Produktempfehlungen und Personalisierung: Mit Browse- und Kaufhistorie mehr verkaufen

Von Harry Nguyen · Aktualisiert am 12. Dezember 2025

Ein Kunde sieht sich diese Woche dreimal Laufschuhe auf Ihrer Website an. Außerdem hat er vor zwei Monaten bei Ihnen eine Yogamatte gekauft. Jede Tatsache für sich sagt wenig. Zusammen sind sie ein klares Signal: Zeigen Sie dieser Person Sportbekleidung und nicht die Deko-Aktion, die heute an alle anderen geht.

Das ist die Kernidee hinter Produktempfehlungen und Personalisierung: Browse- und Kaufhistorie sind nicht nur historische Aufzeichnungen in einer Datenbank, sondern das Rohmaterial für jede relevante Empfehlung, die Sie einem Kunden je zeigen werden. Der Algorithmus ist weniger wichtig, als die meisten Teams annehmen. Wichtiger sind die Daten, die ihn speisen, und wie konsequent Sie sie kanalübergreifend nutzen.

Dieser Leitfaden zeigt, woher diese Daten stammen, wie Sie daraus Empfehlungen machen, die tatsächlich konvertieren, und wo Sie sie auf Ihrer Website und in Ihren Messaging-Kanälen aktivieren.

Was Empfehlungen antreibt: Ihre zwei zentralen Datenquellen

Jede Empfehlung, egal wie ausgefeilt das System dahinter ist, lässt sich letztlich auf zwei Kategorien von Kundensignalen zurückführen.

Die Browse-Historie erfasst die Absicht vor einem Kauf: angesehene Produkte, erkundete Kategorien, Suchanfragen, Verweildauer auf bestimmten Seiten und Artikel, die in den Warenkorb gelegt, aber nicht gekauft wurden. Hier erfassen Sie das Interesse eines Kunden in Echtzeit, auch wenn er nie kauft.

Die Kaufhistorie erfasst bestätigtes Verhalten: was ein Kunde tatsächlich gekauft hat, wie oft, in welcher Preisklasse und in welchen Kombinationen. Kaufdaten sind ein stärkeres Signal als Browse-Daten, weil sie verbindliche Ausgaben widerspiegeln und nicht nur Neugier. Deshalb stützt sich die wertbasierte Kundensegmentierung so stark darauf.

Ein Empfehlungssystem (Recommender System), der allgemeine Begriff für die Software, die diese Signale in Vorschläge verwandelt, kombiniert in der Regel beides: inhaltsbasierte Ansätze, die Produktattribute mit dem abgleichen, was ein Kunde angesehen oder gekauft hat, und kollaborative Ansätze, die Muster im gemeinsamen Verhalten vieler Kunden finden.

Wichtige Fakten: Empfehlungen und Personalisierung

• Recommender Systems kombinieren inhaltsbasiertes Filtern, das Produktattribute mit Browse- und Kaufhistorie abgleicht, mit kollaborativem Filtern, das Muster über viele Kunden hinweg findet.
• 89% der Führungskräfte sagen, dass Personalisierung in den nächsten drei Jahren entscheidend für ihr Geschäft ist. (Twilio, State of Personalization Report)
• Die Kaufhistorie ist ein stärkeres Vorhersagesignal als die Browse-Historie allein, da sie verbindliche Ausgaben statt Neugier widerspiegelt. Deshalb wird wertbasierte Segmentierung typischerweise zuerst auf Bestelldaten aufgebaut.

Die Mechanik einzelner Empfehlungsalgorithmen (kollaboratives Filtern, inhaltsbasiertes Filtern, Hybridmodelle) behandeln wir ausführlich in unserem Leitfaden zu Produktempfehlungen. Dieser Leitfaden konzentriert sich auf die darunterliegende Datenebene: wie Browse- und Kaufsignale tatsächlich erfasst, vereinheitlicht und kanalübergreifend in Aktionen umgesetzt werden.

Browse-Historie in Empfehlungen verwandeln

Browse-Verhalten ist verfügbar, bevor ein Kunde überhaupt konvertiert, und damit das früheste Signal, auf das Sie reagieren können.

Zuletzt angesehene Produkte sind die einfachste Browse-basierte Empfehlung: Zeigen Sie, was ein Kunde sich bereits angesehen hat, denn 25 bis 30% der Käufer besuchen Produkte erneut, bevor sie kaufen, statt beim ersten Ansehen zu kaufen.

Kategorieaffinität entsteht durch wiederholtes Stöbern innerhalb einer Kategorie, auch ohne Kauf. Ein Kunde, der ein Dutzend Artikel in Ihrer Hautpflege-Kategorie angesehen hat, egal ob er schon etwas gekauft hat, sollte Startseiteninhalte mit Hautpflege im Fokus sehen und keine generische Bestsellerliste.

Signale von Stöbern ohne Kauf treiben einige Ihrer am besten konvertierenden Retargeting-Maßnahmen an, da der Kunde bereits konkretes Produktinteresse gezeigt hat. Das überschneidet sich direkt mit der Warenkorbabbruch-Rückgewinnung für die Teilmenge der Besucher, die es bis zum Hinzufügen eines Artikels in den Warenkorb geschafft haben.

Suchanfragen verraten die Absicht noch präziser als Seitenaufrufe. Ein Kunde, der „wasserdichte Wanderstiefel" sucht, sagt Ihnen in seinen eigenen Worten genau, was er will, ein Signal, auf das inhaltsbasiertes Filtern sofort reagieren kann, selbst bei einem Kunden ohne jede Kaufhistorie.

Kaufhistorie in Empfehlungen verwandeln

Sobald ein Kunde etwas gekauft hat, wird die Kaufhistorie Ihr verlässlichster Input für Empfehlungen.

Nachschub-Empfehlungen funktionieren bei Verbrauchsprodukten mit vorhersehbarem Wiederkaufzyklus: Zeigen Sie exakt das Produkt, das der Kunde zuvor gekauft hat, abgestimmt auf den Zeitpunkt, an dem es voraussichtlich zur Neige geht.

Empfehlungen komplementärer Produkte bilden ab, was natürlich zu einem früheren Kauf passt: Wer eine Kamera kauft, braucht eine Speicherkarte, wer Kaffee kauft, möchte vielleicht eine Mühle. Das ist die Grundlage wirksamer Upsell- und Cross-sell-Programme.

Varianten und Linienerweiterungen schlagen verwandte Optionen innerhalb einer Kategorie vor, in der ein Kunde bereits gekauft hat: andere Duftrichtungen, Farben oder Größen eines Produkts, das ihm erkennbar gefällt.

Post-Purchase-Sequenzierung nutzt den Zeitpunkt einer früheren Bestellung, um zu bestimmen, was als Nächstes empfohlen wird und wann. Der Zeitpunkt des zweiten Kaufs eines Kunden ist einer der stärksten Prädiktoren für langfristige Retention. Deshalb werden Post-Purchase-E-Mail-Sequenzen typischerweise um bestimmte Trigger nach einer festen Zahl von Tagen seit dem Kauf aufgebaut statt um ein einziges generisches Follow-up.

Das Datenfundament: Browse- und Kaufsignale vereinheitlichen

Browse-Daten liegen meist in Ihren Analytics- und On-Site-Tracking-Tools. Kaufdaten liegen in der Bestellhistorie Ihrer E-Commerce-Plattform. Empfehlungen funktionieren erst gut, wenn diese beiden Quellen zu einer Kundensicht zusammengeführt sind, und das ist die spezifische Aufgabe einer Customer Data Platform.

Ohne diese Vereinheitlichung haben Sie zwei halbblinde Systeme: Ihre E-Mail-Plattform empfiehlt nur auf Basis früherer Bestellungen, und Ihre On-Site-Personalisierung reagiert nur auf die aktuelle Sitzung, und keines weiß, was das andere über denselben Kunden weiß.

Das richtig umzusetzen erfordert ein solides Analytics- und Tracking-Setup als Voraussetzung: Produktaufrufe, Add-to-Cart-Events und Suchanfragen müssen so konsistent erfasst werden, dass sie sich mit Kaufdatensätzen desselben Kunden verknüpfen lassen, und nicht nur als anonyme Sitzungsdaten, die verschwinden, sobald der Browser geschlossen wird.

Wo das sichtbar wird: Empfehlungen kanalübergreifend aktivieren

Browse- und Kaufdaten schaffen erst Wert, wenn sie etwas antreiben, das ein Kunde tatsächlich sieht.

Startseite und Kategorieseiten sollten sich bei wiederkehrenden Besuchern anhand von Browse- und Kaufhistorie verändern: Ein Kunde mit Hautpflege in der Kaufhistorie sieht Merchandising mit Hautpflege im Vordergrund und keine generische Standardansicht.

E-Mail-Kampagnen auf Basis von Kauf- und Browse-Historie übertreffen generische Aussendungen durchweg, da E-Mail-Marketing für E-Commerce, das auf nachgewiesenem Interesse aufbaut, weniger, aber relevantere Nachrichten versendet, statt die gesamte Liste mit jeder Aktion zu überschwemmen.

Post-Purchase-Touchpoints, einschließlich der Bestellbestätigungsseite und Post-Purchase-Upsell-Angeboten, sind erstklassige Flächen für Empfehlungen auf Basis der Kaufhistorie, da sich der Kunde bereits in Kauflaune befindet. Post-Purchase-Upsells, die auf dem aufbauen, was ein Kunde gerade gekauft hat, konvertieren deutlich besser als generische Zusatzangebote.

Warenkorb und Checkout sollten Empfehlungen anzeigen, die den aktuellen Warenkorbinhalt plus die Kaufhistorie berücksichtigen und das ergänzende Produkt zeigen, das die Bestellung am wahrscheinlichsten abrundet, statt eines unzusammenhängenden Bestsellers.

Personalisierung braucht Segmentbewusstsein, nicht nur Individualdaten

Die individuelle Browse- und Kaufhistorie sagt Ihnen etwas über einen einzelnen Kunden. Legen Sie sie über Ihr übergeordnetes Segmentierungsmodell, sehen Sie, wie viel Personalisierungsaufwand dieser Kunde wert ist.

Ein Erstbesucher ohne Browse- oder Kaufhistorie sollte breit ansprechende, trendige Inhalte sehen statt eines leeren oder generischen Empfehlungsplatzes. Ein wiederkehrender Kunde aus dem Segment Champions mit umfangreicher Kaufhistorie rechtfertigt Ihre granularste, kaufhistoriengetriebene Personalisierung, da Datenqualität und potenzieller Ertrag dort am höchsten sind.

Hier überschneiden sich Empfehlungen und Segmentierung unmittelbar: Die Segmentierung bestimmt, wie viel Personalisierungsinvestition ein Kunde verdient, während Browse- und Kaufhistorie bestimmen, was diese Personalisierung ihm tatsächlich zeigt.

Häufige Fehler

Browse- und Kaufdaten als getrennte Systeme behandeln. E-Mail-Empfehlungen, die nur auf der Bestellhistorie basieren, und On-Site-Empfehlungen, die nur auf Sitzungsdaten basieren, bleiben beide hinter dem zurück, was eine vereinheitlichte Sicht leisten könnte.

Auf veralteten Daten empfehlen. Das Interesse eines Kunden verschiebt sich. Empfehlungen, die zu stark auf Käufen von vor einem Jahr beruhen, verfehlen, woran er heute tatsächlich interessiert ist.

Negative Signale ignorieren. Ein Kunde, der ein Produkt wiederholt angesehen und nie gekauft hat oder der einen gekauften Artikel zurückgeschickt hat, sagt Ihnen etwas. Reine Positivsignal-Logik übersieht das.

Zu früh überpersonalisieren. Neue Besucher mit minimaler Browse- oder Kaufhistorie liefern noch nicht genug Signal für granulare Personalisierung. Sie zu erzwingen erzeugt Empfehlungen, die zufällig statt relevant wirken, was das Vertrauen in spätere Empfehlungen untergräbt, sobald echte Daten vorliegen.

Kein Fallback bei fehlenden Daten. Jeder Empfehlungsplatz braucht einen sinnvollen Standard (Trendprodukte, Kategorie-Bestseller) für die Momente, in denen Browse- und Kaufhistorie schlicht noch nicht verfügbar sind.

Erste Schritte

1. Prüfen Sie, ob Ihr Tracking beide Signale sauber erfasst. Produktaufrufe, Suchanfragen und Add-to-Cart-Events sollten mit derselben Kundenkennung wie Ihre Bestellhistorie erfasst werden, nicht isoliert in getrennten Tools.
2. Beginnen Sie mit kaufhistorienbasierten Empfehlungen, da sie das stärkere Signal sind und sich ohne Data-Science-Team am einfachsten umsetzen lassen: Nachschub-Erinnerungen und Vorschläge komplementärer Produkte auf der Bestellbestätigungsseite.
3. Ergänzen Sie browsebasierte Empfehlungen an zweiter Stelle, beginnend mit zuletzt angesehenen Produkten und E-Mail-Triggern bei Browse-Abbruch, sobald die kaufbasierten Empfehlungen live sind und gemessen werden.

Das Ziel ist nicht ein fortschrittlicherer Algorithmus. Das Ziel ist sicherzustellen, dass die Daten hinter jedem Algorithmus, den Sie nutzen, vollständig und aktuell sind und über jeden Kanal geteilt werden, den ein Kunde berührt.

Mehr erfahren

Vertiefen Sie sich in die Algorithmen, Plattformen und die Infrastruktur hinter Empfehlungen:

• Produktempfehlungen - Die Algorithmen, Platzierungen und Plattformen hinter On-Site-Empfehlungen
• Personalization Engine - Die vollständige KI- und Infrastruktur-Roadmap für Personalisierung im großen Maßstab
• Customer Data Platform - Browse- und Kaufdaten zu einer Kundensicht vereinheitlichen
• Kundensegmentierung - Entscheiden, wie viel Personalisierungsinvestition jedes Kundensegment verdient
• Post-Purchase-Upsells - Kaufhistorie in besser konvertierende Post-Purchase-Angebote verwandeln
• Upsell & Cross-sell - Komplementäre Produktempfehlungen aus Kaufdaten aufbauen
• E-Mail-Marketing für E-Commerce - Empfehlungen über gezielte E-Mail-Kampagnen aktivieren