Produktaffinität
Produktaffinität misst, welche Produkte tendenziell zusammen gekauft werden, in zeitlicher Abfolge oder von denselben Kundentypen, und deckt verborgene Beziehungen zwischen Artikeln im Sortiment auf. Sie wird genutzt, um Cross-Selling-, Bündelungs- und Empfehlungsstrategien zu betreiben, die auf tatsächlichen Kaufmustern basieren – nicht auf Spekulation.
Definition der Produktaffinität
Produktaffinität beschreibt die messbare Beziehung zwischen Produkten auf der Grundlage des tatsächlichen Kaufverhaltens der Kunden – welche Artikel in derselben Bestellung vorkommen, welches Produkt ein Kunde nach einem Ersteinkauf als Nächstes kauft und welche Produkte tendenziell von denselben Kundensegmenten bevorzugt werden. Anders als Merchandising-Entscheidungen, die auf Intuition beruhen („diese Dinge sehen so aus, als würden sie zusammenpassen“), wird Produktaffinität aus echten Transaktionsdaten abgeleitet. Das führt häufig zu Paarungen, die ein Merchandiser nicht erwartet hätte – eine Handyhülle und ein Displayschutz sind vielleicht die offensichtliche Kombination, aber Affinitätsdaten könnten zeigen, dass ein überraschender Anteil der Handyhüllenkäufer drei Wochen später auch eine bestimmte Kaffeemarke kauft. Produktaffinität ist die Grundlage für die meisten Cross-Selling-Empfehlungen, „häufig zusammen gekauft“-Widgets, Produktbündel und Post-Purchase-E-Mail-Flows im modernen E-Commerce.
Wie Produktaffinität berechnet wird
Die Produktaffinität wird üblicherweise anhand von drei verwandten statistischen Kennzahlen aus der Warenkorbanalyse gemessen:
- Support – wie oft zwei Produkte gemeinsam vorkommen, als Prozentsatz aller Bestellungen.
- Confidence – die Wahrscheinlichkeit, dass ein Kunde, der Produkt A gekauft hat, auch Produkt B gekauft hat.
- Lift – um wie viel wahrscheinlicher dieser gemeinsame Kauf ist, als wenn die beiden Produkte unabhängig voneinander gekauft würden. Ein Lift-Wert von 1 bedeutet keine Beziehung; alles deutlich über 1 deutet auf eine echte Affinität hin.
Ein Rechenbeispiel: Ein Geschäft verkauft in einem Quartal 10.000 Bestellungen. Produkt A (eine Yogamatte) erscheint in 800 davon. Produkt B (ein Mattenriemen) erscheint in insgesamt 300 Bestellungen, und 150 dieser Bestellungen enthalten auch die Yogamatte.
- Support für das Paar A+B = 150 / 10.000 = 1,5 %
- Confidence (A → B) = 150 / 800 = 18,75 %
- Erwartete gemeinsame Kaufrate bei Unabhängigkeit = (800/10.000) × (300/10.000) = 0,24 %
- Lift = 18,75 % ÷ (300/10.000 × 100) = etwa 6,25×
Ein Lift von 6,25 ist ein starkes Signal: Kunden, die die Yogamatte kaufen, kaufen den Riemen mehr als sechsmal häufiger als der Durchschnitt. Das macht den Riemen zu einem offensichtlichen Cross-Selling-Kandidaten auf der Produktseite der Matte und in Post-Purchase-E-Mails.
Ready to Monitor Your AI Visibility?
Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.
Warum Produktaffinität für E-Commerce-Marken wichtig ist
Produktaffinität verwandelt Cross-Selling von einem Ratespiel in eine datengestützte Strategie. Statt manuell zu entscheiden, welche Produkte in Bereichen wie „Das könnte Ihnen auch gefallen“ angezeigt werden, kann ein Händler die tatsächlichen Kaufmuster diese Empfehlungen steuern lassen – was in der Regel höhere Zusatzverkaufsraten erzielt als intuiotionsbasiertes Merchandising, da die Paarungen echtes Kundenverhalten widerspiegeln und keine angenommene Logik.
Affinitätsdaten verbessern auch die Gestaltung von Produktbündeln. Ein Bündel aus zwei Produkten mit hoher Affinität (wie die Yogamatte und der Riemen) wird anders konvertieren als eines aus zwei Produkten, die nur dieselbe Kategorie teilen, aber selten gemeinsam in echten Bestellungen vorkommen. Und da Affinität mit Kundendaten zum Wertbeitrag kombiniert werden kann, können Händler prioritär die Paarungen bewerben, die aus ihren wertvollsten Kundensegmenten stammen, anstatt jedes Paar mit hohem Lift gleich zu behandeln.
Produktaffinität vs. verwandte Konzepte
| Konzept | Was es misst | Hauptanwendung |
|---|---|---|
| Produktaffinität | Beziehung zwischen Produkten basierend auf Kaufverhalten | Cross-Selling, Bündelung, Empfehlungen |
| Warenkorbanalyse | Gleichzeitiges Vorkommen in einer Transaktion | Statistische Grundlage für Affinität |
| Kundensegmentierung | Kundengruppen mit gemeinsamen Merkmalen | Zielgruppenbestimmung, welche Kunden welche Angebote sehen |
| Sortimentsoptimierung | Welche Produkte geführt oder ausgelistet werden sollen | Katalog- und Bestandsentscheidungen |
| Personalisierte Empfehlungen | Individuelle Produktvorschläge | Personalisierung auf der Website und per E-Mail |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Produktaffinität und KI-gesteuerter Handel
Da KI-Einkaufsassistenten wie ChatGPT Shopping und Perplexity Shopping zunehmend Fragen wie „Was passt gut zu X?“ beantworten oder im Namen eines Kunden Multi-Produkt-Einkaufslisten erstellen, werden saubere, gut strukturierte Affinitätsdaten immer wertvoller – es handelt sich effektiv um dasselbe Signal, das diese Assistenten aus Produktbeschreibungen und Bewertungen zu extrahieren versuchen, nur dass ein Händler es bereits aus der eigenen Bestellhistorie hat. Die Einspeisung präziser „häufig zusammen gekauft“- und Bündeldaten in Produktfeeds gibt KI-Einkaufstools eine solidere Grundlage, um ergänzende Artikel aus dem eigenen Katalog zu empfehlen, anstatt ein Konkurrenzprodukt vorzuschlagen.
Das Tool eshop_get_product_affinity von AmICited ist speziell auf dieses Konzept ausgelegt – es zeigt für jedes beliebige Produkt den Lifetime Value der Kunden, die es kaufen, und die spezifischen Produkte, die sie tendenziell zusätzlich oder danach kaufen. Händler erhalten so eine direkte, datengestützte Antwort auf die Frage „Was sollten wir hier cross-sellen?“, ohne die zugrunde liegende Warenkorbanalyse selbst durchführen zu müssen.
Best Practices für die Nutzung von Produktaffinität
- Verwenden Sie den Lift, nicht nur die Häufigkeit des gemeinsamen Vorkommens, um die Affinitätsstärke zu beurteilen – eine Paarung, die häufig vorkommt, nur weil beide Produkte Bestseller sind, ist nicht unbedingt eine echte Affinität.
- Aktualisieren Sie Affinitätsberechnungen regelmäßig, da neue Produkteinführungen, saisonale Verschiebungen und ausgelistete Artikel die zugrunde liegenden Kaufmuster verändern.
- Kombinieren Sie Affinität mit Kundendaten zum Wertbeitrag, damit Cross-Selling-Bemühungen Paarungen aus wertvolleren Segmenten priorisieren.
- Testen Sie affinitätsbasierte Empfehlungen gegen Ihre aktuelle „häufig zusammen gekauft“-Logik, bevor Sie sie vollständig ersetzen – manchmal übertrifft eine kategoriebasierte Heuristik bei neuen Produkten eine dünne Datenbasis.
- Wenden Sie Affinitätserkenntnisse über die Produktseite hinaus an: Post-Purchase-E-Mail-Sequenzen und die Bündelgestaltung profitieren genauso wie On-Site-Empfehlungs-Widgets.
Häufige Fehler bei Produktaffinität
Kategorieähnlichkeit mit echter Affinität verwechseln. Zwei Produkte in derselben Kategorie werden nicht unbedingt zusammen verkauft – konkurrierende Produkte innerhalb einer Kategorie weisen oft sogar eine negative Affinität auf, da ein Kunde das eine oder das andere kauft, aber nicht beides. Die Affinität sollte anhand tatsächlicher gemeinsamer Kaufdaten gemessen werden und nicht aus der Katalogstruktur abgeleitet werden.
Auf zu wenig Bestellhistorie vertrauen. Ein neu eingeführtes Produkt mit nur einer Handvoll Bestellungen kann aufgrund des geringen Stichprobenumfangs irreführend starke oder schwache Affinitäten aufweisen. Die kategoriebasierte Affinität ist ein zuverlässigerer Ausweichwert, bis genügend SKU-genaue Daten vorliegen.
Den Lift zugunsten roher Häufigkeiten ignorieren. Zwei Bestseller werden oft gemeinsam vorkommen, einfach weil beide häufig gekauft werden – nicht weil eine bedeutungsvolle Beziehung besteht. Der Lift korrigiert dies, indem er die erwartete gemeinsame Häufigkeit bei unabhängigem Kauf der Produkte als Vergleichswert heranzieht.
Affinitätsmodelle nach Katalogänderungen nie aktualisieren. Ausgelistete Produkte, neue Varianten und saisonale Artikel verändern die Affinitätslandschaft, und ein veraltetes Modell wird weiterhin Paarungen empfehlen, die keinen Sinn mehr ergeben, oder neue übersehen, die entstanden sind.
Affinität auf alle Kundensegmente gleichermaßen anwenden. Eine Paarung, die bei Erstkäufern stark ist, muss bei wiederkehrenden, hochwertigen Kunden nicht gelten, die oft andere Kaufmuster aufweisen. Segmentbewusste Affinität liefert relevantere Empfehlungen als ein einzelnes, gemischtes Modell.