Erste Schritte mit Produkitempfehlungstests und Personalisierung

Personalisierung ist ein großes Wort, das Teams oft überfordert, wenn sie entscheiden müssen, wo sie anfangen sollen, da es so viele verschiedene Möglichkeiten gibt, das digitale Kundenerlebnis individuell zu gestalten.

Produktempfehlungen gehören jedoch nicht nur zu den unkompliziertesten Formen der Personalisierung, sondern können Unternehmen auch einige der wertvollsten Ergebnisse liefern. Deshalb entscheiden sich so viele dafür, sie von Anfang an (und sogar noch weit auf ihrem Personalisierungspfad) einzusetzen. Produktempfehlungen lassen sich beispielsweise auf der gesamten Website implementieren (auf der Startseite, in Kategorien und Produktdesigns sowie in der Suche und beim Checkout), um die Entdeckung und Upselling-/Cross-Selling-Möglichkeiten zu verbessern. 

Wie können Teams dieses fundamentale Element der Personalisierung in die Praxis umsetzen und bei Conversions, durchschnittlichem Bestellwert und Umsatz erste Erfolge erzielen?

Zusammenfassend lässt sich sagen, dass Teams nach der Umsetzung der in diesem Beitrag beschriebenen Schritte letztendlich Folgendes erreichen:

1. Priorisierung von Produktempfehlungstests basierend auf der Wirkung 

2. Algorithmen testen, um den besten für jede Zielgruppe zu ermitteln 

3. Feinabstimmung der Performance durch das Testen anderer Experience-Elemente

Werfen wir nun einen Blick auf die Arbeit, die dahintersteckt.

Da wir wissen, dass wir eine Kampagne mit Produktempfehlungen starten möchten, besteht unser nächster logischer Schritt darin, die Zielgruppe auszuwählen, für die das Erlebnis bereitgestellt werden soll.

Sie sind sich nicht sicher, wie Sie das Richtige priorisieren sollen?

Mithilfe des Primary-Audiences-Frameworks können Teams 3 bis 4 Hauptzielgruppen identifizieren, die 100 % des Website-Traffics abdecken und auf einem einheitlichen Segmentierungsprinzip basieren, um eine präzise und konsistente Ansprache sowie Skalierbarkeit bei der Umsetzung und im Lernprozess zu gewährleisten.

Erfahren Sie mehr darüber, wie Sie eine Reihe von Primärzielgruppen auswählen.

Ein aufgrund der natürlichen Entwicklung des Verbraucherverhaltens im Laufe der Zeit zunehmend beliebtes Segmentierungsprinzip besteht darin, eine Gruppe von Zielgruppen nach geringer, mittlerer und hoher Kaufabsicht aufzuteilen.

Hier sind einige Merkmale / Beobachtungen, die wir mit den jeweiligen Zielgruppen assoziieren könnten:

• Geringe Kaufabsicht:
  • Neu bei der Marke oder der Website
    
  • Mit der Produktauswahl der Website nicht vertraut
  • Begrenzte Verweildauer vor Ort und minimale Browsing-Daten-Insights
  • Hat keine Artikel in den Warenkorb gelegt
• Mittlere Absicht:
  • Eine gewisse Vertrautheit mit dem Unternehmen
  • Möglicherweise wird zwischen Marken oder Produkten entschieden
  • Möglicherweise für E-Mail- oder Treueprogramm-Mitgliedschaft registriert
  • Hat einen Artikel zum Warenkorb hinzugefügt, aber noch nicht gekauft
• Hohe Kaufabsicht:
  • Hat ein gutes Gespür dafür, was sie wollen
  • Versteht, warum sie bei dem Unternehmen einkaufen sollten
  • Entweder hat das Produkt noch nicht gefunden oder benötigt einen letzten Impuls
  • Zahlreiche datengestützte Einblicke aus der Website-Aktivität
  • Weiter unten im Funnel

Um die Dinge einfach zu halten, konzentrieren wir uns auf die kaufbereite Zielgruppe und führen Sie durch den Prozess, wie Sie Hypothesen aufstellen, ein Experiment für diese Nutzerzielgruppe einrichten und erstellen.

Wussten Sie, dass auf Produktdetailseiten (PDPs) eingesetzte Empfehlungen den Großteil des direkten Umsatzes ausmachen, wenn man den Gesamteinfluss dieser Kampagnen im Vergleich zum größeren Personalisierungsprogramm eines Unternehmens betrachtet?

Im Schnitt sind es sogar 60–70 % oder mehr.

Das ist sinnvoll, da Bereiche der Website wie PDPs entweder stark frequentiert sind (viel Aufmerksamkeit erhalten) oder weiter unten im Funnel liegen, wo Produktempfehlungen gut geeignet sind, da sich Benutzer in dieser Phase des Kaufprozesses in der Regel eher konversionsbereit zeigen.

Wir beginnen daher an diesem Punkt, um bei unseren Experimenten mit Produktempfehlungen frühzeitig eine maximale Wirkung zu erzielen. Dadurch wird es einfacher, den Wert aufzuzeigen sowie interne Ressourcen und Unterstützung für weitere Tests freizugeben. 

Empfehlungsstrategien liefern die Logik hinter der Artikelauswahl innerhalb Ihres Widgets auf Basis eines bestimmten Algorithmus (z. B. der beliebtesten Artikel, Artikel, die der Nutzer in der Vergangenheit angesehen hat usw.). Und so wie es viele verschiedene Arten von personalisierten Erlebnissen gibt, die eine Marke bieten kann, gibt es auch eine Vielzahl von Empfehlungsstrategien, mit denen Sie experimentieren können.

Versuchen wir, unsere Optionen einzugrenzen, indem wir Hypothesen darüber aufstellen, was unserer Meinung nach für die jeweilige Zielgruppe insgesamt am besten funktionieren würde und warum. Ein guter Ansatz zur Aufstellung einer Hypothese besteht darin, die folgende Aussage zu verwenden und die fehlenden Details zu ergänzen:

WENN wir [vorgeschlagene Änderung an der Website oder digitalem Erlebnis] FÜR [Zielgruppe], DANN werden wir [Auswirkung auf KPI] WEIL [Grund, warum wir glauben, dass das Ergebnis positiv sein wird].

Unter Verwendung einiger der ersten Beobachtungen, die wir bereits bei der Auswahl unserer Zielgruppe gemacht haben: Wie könnte unsere Zielgruppe mit hoher Kaufabsicht („High Intent“) gut zu verschiedenen Empfehlungsalgorithmen passen?

Zielgruppe

• Hohe Kaufabsicht

Standort der Website: Produktdetailseite

• Ähnlichkeit
• Affinity

Die obigen Optionen stellen einige grundlegende, anfängliche Algorithmen dar, die auf der PDP ausprobiert werden können – die Gewinner können je nach Marke, Benutzerbasis und Zielgruppen stark variieren, was genau der Grund ist, warum wir überhaupt testen.

Erfahren Sie mehr über die Grundlagen für die Wahl der richtigen Produktempfehlungsstrategie.

Generell betrachten wir Produktempfehlungen als dauerhafte Elemente auf der Website, weshalb es wichtig ist, die richtigen KPIs festzulegen, um die Auswirkungen langfristig zu verstehen. Auch wenn jeder Test von Produktempfehlungen je nach Seite, auf der das Widget platziert wird (und sogar je nach Design des Widgets, z. B. einen Add-to-Cart-CTA enthält), ist eine gute Faustregel, sich den nächsten logischen Schritt im Funnel anzusehen. 

Beispielsweise wäre dies auf der Startseite die Klickrate (CTR) oder die Seitenaufrufe, während für eine Produktlisten- oder Kategorieseite (PLP) Produktansichten oder Add-to-Cart-Ereignisse und für den Warenkorb selbst der Umsatz pro Nutzer sinnvoll wären. Da wir uns auf die Produktdetailseite konzentrieren, wäre der geeignete KPI in unserem Fall die Add-to-Cart-Rate oder die Käufe pro Nutzer.

Schlüsseln wir nun unsere Hypothese für die „Ähnlichkeitsstrategie“ auf, die sich am besten mit der Zielgruppe mit hoher Kaufabsicht („High Intent“) kombinieren lässt, und prüfen wir die Resonanz:

WENN wir ähnliche Produkte auf der Produktdetailseite FÜR Nutzer mit hoher Kaufabsicht anzeigen, DANN werden wir eine Steigerung der Käufe pro Nutzer sehen, WEIL wir ihnen Artikel zeigen, die eine besser geeignete Version des Produkts sind, das sie sich ansehen.

Wir empfehlen jedoch stets, mindestens zwei Empfehlungsstrategien im A/B-Test gegeneinander (sowie gegen eine Kontrollgruppe) zu testen, falls sich unsere ursprüngliche Hypothese nicht bewahrheiten sollte. 

Daher könnte unsere zweite Hypothese für die „Affinity“-Strategie (die sich ebenfalls gut für diese Zielgruppe eignet) etwa so aussehen:

WENN wir auf der Produktdetailseite affinitätsbasierte Produkte FÜR Nutzer mit hoher Kaufabsicht anzeigen, DANN werden wir einen Anstieg der Käufe pro Nutzer verzeichnen, WEIL wir ganzheitliche Produktempfehlungen bereitstellen, die besser auf deren Präferenzen zugeschnitten sind.

Weiter geht es mit dem Testen dieser Theorien.

Nach dem Start eines jeden Experiments ist es wichtig, den Test mindestens zwei Wochen lang laufen zu lassen, um sowohl statistische Signifikanz zu erreichen als auch mögliche Effekte durch Saisonalität zu reduzieren.

Über die statistische Signifikanz hinaus empfehlen wir auch, die Wahrscheinlichkeit, die beste Variante zu sein (Probability to Be Best, P2BB), für eine bestimmte Variante zu bestimmen. Dies zeigt die langfristige Wahrscheinlichkeit an, alle anderen aktiven Varianten zu übertreffen, was in unserem Fall Empfehlungen umfasst, die mit einer „Ähnlichkeits“-Strategie im Vergleich zur „Affinitäts“-Strategie und anschließend zu unserer Kontrolle ausgespielt werden.

Der gängigen Praxis nach kann eine Variante zum Gewinner erklärt werden, wenn die P2BB der führenden Variante über 95 % steigt. 80 % sind jedoch in der Regel ein ausreichender Schwellenwert für Maßnahmen – dies gilt umso mehr für Websites mit weniger Traffic, bei denen es länger dauern kann, bis Ergebnisse vorliegen.

Nehmen wir für unsere Zwecke an, dass der „Affinity“-Algorithmus einen P2BB von 80 % erreicht hat. Wir möchten dann seine gewinnende Position festlegen und den unterlegenen Algorithmus verwerfen, wobei wir Notizen darüber machen, warum unsere Zielgruppe mit „hoher Kaufabsicht“ diesen der „Ähnlichkeits“-Strategie vorgezogen hat. 

In diesem Fall kommen wir zu dem Schluss, dass personalisierte Empfehlungen auf der Grundlage der zuvor geäußerten Präferenzen einer Person wirkungsvoller waren, als diesem Publikum einen ähnlichen Artikel wie den bereits angezeigten zu zeigen. Und mit diesen Erkenntnissen werden wir im nächsten Schritt einen weiteren Algorithmus gegen unsere erfolgreiche „Affinity“-Strategie testen.

Unser nächster Test könnte ein völlig anderer Algorithmus sein, wie etwa „Gemeinsam angesehen“, oder es könnten Änderungen am bestehenden Experiment vorgenommen werden. Zum Beispiel das Hinzufügen von dynamischen Einschluss-/Ausschluss-Filterregeln wie „nur Produkte über 25 $ anzeigen“ oder „nur Artikel innerhalb derselben Kategorie anzeigen“.

Dieser Prozess kann unbegrenzt fortgesetzt werden, um die Ergebnisse weiter zu maximieren. Es ist jedoch immer ratsam, einen Zielwert festzulegen, der Raum für zusätzliche Verbesserungen des Erlebnisses lässt, wie etwa das Nachrichtenelement des Empfehlungs-Widgets.

Angesichts der Tatsache, dass der Titel des Empfehlungs-Widgets in der Regel nur aus wenigen Wörtern besteht, mag dies trivial erscheinen, aber es ist absolut entscheidend, den Zielgruppen zu vermitteln, warum eine bestimmte Produktauswahl angezeigt wird.

Mithilfe unseres erfolgreichen „Affinity“-Algorithmus stellen wir eine Reihe von Nachrichtenoptionen zusammen, um die Variante mit der besten Performance zu testen und einzuführen:

• Steuerung – Für Sie empfohlen

• Variante A – Nur für Sie 

• Variante B – Auf Sie zugeschnitten

• Variante C – Für Sie ausgewählt

• Variante D – Basierend auf Ihren Ansichten

Über das Messaging hinaus können Teams auch mit dem allgemeinen Look & Feel des Empfehlungs-Widgets sowie dessen Platzierung auf der Seite experimentieren. 

Der einzige Weg, das mit der Personalisierung verbundene Paradox der Auswahl zu überwinden, besteht darin, einfach anzufangen. Und auch wenn es keine pauschale Antwort darauf gibt, wo die Reise eines Unternehmens beginnt, so gibt es doch wirkungsvollere Initiativen, die Teams von Anfang an priorisieren können, um aussagekräftige Quick Wins zu erzielen, die das Fundament für den Rest ihres Programms bilden.

Hoffentlich hilft Ihnen der obige Prozess dabei, etwas einfacher dorthin zu gelangen!