KI-Empfehlungen und der Plattformwechsel: Warum Ihr Shop wieder von vorn lernt

Der Satz fällt meistens spät im Gespräch, oft erst, wenn der Migrationsplan schon steht. „Unsere Produktempfehlungen laufen richtig gut. Das kommt doch mit rüber, oder?“

Die Antwort ist ein halbes Ja, und das halbe Nein daran ist teurer, als es klingt. Der Katalog kommt mit. Die Kunden kommen mit. Die Bestellungen kommen mit — wenn man es richtig beauftragt. Was nicht mitkommt, ist das, was die Empfehlungen überhaupt gut gemacht hat: drei Jahre beobachtetes Verhalten und ein Modell, das daraus gelernt hat, welche Kombination sich lohnt.

Dieses Wissen liegt nicht in Ihrem Shop. Es liegt in der App, die Sie im alten Shop installiert hatten, und es ist an dieses Frontend gebunden. Am Tag nach dem Cutover empfiehlt der neue Shop wie ein Shop, den es seit einer Woche gibt.

Das ist kein Argument gegen den Wechsel. Es ist ein Argument dafür, die Sache vorher anzusehen — denn die Anlaufzeit danach lässt sich um den Faktor vier verkürzen, und die Arbeit dafür fällt während der Migration sowieso an. Nur eben in einem anderen Arbeitspaket, das niemand damit in Verbindung bringt.

Was ein Empfehlungssystem tatsächlich tut

Bevor die Frage nach dem Umzug beantwortbar ist, muss klar sein, woraus so ein System besteht. In Anbieterunterlagen steht dazu meistens ein Kasten mit dem Wort „KI“ darin. Tatsächlich ist es eine Kette aus fünf Schritten, und die Kette ist bei jedem ernstzunehmenden Werkzeug dieselbe.

Wirkkette

Fünf Schritte — und nur zwei davon gehören Ihnen

Jedes Empfehlungssystem, ob nativ oder zugekauft, durchläuft dieselbe Kette. Die drei mittleren Schritte sind Anbieterlogik und in jedem halbwegs erwachsenen Werkzeug ähnlich gut. Die beiden äußeren laufen auf Ihren Daten — und genau die beiden trifft ein Plattformwechsel.

1. 01

   Signale sammeln

   Ihre Daten

   Klicks, Suchbegriffe, Warenkorbereignisse, Käufe, Retouren, Bewertungen — jeweils mit Zeitstempel.

   bricht beim Wechsel Sitzungs- und Klickdaten hängen am alten Frontend und ziehen nicht um.

2. 02

   Merkmale bilden

   Anbieterlogik

   Aus Rohereignissen werden Vektoren: Produkteigenschaften auf der einen, Verhaltensmuster auf der anderen Seite.

   vom Wechsel unberührt Rechenschritt der Engine — unabhängig davon, welcher Shop die Daten liefert.

3. 03

   Kandidaten auswählen

   Anbieterlogik

   Aus zehntausenden Artikeln werden ein paar hundert plausible Vorschläge — grob, schnell, noch ungeordnet.

   vom Wechsel unberührt Bleibt gleich, solange der Katalog vollständig übergeben wird.

4. 04

   Sortieren

   Anbieterlogik

   Die Kandidaten werden nach erwarteter Relevanz gereiht — hier entscheidet sich, was der Kunde tatsächlich sieht.

   vom Wechsel unberührt Das Ranking-Modell ist Anbietersache. Die Eingabe dafür ist es nicht.

5. 05

   Rückkopplung

   Ihre Daten

   Was angeklickt und gekauft wurde, fließt zurück in Schritt 1 und verschiebt die Reihenfolge beim nächsten Mal.

   bricht beim Wechsel Die gelernte Rückkopplung startet am Cutover-Tag bei null.

2 von 5 Schritten hängen an Ihrem Datenbestand — und es sind der erste und der letzte. Dazwischen liegt die Rechenarbeit, die Sie einkaufen. Wer die Qualität seiner Empfehlungen verbessern will, arbeitet deshalb fast nie am Modell, sondern an den beiden Enden.

Die Aufteilung erklärt zwei Dinge, die im Alltag verwirren.

Erstens: Warum ein Anbieterwechsel oft weniger bringt als erhofft. Wer unzufrieden ist und die Empfehlungs-App austauscht, tauscht die drei mittleren Schritte. Die sind zwischen den ernstzunehmenden Anbietern aber gar nicht so verschieden. Wenn die Empfehlungen schlecht sind, liegt das in den meisten Fällen an Schritt eins — an dünnen, unsauberen oder unvollständigen Eingaben.

Zweitens: Warum ein Plattformwechsel mehr bewegt, als im Angebot steht. Er greift genau an den beiden Enden an, die Ihnen gehören. Schritt eins bekommt eine neue Datenquelle, Schritt fünf startet neu. Das ist gleichzeitig das Risiko und die Chance dieses Projekts.

Drei Verfahren, und nur eines übersteht den Wechsel

Unter der Oberfläche arbeiten Empfehlungssysteme mit einem von drei Ansätzen — oder, realistischerweise, mit einer Mischung daraus. Die Unterscheidung wirkt akademisch, bis man sie auf den Cutover-Tag anwendet. Dann wird sie zur Reihenfolge für die ersten Wochen.

Verfahren

Ein Verfahren übersteht den Wechsel, zwei nicht

Der Unterschied zwischen den drei Ansätzen ist keine Frage der Modellgüte, sondern der Eingabe. Das eine rechnet auf Verhalten, das andere auf Produktdaten — und nur eines dieser beiden zieht mit um. Der Balken zeigt, wie viel Empfehlungsqualität am Tag nach dem Cutover noch trägt.

Kollaborativ

„Kundinnen wie Sie kauften auch …“

Rechnet auf

Verhalten vieler Nutzer über die Zeit — Klicks, Sitzungen, Käufe, Wiederbesuche.

Kaltstart

Hart. Ein neuer Artikel ohne Interaktionen wird von niemandem empfohlen, ein neuer Kunde bekommt Bestseller.

Stärke

Findet Zusammenhänge, die niemand als Regel hätte formulieren können.

Preis dafür

Verstärkt, was ohnehin läuft. Der lange Schwanz des Sortiments verschwindet still.

Am Cutover-Tag nutzbar 20%

Nur der Teil, der auf importierten Bestellpositionen rechnet, funktioniert weiter. Klick- und Sitzungsdaten fehlen.

Merkmalsbasiert

„Ähnlich zu dem, was Sie gerade ansehen“

Rechnet auf

Produktdaten — Kategorie, Typ, Marke, Preisband, Material, Anlass, Bilder, Beschreibung.

Kaltstart

Mild. Ein neuer Artikel ist ab dem Moment empfehlbar, in dem seine Attribute gepflegt sind.

Stärke

Unabhängig von Ihrer Historie. Das einzige Verfahren, das eine Migration übersteht.

Preis dafür

Bleibt nah am Ausgangsprodukt. Empfiehlt die vierte schwarze Hose statt der passenden Jacke.

Am Cutover-Tag nutzbar 85%

Läuft am ersten Tag nach dem Cutover in voller Qualität — vorausgesetzt, die Attribute wurden sauber migriert.

Hybrid

„Unser Modell kombiniert beides“

Rechnet auf

Beide Quellen, gewichtet — plus Kontext wie Gerät, Uhrzeit, Herkunft der Sitzung.

Kaltstart

Abhängig von der Gewichtung. Genau deshalb ist die Gewichtung eine Einstellung, keine Naturkonstante.

Stärke

Deckt beide Kaltstartfälle ab und ist das, was ernstzunehmende Werkzeuge tatsächlich liefern.

Preis dafür

Die Gewichtung steht selten im Angebot. Fragen Sie danach, bevor Sie unterschreiben.

Am Cutover-Tag nutzbar 55%

Fällt in dem Maß ab, in dem das Gewicht auf dem kollaborativen Teil liegt. In den ersten Wochen bewusst verschieben.

Die Prozentwerte sind Erfahrungswerte aus Migrationsprojekten, keine Messgrößen eines bestimmten Anbieters. Ihr Zweck ist der Vergleich der drei Karten untereinander — nicht die einzelne Zahl. Praktische Folge: In den ersten Wochen nach dem Wechsel gehört das Gewicht auf die mittlere Spalte, auch wenn die linke langfristig mehr leistet.

Der praktische Schluss aus dieser Gegenüberstellung ist unbequem für Anbieterpräsentationen: Das Verfahren, das am meisten beeindruckt, ist das, das am Tag nach dem Wechsel am wenigsten liefert. Kollaboratives Filtern findet Zusammenhänge, auf die niemand von selbst käme — die Grillzange, die auffällig oft mit dem Kaminbesteck im Warenkorb landet. Aber es braucht dafür Tausende beobachteter Sitzungen, und die hat der neue Shop nicht.

Merkmalsbasierte Empfehlungen sind das langweiligere Verfahren. Sie schlagen zum schwarzen Lederschuh in Größe 43 den anderen schwarzen Lederschuh in ähnlicher Preislage vor. Das ist selten überraschend und oft trotzdem richtig — und vor allem: Es funktioniert am ersten Tag, weil es nur Produktdaten braucht. Produktdaten migrieren.

Deshalb lautet die Empfehlung für die ersten sechs bis acht Wochen nach dem Cutover: Gewichtung bewusst auf den merkmalsbasierten Teil verschieben, auch wenn die Standardeinstellung des Anbieters etwas anderes vorsieht. Und diese Gewichtung überhaupt zur Frage machen, bevor Sie einen Vertrag unterschreiben — ob sie sich einstellen lässt, steht in kaum einem Angebot.

Was beim Wechsel tatsächlich mitkommt

Migrationsangebote listen Produkte, Kunden, Bestellungen, Inhalte, Weiterleitungen. Empfehlungen tauchen darin nie auf, und das ist logisch: Sie sind kein Datensatz, sondern ein Ergebnis. Genau deshalb fällt niemandem auf, dass ihre Grundlage gerade zur Hälfte im alten System bleibt.

Umzugsliste

Was mitkommt, was halb mitkommt, was bleibt

Ein Migrationsangebot listet Produkte, Kunden, Bestellungen und Inhalte. Empfehlungen tauchen darin nicht auf, weil sie kein Datensatz sind, sondern ein Ergebnis. Diese Aufstellung nimmt die Empfehlungsseite auseinander: acht Bestände, drei Zustände — und je eine Konsequenz für das Lastenheft.

kommt mit 3 nur teilweise 2 bleibt zurück 3

• Produktkatalog und Attribute — kommt mit

  Titel, Typ, Marke, Preis, Optionen, Beschreibungen, Bilder — die gesamte Eingabe der merkmalsbasierten Empfehlung.

  Fürs Lastenheft Attributtiefe vor dem Export prüfen, nicht nach dem Import.

• Bestellpositionen mit Datum — kommt mit

  Welcher Artikel wurde mit welchem zusammen gekauft, wann und in welcher Menge. Das stärkste Signal, das überhaupt migrierbar ist.

  Fürs Lastenheft Ausdrücklich als Positionen beauftragen — viele Importe übernehmen nur Bestellsummen.

• Kundenkonten und Zuordnung — kommt mit

  Ohne stabile Kundenkennung lässt sich keine der importierten Bestellungen einer Person zuordnen.

  Fürs Lastenheft Dublettenprüfung in denselben Arbeitsschritt legen.

• Produktbewertungen — nur teilweise

  Migrieren nur, wenn die alte und die neue Bewertungs-App einen Export beziehungsweise Import anbieten — sonst nicht.

  Fürs Lastenheft Vor der App-Auswahl klären, sonst startet der Shop ohne Sozialbeweis.

• Merk- und Wunschlisten — nur teilweise

  Hängen fast immer an einer App des alten Systems und liegen selten in einem übertragbaren Format vor.

  Fürs Lastenheft Aufwand gegen Nutzen abwägen — oft günstiger, Kunden zum Neuanlegen einzuladen.

• Klick-, Such- und Sitzungsdaten — bleibt zurück

  Gehören dem alten Frontend und der dortigen Engine. Es gibt kein Format, in dem sie sinnvoll in ein neues System laufen.

  Fürs Lastenheft Als Verlust einplanen und die Anlaufzeit dafür budgetieren.

• Das trainierte Modell — bleibt zurück

  Die gelernten Gewichte der alten Empfehlungs-App bleiben bei der alten Empfehlungs-App. Auch bei gleichem Anbieter selten übertragbar.

  Fürs Lastenheft Beim Anbieter schriftlich nachfragen, statt es anzunehmen.

• Platzierungs- und Testhistorie — bleibt zurück

  Welche Position welchen Effekt hatte, welche Variante gewann — das steckt im alten Theme und in alten Testwerkzeugen.

  Fürs Lastenheft Ergebnisse als Hypothesen dokumentieren, bevor der alte Shop abgeschaltet wird.

Die zweite Zeile ist die wichtigste und die am häufigsten übersehene. Bestellpositionen sind das einzige starke Verhaltenssignal, das eine Migration überlebt — aber nur, wenn der Import die einzelnen Artikelzeilen mit Datum überträgt und nicht bloß eine Bestellsumme am Kundenkonto. Steht das nicht ausdrücklich im Auftrag, ist es hinterher nicht da.

Die zweite Zeile dieser Aufstellung ist der Hebel, um den es in diesem ganzen Text geht, und sie verdient eine eigene Erklärung.

Bestellhistorie wird bei fast jeder Migration übernommen. Die Frage ist nur, in welcher Tiefe. Viele Importe schreiben pro Bestellung einen Datensatz mit Datum, Summe und Kundenzuordnung — genug für das Kundenkonto, genug für die Buchhaltung, genug für jede Auswertung, die jemand im ersten Monat verlangt. Für Empfehlungen ist es wertlos.

Was Empfehlungen brauchen, sind die einzelnen Positionen: welcher Artikel mit welchem anderen in derselben Bestellung lag, und wann. Daraus entsteht das, was Kundinnen als „Wird oft zusammen gekauft“ sehen — und das ist das einzige starke Verhaltenssignal, das eine Migration überhaupt überleben kann. Klickdaten sind weg. Sitzungsdaten sind weg. Kaufkombinationen müssen es nicht sein.

Der Unterschied kostet im Migrationsauftrag wenig und hinterher viel. Wer erst nach dem Cutover merkt, dass nur Bestellsummen importiert wurden, kann die Positionen theoretisch nachziehen — praktisch ist der alte Shop dann oft schon abgeschaltet, das Team im Tagesgeschäft und das Budget aufgebraucht. Wie sich solche Punkte früh im Projekt festzurren lassen, haben wir in der Migrations-Checkliste für Magento-Umstiege durchgespielt.

Die Anlaufkurve, und was sie kostet

Der Verlust ist keine Katastrophe. Er ist ein Zeitraum. Die relevante Frage lautet nicht „Verliere ich meine Empfehlungen?“, sondern „Wie viele Wochen empfehle ich schlechter als vorher — und was kostet mich das in diesen Wochen?“

Anlaufkurve

Beide Kurven kommen an — nur eine kostet auf dem Weg dorthin nichts

Am Tag nach dem Cutover empfiehlt jeder Shop schlechter als am Tag davor. Die Frage ist nicht ob, sondern wie tief und wie lange. Die Fläche zwischen den beiden Linien ist der Unterschied zwischen einer Migration, die den Katalog vorbereitet hat, und einer, die ihn übernommen hat wie er war.

• Mit Vorarbeit Attribute gepflegt, Bestellpositionen importiert, Gewichtung in den ersten Wochen auf merkmalsbasiert.
• Ohne Vorarbeit Katalog übernommen wie er war, nur Bestellsummen importiert, Standardgewichtung des Anbieters.

Woche 1

Mit Vorarbeit Ähnlichkeitsempfehlungen laufen ab Tag eins, weil sie nur Attribute brauchen.

Ohne Startseite und Produktseiten zeigen Bestseller statt Empfehlungen. Der Warenkorbwert fällt sichtbar.

Woche 4

Mit Vorarbeit „Wird oft zusammen gekauft“ trägt bereits, weil die importierten Bestellpositionen rechnen.

Ohne Erste Muster entstehen, aber nur auf den meistbesuchten Artikeln. Der Rest des Sortiments bleibt leer.

Woche 12

Mit Vorarbeit Gewichtung kann zurück Richtung Verhalten verschoben werden — mit Messung statt Bauchgefühl.

Ohne Das Verhaltensmodell greift, aber nur für Kunden, die seit dem Wechsel wiedergekommen sind.

Die Fläche zwischen den beiden Linien ist die eigentliche Rechnung. Sie lässt sich grob beziffern: Wenn Empfehlungswidgets in Ihrem Shop heute für einen bekannten Anteil des Umsatzes verantwortlich sind — bei den meisten Händlern liegt der im niedrigen zweistelligen Prozentbereich — dann ist die Hälfte davon über zwölf Wochen das, was die unvorbereitete Variante kostet.

Wichtig ist dabei die Ehrlichkeit in beide Richtungen: Auch die vorbereitete Migration startet nicht bei hundert Prozent. Die merkmalsbasierten Empfehlungen tragen sofort, die Kaufkombinationen tragen nach wenigen Wochen, aber die feinen verhaltensbasierten Muster brauchen Zeit, die man nicht kaufen kann. Wer etwas anderes verspricht, verkauft Ihnen ein Modell, das seine eigenen Ergebnisse nicht kennt.

Wir haben dieselbe Mechanik in anderen Feldern beschrieben: In KI im CRM ist es die Kundenkennung, die fehlt, in KI in der Lieferkette die saubere Artikelnummer. Das Muster ist immer dasselbe — nicht das Modell ist der Engpass, sondern das, was hineingeht.

Der Katalog ist der Hebel, nicht das Modell

Wenn merkmalsbasierte Empfehlungen die Anlaufzeit tragen, dann entscheidet die Attributtiefe Ihres Katalogs darüber, wie gut diese Überbrückung ist. Und hier kommt der Punkt, der die ganze Angelegenheit vom Ärgernis zur Gelegenheit macht: Bei einer Migration wird jeder einzelne Produktdatensatz gelesen, umgeschrieben und neu angelegt. Das ist der einzige Moment im Leben eines Shops, in dem eine vollständige Katalogüberarbeitung kein eigenes Projekt ist.

Was ein merkmalsbasiertes Verfahren tatsächlich verwertet, ist überschaubar:

Eine konsistente Produkttaxonomie. Nicht Ihre Menüstruktur, sondern eine maschinenlesbare Einordnung, die für jeden Artikel gleich funktioniert. Wenn dasselbe Produkt in einer Kategorie „Herrenschuhe“ und in einer anderen „Schuhe Herren“ heißt, sind das für das System zwei Welten.

Produkttyp, Marke und Preisband. Die drei Merkmale, die den größten Teil der Ähnlichkeitsbewertung tragen. Ein Preisband ist dabei nützlicher als der reine Preis: Es verhindert, dass zum 40-Euro-Artikel der 400-Euro-Artikel vorgeschlagen wird, nur weil beide dieselbe Kategorie haben.

Beschreibende Attribute jenseits der Variantenachsen. Material, Anlass, Zielgruppe, Eigenschaften. Genau das, was in gewachsenen Shops als Freitext in der Beschreibung steht statt als strukturiertes Feld. In Shopify sind das Metafelder — und der Import ist der Zeitpunkt, sie zu befüllen, weil die Information beim Umschreiben ohnehin durch die Hände geht.

Verwandtschaften, die keine Ähnlichkeit sind. Zubehör, Verbrauchsmaterial, Ersatzteile. Kein Ähnlichkeitsmodell findet von selbst heraus, dass zur Kaffeemaschine der passende Filter gehört und nicht die nächste Kaffeemaschine. Diese Beziehungen müssen gepflegt werden, und wer sie pflegt, bekommt die wirtschaftlich wertvollsten Empfehlungen geschenkt — Zubehör hat die höchste Zustimmungsrate von allen Empfehlungstypen.

Ordentliche Bilder. Moderne Systeme werten Produktbilder mit aus. Ein Katalog mit einheitlichen Freistellern liefert dafür brauchbare Signale, ein Katalog aus fünf Bildquellen in fünf Bildsprachen nicht.

Diese Liste ist gleichzeitig eine Anforderungsliste an das Migrationsprojekt. Sie kostet dort Aufwand, aber einen Bruchteil dessen, was dieselbe Arbeit als Nachzügler kostet — und sie zahlt zusätzlich auf Filter, Suche und Kategorieseiten ein. Wie wir Katalog- und Systemgrenzen dabei sortieren, steht in ERP-Integration mit Shopify.

Vier Fehler, die auch mit perfekten Daten passieren

Ein sauberer Katalog und importierte Bestellpositionen lösen das Anlaufproblem. Sie lösen nicht die vier Fehler, die danach kommen.

Der Shop empfiehlt nur noch, was ohnehin läuft. Empfehlungssysteme sind Verstärker. Was oft gezeigt wird, wird oft gekauft, und was oft gekauft wird, wird noch öfter gezeigt. Nach einigen Monaten steht das halbe Sortiment auf keiner einzigen Empfehlungsfläche. Die Gegenmaßnahme ist banal und wird trotzdem selten eingebaut: ein fester Anteil der Empfehlungsplätze — fünf bis zehn Prozent reichen — geht an Artikel außerhalb der Spitzengruppe. Das kostet kurzfristig ein wenig Klickrate und hält das Sortiment am Leben.

Die Erfolgsmessung misst das Falsche. Die Klickrate auf dem Empfehlungswidget ist die Zahl, die jedes Werkzeug anzeigt, und sie ist fast wertlos. Ein Widget, das dem Kunden genau den Artikel zeigt, den er ohnehin gerade gesucht hat, produziert hervorragende Klickraten und null zusätzlichen Umsatz. Was zählt, ist der Zuwachs gegenüber einer Vergleichsgruppe, die keine Empfehlungen sieht. Das ist unbequem, weil es bedeutet, einem Teil der Besucher etwas vorzuenthalten — und es ist die einzige Zahl, die eine Investition rechtfertigt. Wie man solche Vergleiche sauber aufsetzt, haben wir im CRO-Hypothesen-Backlog beschrieben.

Die Platzierung wird vergessen. Ein gutes Modell an der falschen Stelle bringt nichts. Empfehlungen unterhalb des Fußbereichs auf einer langen Produktseite werden auf dem Smartphone von niemandem gesehen. Nach einem Theme-Wechsel ist jede alte Platzierungsentscheidung ungültig — der neue Shop ist anders aufgebaut. Die Ergebnisse aus alten Tests sind trotzdem wertvoll, aber als Hypothesen, nicht als Wahrheit. Wo mobile Platzierungen typischerweise scheitern, steht in Mobile Commerce: die stillen Conversion-Lecks.

Der Datenschutz wird nachgereicht. Verhaltensbasierte Empfehlungen sind eine Verarbeitung personenbezogener Daten, sobald sie über die einzelne Sitzung hinausgehen und einer Person zugeordnet werden. Das ist regelbar — es braucht eine Rechtsgrundlage, einen Auftragsverarbeitungsvertrag mit dem Anbieter und eine ehrliche Antwort darauf, was passiert, wenn jemand nicht einwilligt. Die saubere Konstruktion ist ein System, das ohne Einwilligung sitzungsbasiert und merkmalsbasiert weiterarbeitet, statt gar nicht. Wer das erst nach dem Livegang klärt, baut zweimal.

Was die Plattform beisteuert — und was nicht

Zur Klarstellung, weil wir als Shopify-Agentur bei diesem Thema erwartbar klingen könnten: Ein Plattformwechsel liefert kein besseres Empfehlungsmodell. Er liefert bessere Bedingungen dafür.

Konkret sind das drei. Die Ereignisse, auf denen alles rechnet, entstehen an einer Stelle und in einer Form, statt an vier Stellen in vier Formaten. Der Produktkatalog hat mit Metafeldern und einer Standardtaxonomie einen definierten Ort für genau die Attribute, die merkmalsbasierte Empfehlungen brauchen. Und die Grenze zwischen Plattform und Werkzeug ist sauber: Die Plattform liefert Katalog und Ereignisse, die App liefert das Ranking. Wenn Sie das Werkzeug später tauschen, tauschen Sie das Ranking — nicht die Datenhaltung.

Was die Plattform nicht liefert: Historie. Wenn Ihre Kaufkombinationen der letzten drei Jahre nicht importiert werden, sind sie danach nicht da. Wenn Ihre Produktattribute in Freitextfeldern stecken, stecken sie dort auch nach dem Wechsel. Ein Systemwechsel ändert die Struktur, nicht den Inhalt — den ändern Sie, und der Wechsel ist der günstigste Zeitpunkt dafür.

Wo Sie ansetzen, je nach Ausgangslage

Ihre Situation	Der erste Handgriff
Migration ist beauftragt, Angebot liegt vor	Prüfen, ob Bestellpositionen mit Datum importiert werden — oder nur Bestellsummen. Nachverhandeln, solange es geht
Empfehlungen laufen heute gut, Anteil am Umsatz unbekannt	Anteil einmal messen, bevor der alte Shop abgeschaltet wird. Ohne Ausgangswert gibt es hinterher keine Diskussion
Produktattribute stehen als Freitext in der Beschreibung	Die vier tragenden Merkmale bestimmen und in die Katalogaufbereitung der Migration aufnehmen
Zubehör und Verbrauchsmaterial sind nirgends verknüpft	Verwandtschaften jetzt pflegen — sie sind der ertragreichste Empfehlungstyp und kein Modell errät sie
Sortiment ist groß, ein Teil verkauft sich nie	Prüfen, wie viele Artikel überhaupt je auf einer Empfehlungsfläche erscheinen. Die Zahl überrascht regelmäßig
Anbieterauswahl läuft parallel zur Migration	Nach der Gewichtung zwischen den Verfahren fragen — und ob sie einstellbar ist. Steht in keinem Angebot
Alter Shop soll kurz nach dem Cutover abgeschaltet werden	Testergebnisse und Platzierungsdaten vorher exportieren. Danach sind sie unwiederbringlich
Klickrate auf dem Widget ist die einzige berichtete Zahl	Eine Vergleichsgruppe ohne Empfehlungen einrichten, bevor über Budget entschieden wird

Checkliste

Vor dem Cutover: zehn Punkte für die Empfehlungsseite

Abzuarbeiten, solange der alte Shop noch läuft und der Migrationsauftrag noch verhandelbar ist. Ihre Häkchen bleiben in diesem Browser gespeichert.

• Umsatzanteil der Empfehlungsflächen im alten Shop gemessen und schriftlich festgehalten
• Im Migrationsauftrag steht ausdrücklich: Bestellpositionen mit Artikel, Menge und Datum — nicht nur Bestellsummen
• Geklärt, ob Produktbewertungen zwischen alter und neuer App überhaupt übertragbar sind
• Die vier tragenden Produktmerkmale benannt: Taxonomie, Typ, Marke, Preisband
• Beschreibende Attribute aus Freitexten in strukturierte Felder überführt — als Teil der Katalogaufbereitung
• Zubehör- und Ersatzteilbeziehungen gepflegt, statt sie dem Ähnlichkeitsmodell zu überlassen
• Beim Anbieter erfragt, ob sich die Gewichtung zwischen merkmals- und verhaltensbasiert einstellen lässt
• Fester Anteil der Empfehlungsplätze für Artikel außerhalb der Spitzengruppe eingeplant
• Vergleichsgruppe ohne Empfehlungen vorgesehen, damit der Zuwachs messbar bleibt statt nur die Klickrate
• Rechtsgrundlage geklärt und festgelegt, was das System ohne Einwilligung noch tut

---

Der zweite Punkt der Checkliste entscheidet über die Hälfte des Ergebnisses und kostet im Angebot fast nichts. Er ist auch der einzige, der nach dem Cutover praktisch nicht mehr nachholbar ist — sobald der alte Shop abgeschaltet ist, gibt es keine Bestellpositionen mehr zu importieren.

Der Rest ist Katalogarbeit, und die ist unspektakulär. Niemand hält eine Präsentation über gepflegte Produktattribute. Aber sie ist das, was zwischen einem Shop, der sechs Wochen nach dem Wechsel wieder vernünftig empfiehlt, und einem, der ein halbes Jahr braucht, tatsächlich den Unterschied macht. Das Modell ist in beiden Fällen dasselbe.

Wenn bei Ihnen eine Migration ansteht und Sie wissen wollen, wie viel Empfehlungsqualität Sie dabei mitnehmen können: Lassen Sie uns sprechen — wir sehen uns den Katalog, den geplanten Importumfang und die heutige Empfehlungsleistung an und sagen Ihnen, welche Vorarbeit sich rechnet und welche nicht.