Regel: Zu Produkt A gehört Zubehör B. Das funktioniert für überschaubare Sortimente erstaunlich gut, ist transparent und braucht keine KI. Seine Schwäche zeigt sich mit wachsendem Sortiment: Niemand pflegt sinnvolle Querverweise für zehntausend Artikel von Hand, die Regeln veralten, und sie übersehen nicht-offensichtliche Zusammenhänge.

Eine lernende Engine setzt genau dort an. Sie leitet Empfehlungen aus tatsächlichem Verhalten ab — was wurde gemeinsam gekauft, gemeinsam angesehen, in welcher Reihenfolge — und findet Muster, die ein Mensch nie kuratiert hätte. Sie passt sich automatisch an, wenn sich Sortiment oder Kaufverhalten ändern, und sie kann pro Kunde und pro Situation unterschiedliche Empfehlungen ausspielen.

Wichtig ist die ehrliche Einordnung: „Lernend“ heißt nicht „immer besser“. Eine schlecht trainierte Engine empfiehlt Banales (zum Handy die Hülle, die ohnehin jeder sieht), Unpassendes oder bereits Gekauftes. Der Wert entsteht erst, wenn die Empfehlungen relevant und nicht trivial sind — und das verlangt Datenqualität und Feintuning, nicht nur das Anklicken eines Features im Shopsystem.

Welche Verfahren dahinterstecken.

Recommendation-Engines beruhen meist auf wenigen Grundprinzipien, die oft kombiniert werden:

In der Praxis ist der Hybrid-Ansatz meist der sinnvollste, weil er die Schwächen der Einzelverfahren ausgleicht. Entscheidend ist weniger das genaue Verfahren als die Frage, ob genug sauberes Verhalten und gute Produktdaten vorliegen, damit irgendein Verfahren überhaupt etwas Belastbares lernen kann.

Cross-Selling und Upselling als unterschiedliche Hebel.

Cross-Selling (ergänzende Produkte) und Upselling (höherwertige Variante) sind verwandt, aber nicht identisch — und KI behandelt sie unterschiedlich.

Beim Cross-Selling geht es darum, den Warenkorb zu verbreitern: zum Drucker der Toner, zur Kamera die Tasche. Der Hebel liegt im durchschnittlichen Bestellwert. Gut gemacht, hebt eine relevante Cross-Selling-Empfehlung den Warenkorbwert um einige Prozent — realistisch bewegen sich gemessene Effekte oft im niedrigen bis mittleren einstelligen Prozentbereich auf den durchschnittlichen Bestellwert, nicht in den zweistelligen Sprüngen aus Anbieter-Folien.

Beim Upselling geht es um Marge und Wertigkeit: dem Kunden die bessere, teurere Variante nahelegen, bevor er die günstige wählt. Das ist heikler, weil es schnell aufdringlich wirkt und Vertrauen kosten kann, wenn es offensichtlich nur dem Shop dient. Die KI kann hier helfen, indem sie Upsells nur dort ausspielt, wo das Kundenprofil und der Kontext sie plausibel machen — und sie zurückhält, wo sie nur nervt. Der margenstärkere, aber empfindlichere Hebel ist das Upselling; der robustere das Cross-Selling.

Das Cold-Start-Problem ehrlich benannt.

Die größte praktische Schwäche jeder verhaltensbasierten Engine ist der Kaltstart — und er trifft an drei Stellen. Neue Produkte haben keine Kaufhistorie, also weiß Collaborative Filtering nichts über sie und empfiehlt sie nicht; ausgerechnet die Neuheiten, die man pushen will, bleiben unsichtbar. Neue Kunden ohne Profil bekommen nur generische Empfehlungen. Und ein neuer Shop insgesamt hat schlicht zu wenig Daten, damit irgendetwas Lernendes greift.

Lösbar ist das, aber nicht geschenkt. Für neue Produkte hilft der content-basierte Ansatz: Anhand von Kategorie, Eigenschaften und Beschreibung lässt sich ein Neuprodukt ähnlichen Artikeln zuordnen und mitempfehlen, bis es eigene Verhaltensdaten gesammelt hat. Für neue Kunden helfen Kontext-Signale der laufenden Sitzung und beliebte Produkte als Fallback. Das setzt allerdings voraus, dass die Produktdaten — Kategorien, Attribute, saubere Beschreibungen — wirklich gepflegt sind. Genau hier scheitern viele Projekte: Die Engine ist gut, aber die Produktdaten sind so lückenhaft, dass der Kaltstart nie sauber überbrückt wird.

Ab welchem Sortiment und welcher Größe es sich lohnt.

Eine lernende Engine rechnet sich nicht für jeden Shop. Zwei Größen entscheiden: Sortimentsbreite und Datenmenge.

Bei einem schmalen Sortiment mit wenigen Dutzend Artikeln gibt es kaum sinnvolle Kombinationen — hier sind handgepflegte Empfehlungen oft besser, weil ein Mensch die Zusammenhänge ohnehin überblickt. Der KI-Hebel wächst mit der Zahl der Artikel: Je größer und unübersichtlicher das Sortiment, desto mehr nicht-offensichtliche Querverbindungen kann ein Modell heben, die niemand von Hand pflegen würde.

Datenseitig braucht es genügend Transaktionen, damit Muster belastbar sind. Faustregel: Erst ab einem kontinuierlichen Bestell- und Traffic-Volumen, das pro Produkt und pro Kombination genug Beobachtungen liefert, lernt das Modell mehr als Zufall. Für viele Mittelständler heißt das konkret: Lohnt sich ab einem mittleren Sortiment (grob ab einigen hundert bis tausend Artikeln) und stetigem Bestellfluss. Darunter ist der ehrliche Rat oft, in gute Produktdaten, manuelle Top-Empfehlungen und einen sauberen Shop zu investieren statt in eine KI, die zu wenig Futter bekommt.

Integration, Betrieb und die Grenzen.

Der Nutzen entsteht erst, wenn die Engine im Shop wirklich an den richtigen Stellen ausspielt: Produktdetailseite, Warenkorb, Checkout, Nach-Kauf-Mail. Viele moderne Shopsysteme bringen Empfehlungs-Bausteine mit oder lassen sich an spezialisierte Dienste anbinden; eine Eigenentwicklung lohnt meist erst bei hohem Volumen und besonderen Anforderungen.

Im laufenden Betrieb ist die wichtigste Disziplin das Messen. Eine Empfehlungs-Engine muss gegen eine Kontrollvariante getestet werden — sonst weiß niemand, ob der Mehrumsatz real ist oder ob die empfohlenen Produkte ohnehin gekauft worden wären. Ohne A/B-Test ist jede Erfolgsmeldung Spekulation.

Die Grenzen sind ehrlich zu benennen: KI-Empfehlungen heben den Bestellwert spürbar, aber nicht dramatisch; sie wirken nur bei ausreichender Datenbasis; sie können bei schlechter Umsetzung nerven und Vertrauen kosten; und sie unterliegen — sobald sie auf Kundenprofilen beruhen — dem Datenschutzrecht. Richtig eingesetzt sind sie ein solider, dauerhaft wirkender Hebel auf Umsatz und Marge. Als Wundermittel verkauft, enttäuschen sie zuverlässig. Der Unterschied liegt fast immer in der nüchternen Vorarbeit: Datenqualität, Produktdaten, Messung.

Sie überlegen, ob sich eine lernende Recommendation-Engine für Ihr Sortiment lohnt — oder ob gepflegte Regeln und bessere Produktdaten der klügere erste Schritt sind? Unverbindlich anfragen — wir schauen gemeinsam auf Sortimentsbreite, Datenmenge und Cold-Start-Lage und schätzen den realistischen Hebel auf Warenkorbwert und Marge ehrlich ab.