Produktempfehlungen: Wie du empfiehlst, was wirklich passt

Produktempfehlungen, die verkaufen: was Studien zu Auswahl, Vertrauen und neuen Produkten zeigen und wie kleine Shops auch ohne Algorithmus starten.

Growth Hacking · · 7 Min.

Titelbild zum Artikel „Produktempfehlungen: Wie du empfiehlst, was wirklich passt“ von Felix Schmitz (Growth Hacking)

Kurz gesagt

  • Produktempfehlungen sind Vorschläge für weitere Produkte, die zum Interesse oder Kauf eines Kunden passen, und helfen am meisten, wenn sie die Entscheidung erleichtern.
  • Laut Tsekouras und Kollegen reagieren Kunden stärker auf Empfehlungen, deren Produkte sich klar in ihrer Attraktivität unterscheiden, als auf eine Auswahl fast gleich guter Produkte.
  • Eine Auswertung von 163 Fachartikeln zeigt, dass die Forschung zu Empfehlungssystemen sich von reiner Treffsicherheit hin zu Fairness, Erklärbarkeit und Verantwortung bewegt.
  • Neue Produkte ohne Verkaufshistorie sind für Algorithmen schwer zu empfehlen, kleine Shops stehen dauerhaft vor diesem Problem und profitieren von Handarbeit.
  • Für den Start reichen drei bis vier von Hand ausgewählte, klar abgestufte Empfehlungen mit einer kurzen Begründung.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt7 Abschnitte

Produktempfehlungen sind Vorschläge für weitere Produkte, die ein Shop oder Anbieter einem Kunden passend zu dessen Interesse oder Kauf zeigt, etwa unter „Passt dazu“ oder „Kunden kauften auch“. Gute Produktempfehlungen erleichtern die Entscheidung: Sie zeigen wenige, klar unterscheidbare Optionen und machen nachvollziehbar, warum genau diese vorgeschlagen werden. Einen Algorithmus brauchst du dafür am Anfang nicht.

Meine Zeit in der Business Intelligence bei Snipes hat meinen Blick auf Daten geprägt. Wer auf die Daten eines Händlers schaut, sieht schnell, welche Produkte Kunden zusammen kaufen. Für kleine Shops und Dienstleister finde ich das einen unterschätzten Hebel. Wer schon gekauft hat oder kurz davor steht, vertraut dir gerade. Eine gute Empfehlung in diesem Moment hilft ihm, und sie hilft dir.

Mit verwandten Themen habe ich mich an anderer Stelle beschäftigt. Wie ich Bestandskunden gezielt mehr anbiete, steht im Artikel Cross-Selling und Upselling. Wie KI Inhalte und Angebote auf einzelne Kunden zuschneidet, beschreibt der Artikel zur KI-Personalisierung. Hier geht es um das Empfehlungsmodul selbst: welche Produkte du zusammen zeigst, warum Kunden einer Empfehlung folgen und wie du ohne große Datenmengen startest.

Was Produktempfehlungen sind und welche Arten es gibt

Produktempfehlungen tauchen in vielen Formen auf. Für den Alltag reichen fünf Arten:

Art Beispiel Wann sie hilft
Ergänzung „Passt dazu“: Filter zur Kaffeemaschine Nach oder kurz vor dem Kauf
Alternative „Ähnliche Produkte“: drei andere Rucksäcke Wenn das Produkt nicht ganz passt
Beliebt „Am häufigsten gekauft“ Für neue Besucher ohne Vorgeschichte
Persönlich „Für dich ausgewählt“ Wenn du das Verhalten des Kunden kennst
Kuratiert „Unsere Empfehlung für Einsteiger“ Wenn Beratung gefragt ist

Technisch entstehen Empfehlungen auf drei Wegen. Von Hand legst du fest, was zu was passt. Über Eigenschaften schlägt ein System Produkte vor, die ähnliche Merkmale haben, etwa dieselbe Kategorie oder denselben Stil. Über das Verhalten anderer Kunden schlägt es vor, was Menschen mit ähnlichem Kaufverhalten ebenfalls gekauft haben. Der dritte Weg ist der bekannteste, und er braucht die meisten Daten.

Für diesen Artikel habe ich drei begutachtete Arbeiten ausgewählt: eine Feldstudie mit Experiment, eine Auswertung der Forschung zum Vertrauen in Empfehlungssysteme und eine Übersicht zu neuen Produkten ohne Verkaufsdaten. Viele andere Studien, die ich gefunden habe, vergleichen nur Algorithmen miteinander. Für kleine Shops sind sie wenig hilfreich.

Klar abgestufte Produktempfehlungen wirken stärker

Die wichtigste Studie für die Praxis kommt von Tsekouras, Dellaert, Donkers und Häubl (2020). Sie erschien im Journal of the Academy of Marketing Science. Die Autoren beschreiben einen Zielkonflikt, den viele Shops übersehen.

Ein Shop kann Produkte empfehlen, die sich in ihrer Attraktivität sehr ähnlich sind. Die Autoren nennen das eine feine Granularität. Das maximiert die Attraktivität der Auswahl, weil jedes Produkt gut passt. Oder er empfiehlt Produkte, die sich deutlicher unterscheiden, also eine grobe Granularität. Dann ist die Auswahl im Schnitt weniger attraktiv, aber Kunden erkennen leichter, welches Produkt für sie das beste ist.

In einer großen Feldstudie, in der die Zusammenstellung der Empfehlungen natürlich schwankte, förderten weniger fein abgestufte Empfehlungen die Reaktion der Kunden. Kunden verbrachten bei grober Abstufung mehr Zeit mit den Details einzelner Produkte und weniger mit dem Vergleich der ganzen Liste. Waren Kunden wenig in die Entscheidung eingebunden, fielen die Effekte schwächer aus. Ein kontrolliertes Experiment in einer anderen Produktkategorie bestätigte die wichtigsten Ergebnisse.

Vergleichsgrafik zu Produktempfehlungen: Eine fein abgestufte Auswahl fast gleich guter Produkte macht die Wahl schwer, eine grob abgestufte Auswahl mit klaren Unterschieden führt laut Studie zu stärkerer Reaktion der Kunden
Je klarer sich empfohlene Produkte unterscheiden, desto leichter finden Kunden das beste und desto stärker reagieren sie.

Wie stark der Unterschied war, steht nicht im Abstract. Die Richtung ist aber durch Feldstudie und Experiment gestützt. Für mich ist das eine der praktischsten Erkenntnisse in diesem Feld, weil sie nichts kostet.

Ein Beispiel, wie das aussehen kann: Angenommen, ein kleiner Teeshop empfiehlt zu einem grünen Sencha drei weitere Tees. Die feine Variante zeigt drei sehr ähnliche Senchas. Die grobe Variante zeigt einen günstigeren Alltagstee, einen hochwertigen Schattentee und einen aromatisierten grünen Tee. Bei der zweiten Auswahl versteht der Kunde sofort, wofür jeder Tee steht. Wie ein bewusst gesetztes schwächeres Angebot die Wahl zusätzlich lenken kann, beschreibt der Artikel zum Decoy-Effekt.

Warum Kunden einer Empfehlung vertrauen

Die zweite Arbeit stammt von Gombar, Topalović und Pejić Bach (2026) und erschien im Journal of Theoretical & Applied Electronic Commerce Research. Sie werten 163 begutachtete Fachartikel aus den Jahren 2012 bis 2025 zum Vertrauen in Empfehlungssysteme im Onlinehandel aus. Ausgangspunkt ist eine einfache Beobachtung: Empfehlungssysteme prägen Kaufentscheidungen stark, sind für Kunden aber weitgehend undurchsichtig.

Die Autoren beschreiben eine Verschiebung in der Forschung. Früher ging es vor allem um Bedienbarkeit. Heute stehen Fairness, Erklärbarkeit und Verantwortlichkeit im Mittelpunkt. Sie entwickeln daraus ein Modell mit drei Ebenen: das richtige Maß an Vertrauen an der Oberfläche, eine faire Sichtbarkeit der Anbieter auf der Plattform und Mechanismen der Verantwortlichkeit auf Ebene der Institutionen. Dazu kommen neun Gestaltungshebel mit passenden Kennzahlen. Ihr Fazit: Vertrauen allein reicht nicht aus, um die langfristige Akzeptanz von Empfehlungen zu verstehen.

Die Arbeit ist eine Auswertung der Literatur. Sie misst nicht selbst, welche Empfehlung mehr verkauft. Die neun Hebel nennt das Abstract nicht im Einzelnen. Für einen kleinen Shop ziehe ich trotzdem drei Konsequenzen:

  • Begründe deine Empfehlung. „Weil du einen Siebträger gekauft hast“ ist verständlicher als ein namenloser Block mit Produkten.
  • Kennzeichne, was bezahlt ist. Wenn ein Partner für die Platzierung zahlt, gehört das sichtbar dazu.
  • Empfiehl nicht nur, was dir die höchste Marge bringt. Kunden merken auf Dauer, ob eine Empfehlung ihnen hilft oder dir.

Gerade beim letzten Punkt kann eine Empfehlung schnell unangenehm wirken, etwa wenn sie zu viel über den Kunden zu wissen scheint. Wie ich die Grenze zwischen relevant und unheimlich ziehe, beschreibe ich im Artikel Personalisierung im Marketing.

Neue Produkte ohne Daten empfehlen

Die dritte Arbeit erklärt, warum kleine Shops mit Algorithmen oft wenig gewinnen. Glisovic, Kragic Jensfelt und Tegner (2025) geben in IEEE Access eine Übersicht über das sogenannte Kaltstartproblem bei Produkten. Gemeint ist: Ein neues Produkt hat noch keine Verkaufshistorie. Ein System, das aus dem Verhalten anderer Kunden lernt, weiß deshalb nicht, wem es dieses Produkt vorschlagen soll.

Die Autoren beschreiben, wie sich die Forschung entwickelt hat. Früher ging es vor allem um Treffsicherheit, inzwischen auch um Fairness und Erklärbarkeit. Neuere Verfahren können komplexe Muster in Daten erkennen, brauchen dafür aber größere Datenmengen. Die Autoren skizzieren außerdem einen praktischen Rahmen, der sich an unterschiedlich großen Onlinehändlern orientiert. Wie dieser Rahmen im Einzelnen aussieht, steht nicht im Abstract.

Für mich ist die wichtigste Einsicht eine einfache: Ein kleiner Shop befindet sich in gewisser Weise dauerhaft im Kaltstart. Mit 200 Bestellungen im Monat gibt es zu den meisten Produkten zu wenige gemeinsame Käufe, um daraus verlässliche Muster abzuleiten. Das ist meine Einschätzung, nicht Ergebnis der Studie. Für dich heißt das: Dein Wissen über die Produkte ist dein bester Algorithmus. Du weißt, welcher Filter zu welcher Maschine passt und welcher Tee für Einsteiger gut ist.

Produktempfehlungen ohne Algorithmus aufbauen

Aus den drei Arbeiten ergibt sich ein Ablauf, den ein kleines Team an einem Tag umsetzen kann:

Grafik mit fünf Schritten für Produktempfehlungen ohne Algorithmus: Kaufanlässe sammeln, passende Ergänzungen festlegen, klar abgestufte Auswahl bauen, jede Empfehlung kurz begründen und die Wirkung messen
Handverlesene, klar abgestufte und begründete Empfehlungen sind für kleine Shops ein guter Start.

Wo die Empfehlungen stehen, ist fast so wichtig wie ihr Inhalt. Auf der Produktseite helfen Alternativen und Ergänzungen. Auf der Bestätigungsseite nach dem Kauf und in der E-Mail nach der Lieferung passen Ergänzungen, die den Nutzen des Gekauften erhöhen. Im Warenkorb und an der Kasse wäre ich vorsichtig. Jede zusätzliche Entscheidung dort kann den Abschluss gefährden. Mehr dazu steht im Artikel zum Warenkorbabbruch.

Das Prinzip gilt auch für Dienstleister. Angenommen, eine Fotografin bietet Porträtshootings an. Nach dem Shooting könnte sie drei klar unterschiedliche Ergänzungen empfehlen: einen gedruckten Abzug, ein Update der Bilder in einem Jahr und ein Shooting für das Team. Jede Ergänzung steht für etwas anderes, und jede hat einen klaren Grund.

Bei meinen eigenen Angeboten denke ich ähnlich. Bei ai-website.com gibt es 94 fertige Websites und zwei klar unterschiedliche Wege: ein Template für 99 € oder den Service für 899 €. Die beiden Optionen sind bewusst weit auseinander. Wer selbst mit KI-Werkzeugen bauen will, nimmt das Template. Wer Unterstützung möchte, nimmt den Service. Ein Mittelweg, der beiden ähnelt, würde die Entscheidung eher schwerer machen. Das ist keine Empfehlungslogik im technischen Sinn, folgt aber demselben Gedanken wie die Studie von Tsekouras und Kollegen: Wer klare Unterschiede sieht, entscheidet leichter.

Wo Produktempfehlungen kippen

Ein paar Fehler machen aus einer hilfreichen Empfehlung schnell eine störende:

  • Zu viele Vorschläge. Zwölf Produkte unter „Das könnte dir gefallen“ erleichtern keine Entscheidung.
  • Zu ähnliche Vorschläge. Drei fast gleiche Produkte zwingen Kunden zum Vergleichen, statt ihnen zu helfen.
  • Schon Gekauftes empfehlen. Wer gerade eine Waschmaschine gekauft hat, braucht keine zweite.
  • Falsche Etiketten. „Bestseller“ über einem Produkt, das kaum jemand kauft, ist eine Täuschung und kostet Vertrauen, sobald sie auffällt.
  • Unheimliche Treffer. Eine Empfehlung, die offensichtlich auf sehr persönlichen Daten beruht, wirkt eher bedrohlich als hilfreich.

Eine gute Empfehlung nimmt dem Kunden eine Entscheidung ab. Eine schlechte gibt ihm eine zusätzliche.

Empfehlungen wirken übrigens nicht nur im eigenen Shop. Viele Kaufentscheidungen fallen heute dort, wo Kunden einander Produkte empfehlen, in sozialen Netzwerken. Wie das funktioniert, beschreibe ich im Artikel zum Social Commerce.

Fazit

Produktempfehlungen sind einer der einfachsten Hebel, um Kunden beim Entscheiden zu helfen und den Wert einer Bestellung zu erhöhen. Die Arbeiten, die ich gelesen habe, zeigen drei Dinge. Klar abgestufte Empfehlungen wirken stärker als eine Auswahl fast gleicher Produkte. Vertrauen entsteht durch Begründung und Fairness. Und gerade kleine Shops mit wenigen Daten fahren mit Handarbeit oft besser als mit einem Algorithmus.

Mein Vorschlag für diese Woche: Nimm dein meistverkauftes Produkt und leg drei Empfehlungen dafür fest, die sich klar unterscheiden. Schreib zu jeder einen Satz, warum sie passt, und schau nach einem Monat, wie oft sie mitgekauft wurde. Was ich bei meinen eigenen Projekten über Angebote und Daten lerne, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was sind Produktempfehlungen?

Produktempfehlungen sind Vorschläge für weitere Produkte, die ein Shop passend zum Interesse oder Kauf eines Kunden anzeigt, etwa unter „Passt dazu“ oder „Kunden kauften auch“. Sie entstehen von Hand, über Regeln oder über Algorithmen, die das Verhalten vieler Kunden auswerten.

Wie viele Produktempfehlungen sollte man zeigen?

Eine feste Zahl nennen die Studien, die ich gelesen habe, nicht. Wichtiger als die Menge ist, dass sich die empfohlenen Produkte klar unterscheiden, damit Kunden schnell das beste erkennen. Ich würde mit drei bis vier Vorschlägen starten und das messen.

Braucht man KI für Produktempfehlungen?

Für den Anfang nicht. Algorithmen brauchen viele Verkaufsdaten, die kleine Shops oft nicht haben, vor allem bei neuen Produkten. Von Hand ausgewählte Empfehlungen mit einer kurzen Begründung sind dort meist besser.

Wo sollten Produktempfehlungen im Shop stehen?

Bewährt sind die Produktseite, die Bestätigungsseite nach dem Kauf und die E-Mail nach der Lieferung. Im Warenkorb und im Checkout würde ich sparsam sein, weil jede Ablenkung dort den Kaufabschluss gefährden kann.

Quellen3 Quellen
  1. Tsekouras, Dellaert, Donkers et al. (2020): Product set granularity and consumer response to recommendations. Journal of the Academy of Marketing Science (öffnet in neuem Tab)
  2. Gombar, Topalović, Pejić Bach (2026): Trust in Algorithms in E-Commerce Recommender Systems: A Bibliometric Mapping (2012–2025) and a Managerial Playbook for Acceptability. Journal of Theoretical & Applied Electronic Commerce Research (öffnet in neuem Tab)
  3. Glisovic, Kragic Jensfelt, Tegner (2025): Item Cold Start in E-Commerce Recommender Systems: A Survey. IEEE Access (öffnet in neuem Tab)

Passt dazu

Alle Artikel