Empfehlungssysteme werten Kaufverlauf, Suchverhalten und Produktmerkmale aus und schlagen jeder Kundin und jedem Kunden passende Artikel vor. So finden Käufer schneller, was zu ihnen passt, und Händler verkaufen gezielter.
Ihr Shop zeigt nicht allen dasselbe Sortiment, sondern jeder Person die Artikel, die zu ihrem Verhalten passen. Das erhöht die Chance auf den Kauf und auf die Rückkehr.
Ein Onlineshop führt tausende bis Millionen Artikel, doch jede Kundin sieht nur einen kleinen Ausschnitt. Empfehlungssysteme verbinden das Verhalten vieler Käufer mit den Merkmalen der Produkte und lernen daraus, welche Artikel zusammenpassen. Gelernt wird aus Käufen, Klicks, Merklisten und Bewertungen. Das System sortiert Startseiten, Suchergebnisse und Mails für jede Person neu und schlägt Ergänzungen zum Warenkorb vor. In Beratungsfällen wie Kosmetik fließen zusätzlich Angaben wie Hauttyp oder Vorlieben ein. Entscheidend ist, dass Vorschläge laufend an neues Verhalten angepasst und gegen Zufallsvarianten getestet werden. Menschen im Handel legen fest, welche Ziele und Grenzen gelten, etwa Lagerbestand, Marge oder Jugendschutz.
Regelbasierte Systeme („Kunden, die X kauften, kaufen Y“) bilden nur feste Zusammenhänge ab und müssen von Hand gepflegt werden. Lernende Modelle erkennen auch schwache Muster über Millionen Käufe, passen sich an neue Trends an und verbinden Verhalten mit Produktmerkmalen, auch bei neuen Artikeln.
Wer Kaufdaten gut nutzt, bindet Kunden stärker; Wettbewerber ohne Empfehlungen verlieren Aufmerksamkeit an Shops mit besseren Vorschlägen.
Empfehlungen verschieben Umsatz auf Artikel, die zur Person passen, und senken den Aufwand der manuellen Platzierung. Händler ohne Personalisierung konkurrieren mit Shops, die jeder Kundin ein eigenes Schaufenster zeigen.
Startseiten, Mails und Suchergebnisse werden pro Person erzeugt statt pro Kampagne. Tests ersetzen Bauchentscheidungen über Platzierungen.
Merchandiser pflegen weniger Listen und beobachten mehr Kennzahlen. Entscheidungen über Aktionen und Sortiment bleiben bei ihnen, das System schlägt vor und misst.
Die Rolle wird analytischer und steuernd; reine Platzierungsarbeit nimmt ab.
Gefragt sind Grundkenntnisse in A/B-Tests, Datenauswertung und im Umgang mit Modellergebnissen.
Käufer erleben einen Shop, der ihren Geschmack zu kennen scheint, und finden schneller passende Produkte. Dafür geben sie Verhaltensdaten preis.
Empfehlungen prägen, was Menschen sehen und kaufen; transparente Kennzeichnung bezahlter Platzierungen ist gesellschaftlich relevant.
Verbreitung: Dokumentiert bei 2 Organisationen – 2 in Nutzung · Stand 10/2024
Praxisbeispiel für Unternehmen · Sephora · In Nutzung (Stand 10/2024) · Beleglage mittel
Der Kosmetikhändler Sephora setzt ein KI-gestütztes Empfehlungssystem ein, um Kunden maßgeschneiderte Produkte vorzuschlagen.
Der Algorithmus analysiert Nutzerpräferenzen, Hauttypen sowie vergangene und wiederholte Käufe. Auf dieser Basis empfiehlt das System passende Artikel aus den Bereichen Hautpflege, Make-up und Düfte.
Praxisbeispiel für Unternehmen · Amazon · In Nutzung (Stand 10/2024) · Beleglage mittel
Amazon kombiniert kollaboratives und inhaltsbasiertes Filtern mit Methoden des maschinellen Lernens und Deep Learnings. Dadurch erhalten Kundinnen und Kunden auf individuelle Vorlieben zugeschnittene Produktvorschläge.
Der Onlinehändler nutzt ein hybrides Verfahren aus inhaltsbasiertem und kollaborativem Filtern. Ergänzend kommen Techniken des maschinellen Lernens sowie Deep Learning zum Einsatz, um passende Kaufvorschläge zu errechnen.
Category-Manager und Merchandiser steuern Ziele statt jede Platzierung selbst zu pflegen. Dokumentiert sind zwei Einsätze im Onlinehandel.
Gestützt auf 2 dokumentierte Praxisfälle.
Passende Vorschläge können Warenkörbe und Wiederkehr erhöhen; unabhängig geprüfte Zahlen liegen nicht vor.
Gestützt auf 2 dokumentierte Praxisfälle.
Empfehlungssysteme sind für Nutzer alltäglich geworden; sie beruhen auf der Auswertung von Kauf- und Suchverhalten, das die DSGVO schützt.
„Jeder von uns hat Empfehlungssysteme online bereits erlebt.“
„Personenbezogene Daten müssen auf rechtmäßige Weise, nach Treu und Glauben und in einer für die betroffene Person nachvollziehbaren Weise verarbeitet werden“
Gestützt auf 2 dokumentierte Praxisfälle.
Zu Energiebedarf oder Emissionen dieses Musters liegen keine spezifischen Angaben vor. Übergreifend erwarten Energieanalysen, dass sich der Strombedarf von Rechenzentren bis 2030 mehr als verdoppelt.
„It projects that electricity demand from data centres worldwide is set to more than double by 2030 to around 945 terawatt-hours (TWh)“
Empfehlungen können durch Margen oder Werbung verzerrt sein. Weil Menschen direkt mit KI sprechen, gelten voraussichtlich die Transparenzpflichten nach Artikel 50 des EU AI Act.
„dass die betreffenden natürlichen Personen informiert werden, dass sie mit einem KI-System interagieren“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.