Handel

Produktempfehlungen im Onlineshop: Recommender mit ML bauen und testen

„Kunden kauften auch“ ist schnell eingebaut, liefert aber oft nur die ohnehin meistverkauften Artikel. Dieser Tag richtet sich an E-Commerce-, CRM- und Data-Verantwortliche, die verstehen wollen, wie Collaborative Filtering, inhaltsbasierte Verfahren und Embeddings zu treffenden Empfehlungen führen. Sie bauen einen Recommender prototypisch auf, planen einen A/B-Test und klären, wie Personalisierung auf Startseite, Suche und Newsletter mit Datenschutz, Kosten und Latenz zusammenpasst.

Für wen

Verantwortliche aus E-Commerce, CRM und Data, die Produktempfehlungen und Personalisierung im Onlineshop einführen oder ausbauen wollen.

KI-Tagesseminar · 1 Tag

Empfehlungslogik verstehen, prototypisch bauen und ihren Erfolg im Shop belegen

Das nehmen Sie mit

  • Collaborative Filtering, Content-based und hybride Verfahren unterscheiden Sie nach Datenlage und Sortiment.
  • Einen Recommender haben Sie prototypisch aufgebaut, von einfachen Regeln bis zu Embeddings.
  • Einen A/B-Test mit Uplift-Messung für Empfehlungsplätze können Sie selbst aufsetzen.
  • Datenschutz, Transparenz, Kosten und Latenz sind als Kriterien für die Einführung geklärt.

Ablauf

  1. Teil 1

    Modul 1 – Verfahren: Wie Empfehlungen zustande kommen

    • Collaborative Filtering, Content-based oder hybride Ansätze: Stärken je nach Sortiment und Datenmenge
    • Warenkorbanalyse mit Assoziationsregeln, etwa Zubehör zum gekauften Gerät
    • Kaltstart bei neuen Artikeln und Neukunden sowie die Dominanz der Bestseller
    • Live-Demo: Aus Klickpfaden einer Sitzung entsteht eine passende Produktempfehlung
    • Bestandsaufnahme: wie viel Personalisierung Ihr Shop derzeit bietet
  2. Teil 2

    Modul 2 – Modellbau: Von der Regel zum ML-Recommender

    • Einfache Regeln als Startpunkt und der Schritt zu ML-Recommendern
    • Embeddings: Produkte und Nutzer im gleichen Merkmalsraum abbilden
    • Übung: Mit Beispieldaten eines Shops entsteht ein erster Empfehlungsprototyp
    • Relevanz in Zahlen fassen, bevor ein Modell live geht
  3. Teil 3

    Modul 3 – Ausspielung: Personalisierte Startseite, Suchtreffer, Newsletter

    • Personalisierte Startseite, Suchergebnisse und Newsletter-Inhalte im Zusammenspiel
    • Echtzeit-Empfehlungen gegenüber nächtlich berechneten Batch-Listen
    • Erfolg per A/B-Test belegen und den Uplift statt reiner Klickzahlen auswerten
    • Übung: Testdesign mit Kontrollgruppe für einen Empfehlungsplatz auf der Produktseite entwerfen
    • Filterblasen vermeiden: Vielfalt und Neuheiten gezielt beimischen
  4. Teil 4

    Modul 4 – Einführung: Systeme, Datenschutz, Betriebskosten

    • Anbindung an Shopsysteme sowie CDPs: Datenflüsse und Schnittstellen
    • Datenschutz und Transparenz: Kundschaft nachvollziehbar über Personalisierung informieren
    • Fallstudie: Ein Händler führt einen Recommender schrittweise ein
    • Rechenkosten und Latenz gegen den Nutzen der Empfehlungen abwägen
    • Personalisierungsplan für Ihren Shop mit ersten Ausspielorten

VoraussetzungenSie sollten sich im E-Commerce grundlegend auskennen; Kenntnisse in Python erleichtern die Übungen.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen