Deep Dive
Recommender Systems
Empfehlungssysteme personalisieren seit Jahrzehnten Produkte, Inhalte und Services. Kein LLM-Hype — einfach produktive KI, die Umsatz und Kundenzufriedenheit steigert.
Was ist ein Recommender System?
Personalisierung ohne generative KI
Recommender Systeme sind intelligente Systeme, die aus einer Vielzahl von Optionen gezielt passende Vorschläge machen. Sie analysieren vorhandene Daten, erkennen Muster und leiten auf dieser Grundlage Empfehlungen ab — lange bevor generative KI ein Thema war.
Die Kernverfahren:
- Collaborative Filtering — Nutzer mit ähnlichem Verhalten bekommen ähnliche Empfehlungen („Kunden, die X kauften, kauften auch Y")
- Content-based Filtering — Empfehlungen basieren auf den Eigenschaften von Produkten, die ein Nutzer mochte
- Hybride Verfahren — Kombination beider Ansätze für bessere Ergebnisse
- Deep-Learning-basierte Recommender — Neuronale Netze lernen komplexe Interaktionsmuster zwischen Nutzern und Produkten
Einfache Verfahren sind oft ausreichend und besser erklärbar. Der trade-off ist: mehr Komplexität bringt marginale Verbesserung bei höherem Betriebsaufwand.
Praxis in DACH
Recommender in deutschen Unternehmen
Messe Düsseldorf
KI-basiertes Empfehlungssystem auf dem B2B-Marktplatz für Aussteller. Azure AI Search + Agentic Chain kombiniert Daten aus früheren Bestellungen mit Analysen vergleichbar großer Messestände und liefert passgenaue Empfehlungen für den nächsten Messestand.
ORTLIEB (280 MA, Outdoor)
Produktempfehlungen reduzieren Retouren im Online-Handel. ORTLIEB fertigt über 200 Einzelprodukte wasserdichter Outdoor-Ausrüstung — individuelle Kundenanforderungen machen personalisierte Beratung im stationären Handel aufwändig. Der Recommender kompensiert das im Online-Shop.
CERATIZIT (Werkzeuge)
KI-Modell für Produktempfehlungen im Online-Shop für Zerspanungswerkzeuge. Bei fehlender Verfügbarkeit schlägt das System Alternativprodukte vor, indem es technische Spezifikationen scannt und vergleicht. Unterstützt sowohl Kunden als auch Fachexperten bei der Suche.
Feldschlösschen AG (Schweiz)
Warenkorb-basiertes Recommender-System für den Online-Shop justDrink. Die größte Brauerei und Getränkehändlerin der Schweiz empfiehlt Kund:innen auf Basis des aktuellen Warenkorbs passende Produkte — gesteigerte Cross-Selling-Raten und höhere Warenkorbwerte.
Einfach starten
So startest du ein Recommender-Projekt
1. Transaktionsdaten analysieren
Welche Produkte werden zusammen gekauft? Welche Sequenzen gibt es? Reichen die Daten für Collaborative Filtering?
2. Einfach starten
Collaborative Filtering (kNN oder Matrix Factorization) ist der schnellste Weg. Kein Deep Learning nötig.
3. Messen und iterieren
Click-through-Rate, Conversion, Warenkorbwert. Der Recommender muss sich nachweisen — sonst wird er nicht produktiv.
4. Erklären können
Warum wird dieses Produkt empfohlen? Besonders im B2B und bei regulierten Produkten ist Erklärbarkeit entscheidend.
Zurück zur Landkarte
← Zurück zur KI-Landkarte