10 Produktempfehlungen Techniken für höhere Conversions im E-Commerce

Produktempfehlungen erhöhen die Conversion nicht automatisch – sie funktionieren, wenn sie zum richtigen Zeitpunkt auf das richtige Kaufsignal reagieren. Die drei tragenden Methoden sind Collaborative Filtering, content-basierte Empfehlungen und hybride Systeme. Welche du einsetzt und wie du sie in ActiveCampaign abbildest, hängt vom Stand deiner Kundendaten ab.

Das Wichtigste in Kürze

• Collaborative Filtering braucht genug Kaufhistorie – in Shops mit geringem Transaktionsvolumen liefert es schwache Ergebnisse und sollte erst ab ausreichend Daten aktiviert werden.
• Content-basierte Empfehlungen starten ohne jede Kaufhistorie und sind der geeignete Einstieg für wachsende Shops oder neue Produktlinien.
• Hybride Systeme kombinieren beide Methoden und schalten automatisch um, sobald genug Verhaltensdaten vorliegen.
• DSGVO-konforme Umsetzung verlangt explizite Einwilligung für Tracking und Personalisierung – auch per E-Mail, auch für Warenkorb-Abbrecher.
• A/B-Tests klären, welche Empfehlungslogik für dein Sortiment mehr trägt – ohne Testdaten bleibt es Vermutung.

Die drei Grundmethoden im Vergleich

Bevor du in die Einrichtung gehst, lohnt es sich, die Ansätze gegenüberzustellen. Alle drei haben unterschiedliche Voraussetzungen, unterschiedliche Stärken und verschiedene Einstiegshürden – die Wahl hängt nicht vom Wunsch, sondern vom Datenzustand deines Shops ab.

Collaborative Filtering: Kaufverhalten als Empfehlungssignal nutzen

Collaborative Filtering funktioniert nach dem Prinzip, dass Kunden mit ähnlichem Kaufverhalten ähnliche Empfehlungen erhalten. Amazon hat das unter dem Label "Kunden, die diesen Artikel kauften, kauften auch" bekannt gemacht. Im Kern gibt es zwei Varianten, die sich in der Praxis unterscheiden.

User-basiertes Filtering

Du gruppierst Kunden mit ähnlichem Kaufverhalten und schließt daraus, was die Gruppe als nächstes interessieren könnte. Wer Yoga-Matte, Hantel und Trinkflasche gekauft hat, bekommt Empfehlungen aus dem Warenkorb ähnlicher Kunden. Das funktioniert gut bei breiten Sortimenten, weil Interessen sich quer durch Kategorien ziehen können.

Item-basiertes Filtering

Hier analysierst du, welche Produkte regelmäßig zusammen im Warenkorb landen – unabhängig davon, wer sie gekauft hat. Laptops und Laptoptaschen, Kaffeemaschinen und Mahlkönige, Wanderschuhe und Wandersocken. Diese Kombinationen sind stabiler als nutzerbasierte Muster und lassen sich direkter in ActiveCampaign abbilden.

In ActiveCampaign bildest du Collaborative Filtering über Tags und Custom Fields ab. Jeder Kauf setzt einen produktspezifischen Tag oder schreibt in ein Custom Field. Automationen vergleichen Tag-Kombinationen und versenden passende Empfehlungen an Kontakte mit ähnlichem Profil. Eine einfache Variante: Du erstellst Segmente nach Produktkategorien und sendest jedem Segment Empfehlungen aus der Kaufhistorie des Segments.

Content-basierte Empfehlungen: Produktattribute gezielt einsetzen

Content-basierte Empfehlungen analysieren nicht den Kunden, sondern das Produkt. Wer eine blaue Leinenhose kauft, bekommt andere Leinenhosen oder Sommerhemden in ähnlichen Tönen empfohlen. Der Vorteil: Diese Methode braucht keine Kaufhistorie und funktioniert ab dem ersten Kontakt.

Relevante Produktattribute für DACH-Shops sind Kategorie, Preispunkt, Marke, Material, Saison und Stil. Wer diese sauber im Produktstamm pflegt, kann über ActiveCampaign Custom Fields direkt darauf zugreifen. Jedes Produkt bekommt passende Felder, Automationen matchen ähnliche Attributkombinationen und versenden die Empfehlung an Kontakte mit passendem Profil.

Besonders wirksam ist der Saison-Abgleich: Ein Gartenartikelhändler sendet im März automatisch Zubehör zur Kategorie der zuletzt gekauften Außenmöbel. Im Oktober wechselt die Automation auf Winterschutz und Lagerung. Das lässt sich über Date-Based-Automationen in ActiveCampaign vollständig automatisieren, ohne manuellen Eingriff.

Hybride Systeme: Wann beide Methoden zusammenarbeiten

In der Praxis greift kein Shop dauerhaft auf eine Methode allein zurück. Der Grund liegt im Cold-Start-Problem: Ein neuer Kunde hat keine Kaufhistorie, also liefert Collaborative Filtering zunächst nichts Brauchbares. Content-basierte Empfehlungen springen hier ein und entwickeln sich mit jedem weiteren Kauf weiter.

Ein praktisches Stufenmodell, das sich in der Einrichtung bewährt:

1. Erste Bestellung: Empfehlungen basieren ausschließlich auf Produktattributen des gekauften Artikels – Kategorie, Preissegment, Stil.
2. Ab zweiter Bestellung: Collaborative Filtering ergänzt die Attribut-Logik mit ersten Verhaltensmustern aus der Kaufhistorie.
3. Ab fünf Bestellungen: Das System gewichtet Verhaltensmuster stärker als reine Produktattribute, weil genug eigene Datenpunkte vorliegen.

In ActiveCampaign setzt du das über Lead Scoring in ActiveCampaign und verzweigte Automationen um. Ein Score-Feld zählt die Bestellungen. Je nach Score-Bereich verzweigt die Automation und wählt die passende Empfehlungslogik aus – ohne dass du manuell eingreifen musst, wenn ein Kunde seinen dritten Kauf tätigt.

Kontext schlägt Algorithmus: Timing und Saisonalität

Die beste Empfehlungslogik bringt nichts, wenn das Timing nicht stimmt. Eine Grillzange im Dezember, eine Badesachen-Empfehlung im Januar – selbst bei korrekter Algorithmuslogik scheitert die Konversion am Kontext. Das ist kein Randthema, sondern einer der häufigsten Gründe, warum gut aufgesetzte Empfehlungssysteme schwache Klickraten liefern.

Wichtige Kontextebenen für DACH-Shops:

• Jahreszeiten: Gartenprodukte ab März, Winterkleidung ab Oktober, Heizgeräte bei sinkenden Temperaturen – die Automation sollte das Kalender-Datum als Bedingung kennen.
• Feiertage: Weihnachten, Ostern, Muttertag und regionale Feste wie Oktoberfest unterscheiden sich im Sortimentsbedarf stark voneinander.
• Kaufzyklus des Produkts: Tintenpatronen nach drei Monaten, Kaffeebohnen nach vier Wochen, Rasierklinge nach zwei Wochen – jede Kategorie hat ihren eigenen Rhythmus.
• Aktualität des letzten Kaufs: Wer seit 90 Tagen nicht bestellt hat, braucht einen anderen Impuls als jemand, der letzte Woche bestellt hat.

ActiveCampaign steuert alle vier Ebenen über Date-Based Automations, Wait-Steps und Bedingungen auf Custom Fields. Du kannst Automationen an einem festen Datum auslösen, nach einer definierten Wartezeit nach dem letzten Kauf oder auf Basis von Custom-Field-Werten wie dem genauen Kaufdatum.

So richtest du personalisierte E-Mail-Empfehlungen in ActiveCampaign ein

Diese Anleitung führt durch eine vollständige Empfehlungsautomation auf Basis von Kaufhistorie-Tags. Am Ende sendest du jedem Kundensegment eine Empfehlungs-E-Mail mit Produkten aus der Kaufhistorie des Segments, ohne eine Empfehlung für bereits gekaufte Artikel zu senden.

1. Richte für jede Produktkategorie einen eindeutigen Tag an: Kauf: Kategorie-Name, zum Beispiel "Kauf: Outdoor" oder "Kauf: Heimtextilien".
2. Erstelle im Webshop-System einen Webhook, der nach jedem Kauf den passenden Tag in ActiveCampaign setzt: Automationen → Integrationen → Webhooks konfigurieren.
3. Lege je Kategorie ein Segment an: Kontakte → Segmente → Neues Segment → Tag enthält "Kauf: Outdoor".
4. Erstelle eine Automation mit dem Eintrittspunkt "Tag wird hinzugefügt": Automationen → Erstellen → Trigger → Tag hinzugefügt → Tagname auswählen.
5. Füge einen Wait-Step von 7 Tagen ein – so kaufen Kunden, die gerade bestellt haben, erst ab, bevor die nächste Empfehlung kommt.
6. Setze eine Bedingung: "Kauf-Tag für Ergänzungsprodukt noch nicht gesetzt" – damit sendest du nur Empfehlungen für Produkte, die der Kontakt noch nicht gekauft hat.
7. Verknüpfe die Automation mit einer E-Mail-Vorlage, die Dynamic Content je nach Tag unterschiedliche Produktblöcke zeigt: E-Mail-Editor → Inhalt → Bedingter Inhalt → Bedingung auf Tag setzen.

Warenkorb-Abbrecher und Browse-Abandonment richtig ansprechen

Warenkorb-Abbrecher und Browse-Abandonment sind zwei unterschiedliche Signale, die unterschiedliche Reaktionen verlangen. Wer etwas in den Warenkorb gelegt und nicht gekauft hat, ist kaufbereit – hier geht es darum, die letzte Hürde zu senken. Wer eine Kategorie durchgestöbert hat, zeigt Interesse, aber noch kein konkretes Kaufsignal. Diese Unterscheidung bestimmt Ton, Inhalt und Timing der Empfehlung.

Warenkorb-Abbrecher-Automation

Das Timing ist entscheidend: Die erste E-Mail geht nach ein bis zwei Stunden raus, eine zweite nach 24 Stunden, eine dritte nach drei Tagen. Erst die erste E-Mail enthält den direkten Warenkorb-Link. Die zweite zeigt ergänzende Produkte als Cross-Selling. Die dritte – falls immer noch kein Kauf – zeigt Alternativen aus derselben Kategorie in einer anderen Preislage. In ActiveCampaign setzt du das als verschachtelte Automation auf: Automationen → Erstellen → Trigger → Seite besucht (Warenkorb-URL) → anschließend Bedingung: keine Conversion-URL besucht innerhalb von 60 Minuten. Mehr zu dieser Struktur erklärt der Beitrag Warenkorbabbrecher zurückgewinnen mit Cart-Recovery-E-Mails.

Browse-Abandonment-Automation

Hier ist ein Wait-Step von 24 Stunden sinnvoll, bevor die erste E-Mail geht – zu kurz wirkt aufdringlich. Die E-Mail zeigt keine einzelnen Produkte, sondern die Kategorie mit ihren meistgekauften Artikeln. Wer eine Saison-Sonderseite besucht hat, bekommt die Highlights dieser Saison. Das schützt davor, jemandem ein Produkt zu empfehlen, das er gerade bewusst aussortiert hat, weil es nicht das Richtige war.

Cross-Selling und Upselling: der Unterschied bestimmt die Empfehlung

Cross-Selling und Upselling werden oft in einem Atemzug genannt, aber sie greifen in verschiedene Kaufentscheidungen ein. Wer das nicht trennt, sendet die falsche Empfehlung und verfehlt das Potenzial beider Methoden.

Cross-Selling ergänzt: Du empfiehlst etwas, das den gekauften Artikel sinnvoll ergänzt. Laptop und Laptoptasche, Wanderschuhe und Wandersocken, Kaffeemaschine und Mahlkönig. Das funktioniert besonders gut direkt nach dem Kauf oder in der Bestellbestätigungs-E-Mail, weil der Kaufimpuls noch frisch ist.

Upselling verbessert: Du empfiehlst eine leistungsstärkere oder größere Variante des Artikels, den der Kunde gerade ansieht oder gerade gekauft hat. Das macht Sinn bei Produkten, die in mehreren Ausbaustufen existieren – Grundmodell und Profi-Modell, Ein-Liter- und Fünf-Liter-Gebinde, Software Basis und Premium. Upselling funktioniert besser vor dem Kauf als danach.

Im DACH-Raum gilt: Aufdringliches Upselling stößt ab. Eine Empfehlung wirkt hilfreich, wenn sie erklärt, warum das höherwertige Produkt für diesen konkreten Anwendungsfall besser passt – nicht wenn sie schlicht teurer ist. In ActiveCampaign sendest du Upselling-E-Mails mit einem erklärenden Fließtextblock, der den Mehrwert benennt, nicht nur mit Produktbild und Preis.

Was Empfehlungssysteme scheitern lässt – und wie du es besser machst

Typische Fehler bei Produktempfehlungen – und wie du sie vermeidest

Die häufigsten Schwachstellen entstehen nicht bei der Einrichtung, sondern danach. Wer einmal aufgesetzt hat und nicht weiter pflegt, produziert nach einigen Monaten schlechte Empfehlungen, ohne dass das sofort auffällt – weil die Öffnungsraten zunächst noch von Gewohnheit getragen werden.

• Empfehlungen für bereits gekaufte Produkte: Der häufigste Fehler. Wer ein Produkt gerade gekauft hat, will es nicht noch einmal empfohlen bekommen. Fix: Bedingung in die Automation einbauen, die bereits gesetzte Kauf-Tags ausschließt.
• Saisonale Empfehlungen ohne Aktualitätsprüfung: Automationen laufen weiter, auch wenn das empfohlene Produkt ausverkauft oder aus dem Sortiment ist. Fix: Produktstatus regelmäßig synchronisieren und Automationen auf aktive Bestände beschränken.
• Zu viele Empfehlungen gleichzeitig: Wer aus drei Automationen gleichzeitig E-Mails bekommt, markiert sie als Spam. Fix: Frequency Capping in ActiveCampaign einrichten und alle Empfehlungsautomationen über eine gemeinsame Kontrollbedingung koordinieren.
• Falsches Timing beim Cross-Selling: Eine Cross-Selling-E-Mail, die vor der Lieferung des Hauptprodukts ankommt, irritiert. Fix: Wait-Step an die durchschnittliche Lieferzeit knüpfen, nicht an das Kaufdatum allein.
• Fehlender Ausschluss aktiver Warenkörbe: Wer gerade im Checkout ist und dabei eine "Hast du etwas vergessen?"-E-Mail bekommt, bricht den Kauf oft ab. Fix: Checkout-Seite in ActiveCampaign als Exklusionsbedingung für Abbrecher-Automationen setzen.

Wann Produktempfehlungen nicht passen

Empfehlungssysteme machen nicht in jedem Kontext Sinn. Wer sie blind einsetzt, erzeugt Reibung statt Conversion – besonders in Shops, deren Struktur oder Sortiment den Annahmen hinter den Algorithmen widerspricht.

Sehr kleine Sortimente profitieren kaum von Collaborative Filtering, weil die Datendichte nicht ausreicht, um sinnvolle Muster zu erkennen. Content-basierte Empfehlungen funktionieren auch hier, liefern aber oft dieselben Produkte mehrfach, weil die Ähnlichkeit zu hoch ist. In solchen Fällen trägt eine redaktionell zusammengestellte Bestseller-Liste mehr als ein Algorithmus.

Shops mit Einmalkäufern – also Produkten, die jemand einmal im Leben kauft – brauchen keine Wiederkauf-Automation. Hochzeitsplanungs-Shops, Matratzenhändler, Küchenausstatter: Hier macht Empfehlungsmarketing erst bei Zubehör und Pflege Sinn, nicht als Wiederkaufs-Impuls für dasselbe Segment.

B2B-Shops mit langen Entscheidungszyklen folgen anderen Mustern als B2C. Ein Einkäufer, der Industriezubehör bestellt, entscheidet nicht allein und nicht impulsiv. Empfehlungen per E-Mail werden hier seltener geöffnet. Statt E-Mail-Automationen bieten sich Angebotskonfiguration im Shop und persönliche Beratung als nächster Schritt an.

DSGVO-konforme Umsetzung im DACH-Markt

Personalisierte Produktempfehlungen basieren auf Tracking-Daten – und Tracking verlangt im DACH-Raum explizite Einwilligung. Das betrifft sowohl das Verhalten auf der Website als auch Kaufhistorie-basierte E-Mails.

Für Website-Tracking musst du im Cookie-Consent sauber zwischen notwendigen Cookies und Marketing- bzw. Analytics-Cookies trennen. Wer das Tracking-Cookie ablehnt, darf kein personalisiertes Erlebnis auf Basis dieses Trackings erhalten. Das schließt personalisierte E-Mails ein, sofern das Tracking ihre Grundlage bildet.

Für E-Mail-Empfehlungen gilt: Double-Opt-In ist Pflicht, und die Einwilligung muss personalisierte Inhalte explizit abdecken. Eine generische "Newsletter"-Einwilligung reicht nicht aus, wenn du Kaufhistorie-basierte Empfehlungen sendest. ActiveCampaign unterstützt DSGVO-konforme Einwilligungs-Felder direkt in der Kontaktverwaltung. Die Grundlagen dazu erklärt der Beitrag DSGVO-konformes E-Mail-Marketing mit ActiveCampaign.

Opt-out-Möglichkeit: Wer personalisierte Empfehlungen nicht mehr erhalten möchte, muss das einfach abstellen können – ohne das gesamte E-Mail-Abo kündigen zu müssen. Das lässt sich über ein Preference-Center in ActiveCampaign einrichten, das separate Zustimmungsfelder für Newsletter, Empfehlungen und Transaktions-E-Mails vorhält.

A/B-Tests: Welche Empfehlung trägt mehr

Ohne Testing lässt sich nicht sagen, ob Collaborative Filtering oder content-basierte Empfehlungen für dein Sortiment besser funktionieren. Die Antwort hängt vom Produkt, der Zielgruppe und dem Kaufzyklus ab – und sie lässt sich nur empirisch ermitteln, nicht aus allgemeinen Empfehlungen ableiten.

Sinnvolle Testvariablen für Empfehlungsautomationen in ActiveCampaign:

• Anzahl der empfohlenen Produkte: Drei Produkte gegen sechs – weniger ist oft klarer, aber das hängt vom Sortiment ab.
• Zeitpunkt nach dem letzten Kauf: 7 Tage gegen 14 Tage – zu früh nervt, zu spät ist vergessen.
• Empfehlungslogik: Kaufhistorie-basiert gegen Bestseller aus der Kategorie.
• Betreffzeile: Personalisierter Bezug ("Passend zu deiner letzten Bestellung") gegen generischen Nutzen ("Neu in deiner Kategorie").

ActiveCampaigns Split-Testing-Funktion in Automationen erlaubt es, Kontakte zufällig auf zwei oder mehr Pfade aufzuteilen. Jeder Pfad enthält eine eigene E-Mail-Version. Nach einem definierten Zeitraum vergleichst du Öffnungs-, Klick- und Conversion-Rate und skalierst die bessere Variante. Warte mindestens zwei Wochen, bevor du eine Variante als Gewinner deklarierst – bei kleinen Listengrößen auch länger, damit der Zufall keine Rolle mehr spielt.

Häufige Fragen

Ab welcher Shopgröße lohnen sich automatisierte Produktempfehlungen?

Content-basierte Empfehlungen lohnen sich ab dem ersten Tag, weil sie keine Kaufhistorie brauchen. Collaborative Filtering wird erst zuverlässig, wenn genug Transaktionen vorliegen, um Muster zu erkennen. Wer noch wenig Volumen hat, fährt mit manuell kuratierten Bestseller-Segmenten und content-basierten Automationen besser als mit einem Algorithmus, der nicht genug Daten hat, um sinnvolle Cluster zu bilden.

Wie viele Empfehlungsautomationen sollten gleichzeitig laufen?

Die Anzahl der Automationen ist weniger relevant als die Gesamtzahl der E-Mails, die ein Kontakt pro Woche erhält. Drei bis vier Empfehlungsautomationen gleichzeitig sind normal, aber ohne Frequency Capping führt das schnell zu täglichen Empfehlungs-E-Mails, die als Spam wahrgenommen werden. Sinnvoll ist eine Regel: maximal zwei Empfehlungs-E-Mails pro Kontakt und Woche, kontrolliert über eine gemeinsame Wartebedingung in ActiveCampaign.

Was ist der Unterschied zwischen Browse-Abandonment und Warenkorb-Abandonment?

Browse-Abandonment liegt vor, wenn jemand eine Produktseite oder Kategorie besucht, aber nichts in den Warenkorb gelegt hat. Warenkorb-Abandonment bedeutet, dass ein Produkt im Warenkorb liegt, aber der Kauf nicht abgeschlossen wurde. Warenkorb-Abbrecher sind kaufbereiter – deshalb sind dort kürzere Wartezeiten und direktere Ansprache sinnvoll. Bei Browse-Abandonment ist ein sanfterer Einstieg mit Kategorie-Highlights besser als ein einzelnes Produkt.

Muss ich für jede Produktkategorie eine eigene Automation anlegen?

Nicht zwingend. Dynamic Content in ActiveCampaign erlaubt es, einer einzigen Automation je nach Tag oder Custom Field unterschiedliche Inhalte zu liefern. Das reduziert den Pflegeaufwand deutlich. Eine eigene Automation macht Sinn, wenn sich das Timing oder die Logik zwischen Kategorien grundlegend unterscheidet – etwa bei Verbrauchsartikeln mit festem Nachkaufzyklus im Vergleich zu Modeartikeln ohne Muster.

Was tun, wenn die Kaufhistorie-Daten nicht sauber in ActiveCampaign vorliegen?

Zuerst prüfen, ob die Shop-Integration vollständig ist. ActiveCampaign bietet native Integrationen für Shopify, WooCommerce und andere gängige Systeme. Falls die Daten nicht sauber ankommen, liegt das Problem meist an der Konfiguration des Webhooks oder an fehlenden Produkt-IDs im Datensatz. Ohne saubere Kaufdaten im CRM funktioniert kein Empfehlungssystem zuverlässig – das ist die Grundlage, nicht das Feintuning.

Wer Produktempfehlungen in ActiveCampaign strategisch einrichten will, beginnt am besten mit der Datengrundlage: Welche Kaufsignale kommen sauber ins CRM, welche Tags sind bereits gesetzt, welche Kaufzyklen gelten für das Sortiment. Die Technik folgt der Datenstruktur – nicht umgekehrt. Wer dabei Unterstützung sucht, findet im Advertal-Serviceangebot für ActiveCampaign einen konkreten Einstiegspunkt.