Dynamic Yield Recommendations: Best Practices

Dynamic Yield

Dieser Artikel richtet sich an Nutzer der Dynamic Yield Recommendations

In der wettbewerbsintensiven E-Commerce-Branche sind Produktempfehlungen nicht mehr nur eine Option, sondern eine Notwendigkeit für Unternehmen, die erfolgreich sein wollen.

Das Herzstück von Dynamic Yield ist die Recommendation Engine, die sich die Leistungsfähigkeit des maschinellen Lernens zunutze macht, um jedem einzelnen Besucher maßgeschneiderte Produktvorschläge zu unterbreiten. Diese Empfehlungen können über verschiedene Touchpoints hinweg angezeigt werden – von der Startseite einer Website und den Produktseiten bis hin zu E-Mail-Kampagnen und mobilen Anwendungen. Ihr Erscheinungsbild kann sehr unterschiedlich sein und reicht dabei vom traditionellen Slider, der Produkte oder Dienstleistungen vorstellt, bis hin zu verlockenden Teasern, die das Interesse wecken sollen.

Optimierung von Produktempfehlungen

Ein organisierter und umfassender Produkt-Feed ist für Empfehlungen unerlässlich, da er die Grundlage für präzise und kundenrelevante Produktvorschläge bildet. Somit stellt ein übersichtlicher Feed sicher, dass alle Produktinformationen aktuell, genau und einheitlich sind. Dadurch kann das Empfehlungs-Tool fundierte Entscheidungen darüber treffen, welche Produkte es dem jeweiligen Kunden vorschlägt. Ein umfangreicher Feed liefert zudem zusätzliche Datenpunkte wie Produktattribute, Kategorie-Informationen und Kundenrezensionen, wodurch das Empfehlungs-Feature personalisierte und relevante Vorschläge erstellen kann.

Neben der Sicherstellung der Datenqualität ist es auch wichtig, die richtige Empfehlungsstrategie für das jeweilige Unternehmen auszuwählen. Hierbei gibt es eine Vielzahl unterschiedlicher Empfehlungsstrategien. Welche am besten geeignet ist, hängt von den Zielen, Produkten und dem Kundenstamm des Unternehmens ab.

A/B-Tests sind ein wertvolles Instrument, um verschiedene Empfehlungsstrategien zu bewerten und zu ermitteln, welche am effektivsten sind. Durch den Vergleich der Ergebnisse verschiedener Experimente können Unternehmen die Strategie ermitteln, die am ehesten zu mehr Conversions führt und das Kundenerlebnis insgesamt verbessert.

Filter für erweiterte Empfehlungen

Um fortschrittliche Empfehlungsergebnisse zu erzielen, sind Filter unerlässlich. Diese Filter können in drei Hauptgruppen eingeteilt werden:

Filter für Produkteigenschaften

Diese Filter ermöglichen es Unternehmen, Produkte auf der Grundlage ihrer Eigenschaften vorzuschlagen und sicherzustellen, dass die empfohlenen Artikel den Suchkriterien und Präferenzen des Kunden entsprechen.

Filter auf der Grundlage des früheren Nutzerverhaltens

Diese Filter analysieren die Kaufhistorie, die Browsing-Aktivitäten und Engagement-Metriken, um bestimmte Produkte entweder einzubeziehen oder auszuschließen.

Benutzerdefinierte Filter

Diese Filter bieten die nötige Flexibilität, Produkte auf der Grundlage beliebiger Produkt-Feed-Eigenschaften anzuheften, einzubeziehen oder auszuschließen.

Eine der leistungsfähigsten Funktionen der benutzerdefinierten Filter ist die Echtzeit-Filterung. Um diese in der nutzerseitigen Integration zu verwenden, richten Sie einfach einen beliebigen benutzerdefinierten Evaluator ein, der die erforderlichen Daten zurückgibt. Für die serverseitige Integration müssen Sie sicherstellen, dass Ihre Anfrage die benutzerdefinierte Attributeigenschaft innerhalb des API-Seitenattributobjekts enthält.

Bei der Implementierung von Echtzeitfiltern für ähnlichkeitsbasierte Empfehlungen auf Produktdetailseiten empfiehlt es sich, die Vorschläge auf Produkte zu beschränken, die entweder mit dem Preis des gerade angezeigten Artikels übereinstimmen oder diesen übersteigen. Diese Strategie stellt sicher, dass die Empfehlungen keine ähnlichen Produkte zu einem niedrigeren Preis anzeigen, wodurch der Premium-Charakter erhalten bleibt und Kundenfrustration vermieden wird.

Um den durchschnittlichen Bestellwert (Average Order Value, AOV) weiter zu steigern, können Unternehmen damit experimentieren, Produkte zu empfehlen, deren Preis höher ist als der des Artikels, der gerade angesehen wird. Dieser Ansatz kann Kunden dazu ermutigen, teurere Optionen in Betracht zu ziehen, was möglicherweise zu umfangreicheren Käufen führt.

Es ist wichtig, die Auswirkungen dieser Experimente sorgfältig zu überwachen, um einschätzen zu können, ob höherpreisige Empfehlungen den AOV tatsächlich erhöhen.

Mit dieser Funktion können Sie praktisch alle Daten nutzen, die auf der Seite der Datenebene oder sogar in externen Quellen verfügbar sind. Diese Vielseitigkeit eröffnet zahlreiche Möglichkeiten, wie beispielsweise maßgeschneiderte Empfehlungen auf der Grundlage von Schlüsselwörtern, die aus geschriebenen Inhalten oder URL-Parametern extrahiert wurden. Durch die Nutzung erweiterter Einstellungen können Unternehmen neue Ebenen der Personalisierung erschließen und ihren Kunden hochgradig ansprechende Erlebnisse bieten.

Beispiele und Best Practices

Schlüsselwörter aus Benutzersuchanfragen

Durch die Analyse der Suchanfragen von Nutzern können Einzelhändler bestimmte Schlüsselwörter oder Phrasen identifizieren, die auf den gewünschten Stil, die Farbe oder den Produkttyp eines Kundenwunsches hinweisen. Diese Informationen können dann genutzt werden, um Empfehlungen so zu gestalten, dass sie genau der Suchabsicht des Kunden entsprechen.

Produktempfehlungen basierend auf dem Standort des Kunden

Mithilfe von Echtzeitfiltern können Produkte empfohlen werden, die in einem Geschäft in der Nähe gerade vorrätig sind. Dies ist besonders nützlich für Kunden, die online einkaufen und überlegen, ihre Bestellung persönlich in einer Filiale abzuholen.

Fazit

Dynamic Yield’s Recommendation Engine ermöglicht es Unternehmen, personalisierte und ansprechende Kundenerlebnisse zu erstellen. Echtzeit-Filter verbessern die Personalisierung weiter, indem sie ergänzende oder erweiternde Produkte empfehlen. Dadurch können Unternehmen ihre Conversionrate erhöhen, den AOV steigern, die Absprungrate senken, die Kundenzufriedenheit verbessern und sogar die Markentreue stärken.

Andreas Hafemeister

Andreas ist Senior Personalisation Consultant bei Up Reply und arbeitet seit über acht Jahren im E-Commerce mit dem Schwerpunkt Online-Handel. Er hilft Kunden, das volle Potenzial von Dynamic Yield auszuschöpfen und eine nachhaltige Personalisierungsstrategie zu entwickeln.

Lassen Sie uns Ihr E-Commerce-Business auf die nächste Stufe heben

Erschließen Sie neue Möglichkeiten und definieren Sie die Kundenerfahrung neu durch personalisierte, datengetriebene Strategien mit Up Reply.