Die Herausforderung bei einer Eigenentwicklung: Für den Aufbau einer produktionsreifen Empfehlungs-Engine sind Fachkenntnisse in maschinellem Lernen und der Echtzeit-Datenverarbeitung sowie in der Verarbeitung von Millionen Berechnungen pro Sekunde erforderlich. Die meisten Teams unterschätzen die Komplexität: das Trainieren von Modellen, A/B-Tests von Algorithmen, die Optimierung der Latenz, die Verwaltung von Datenpipelines und die Überwachung der Leistung. Außerdem ist eine kontinuierliche Wartung erforderlich, wenn der Traffic zunimmt und sich Geschäftsregeln weiterentwickeln.

Das Problem mit eingebetteten Lösungen: Wenn die Commerce-Plattform (Shopify, BigCommerce, SAP) Empfehlungen umfasst, sind diese eng an die jeweilige Plattform gekoppelt. Eine Nutzung in der mobilen App, per E-Mail oder über andere Kanäle ist nicht möglich, ohne die Logik zu duplizieren. Bei einer Neugestaltung des Storefronts vermischt sich der Empfehlungscode mit dem Präsentationscode. Änderungen an den Algorithmen erfordern eine Abstimmung zwischen mehreren Teams.

Unser Ansatz: Die schwierigen Herausforderungen wurden bereits gelöst – Empfehlungen werden als dedizierter Service mit spezialisierter Infrastruktur betrieben. Produktionsreife Algorithmen, Echtzeitverarbeitung und Unterstützung für mehrere Kanäle stehen zur Verfügung, ohne dass eine ML-Infrastruktur gewartet werden muss. Noch wichtiger: Die Empfehlungen bleiben unabhängig vom Storefront. Ob ein Rebranding der Website, der Start einer neuen App oder die Durchführung einer Kampagne – die Empfehlungs-Engine funktioniert überall ohne Änderungen.

Der entscheidende Unterschied: Eine Eigenentwicklung ist teuer und langsam. Plattformeigene Empfehlungen sind begrenzt. Unsere Lösung ist spezialisiert, wird gewartet und ist kanalunabhängig.

Die meisten Kunden integrieren die Lösung innerhalb von 2–4 Wochen und erzielen bereits im ersten Monat Ergebnisse im Live-Betrieb.

Das ist dabei zu tun:

Phase 1: Daten-Onboarding (1 Woche)

• Es wird eine Verbindung zur Commerce-Plattform (Shopify, benutzerdefinierte API oder die jeweils eingesetzte Lösung) hergestellt, um Produktkataloge, Preise und Lagerbestände abzurufen.
• Die vorhandenen Quellen für Verhaltensdaten werden angegeben: Webanalyse (Google Analytics, benutzerdefinierte Events), App-Events, E-Mail-Plattformen usw. Anschließend werden sichere Pipelines für die Aufnahme dieser Daten eingerichtet.
• Sofern historische Kunden- und Transaktionsdaten zum Verhalten vorliegen, kann die Empfehlungs-Engine damit vorbefüllt werden, um das Training mit ersten Daten zu starten.

Phase 2: Frontend-Integration (1–2 Wochen)

• Das Entwicklungsteam fügt pro Empfehlungsplatzierung im Storefront etwa 5 Codezeilen hinzu. Anstelle statischer Produktlisten wird die API aufgerufen: GET https://restapiv3.quarticon.com/restapi/{customerSymbol}/recommendation/{placementId}
• Keine umfassende Überarbeitung erforderlich. Fest codierte Produktlisten werden lediglich durch API-Aufrufe ersetzt.

Phase 3: Testen & Start (1 Woche)

• Unterstützung bei der Einrichtung von A/B-Tests zur Messung der Auswirkungen. Außerdem werden bei der Konfiguration von Geschäftsregeln unterstützt (bestimmte Produkte ausschließen, Marken hervorheben, Lagerbestandsbeschränkungen berücksichtigen).
• Der Live-Betrieb wird schrittweise aufgenommen: zunächst mit einem Empfehlungsblock, anschließend werden die Ergebnisse gemessen und weitere Blöcke ausgerollt.

Konkretes Beispiel: Ein mittelständischer Einzelhändler integrierte ein React-Storefront, eine mobile App und den Klaviyo-E-Mail-Versand innerhalb von 30 Tagen.

Der entscheidende Punkt: Die bestehende Infrastruktur wird nicht ersetzt. Stattdessen wird ein neuer Microservice hinzugefügt und die Verbindung der Frontends mit diesem Dienst hergestellt.

Ihre Daten bleiben Ihre Daten. Ohne Ausnahme. Sie werden weder verkauft noch an Werbetreibende weitergegeben oder zum Training von Modellen für andere Kunden verwendet. Alles verbleibt in Ihrer dedizierten Instanz – separate Datenbanken, separate Rechenkapazitäten und kein Datenabfluss zwischen Kunden.

Welche Daten wir erfassen:

• Produktkatalogdaten: SKU, Titel, Beschreibung, Preis, Kategorie (aus der Commerce-Plattform)
• Verhaltensereignisse: Aufrufe, Klicks, Käufe, Hinzufügen zum Warenkorb, Suchvorgänge (aus Storefront und App)
• Kundenkennungen: Benutzer-IDs, E-Mail-Adressen – pseudonymisiert (zur Zuordnung des Verhaltens über mehrere Kanäle hinweg)
• Lagerbestände: Aktuelle Bestandsmengen (aus der Commerce-Plattform)

NICHT erfasst werden: personenbezogene Daten, die über die übermittelten Daten hinausgehen, Kreditkartendaten, Passwörter oder sonstige Daten außerhalb des Bereichs von Empfehlungen.

Sicherheit & Compliance:

• Verschlüsselung: Sämtliche Daten werden bei der Übertragung (TLS 1.2+) und im Ruhezustand (AES-256) verschlüsselt.
• DSGVO-konform: Nutzer können die Löschung ihrer Daten anfordern; sämtliche Spuren werden innerhalb von 30 Tagen entfernt. Die Kontrolle über die Einwilligungsprozesse bleibt bei Ihnen.
• CCPA-konform: Einwohner Kaliforniens können dem Verkauf ihrer Daten widersprechen (dies wird ohnehin nicht praktiziert, die entsprechenden rechtlichen Abläufe werden jedoch unterstützt).
• Isolierte Infrastruktur: Ihre Daten werden in dedizierten Datenbanken gespeichert. Keine Risiken durch gemeinsam genutzte Mandantenumgebungen.

Im Dashboard stehen vollständige Audit-Protokolle zur Verfügung: Wer wann auf welche Daten zugegriffen hat, wann Empfehlungen ausgeliefert wurden und welche Leistungskennzahlen vorliegen. Ein Export an das Sicherheits- oder Compliance-Team ist jederzeit möglich.

Unternehmenskunden können jederzeit Audits unserer Systeme durch Dritte anfordern.

Nicht unbedingt – beide lösen sich ergänzende Aufgaben. Eine Empfehlungs-Engine befasst sich in der Regel mit der Conversion auf der Website und der Produktauswahl in Echtzeit, insbesondere bei anonymem Traffic. Darüber hinaus ermöglicht die Empfehlungs-Engine von Quarticon eine kanalübergreifende Personalisierung.

Eine CDP/MA verwaltet Kundenidentitäten, die kanalübergreifende Aktivierung und CRM-Workflows, die für Kundenbindung und Programme entlang des Kundenlebenszyklus nützlich sind.

Viele Unternehmen profitieren am meisten vom Einsatz beider Lösungen: Die Empfehlungs-Engine maximiert den unmittelbaren Umsatz auf der Website über den gesamten Traffic hinweg und ermöglicht die Personalisierung außerhalb der Website; ein einfaches MA-Tool dient ausschließlich der Ansprache außerhalb der Website (ohne Personalisierung, die von Quarticon bereitgestellt wird).

Im Dashboard können Echtzeitkennzahlen eingesehen werden: Impressionen und Klicks von Empfehlungen, Conversions sowie Empfehlungen zugerechneter Umsatz.

Unsere Rules Engine unterstützt unbegrenzte kundenspezifische Logik.

Es muss kein Algorithmus nach dem Prinzip „one size fits all“ verwendet werden. Geschäftslogik lässt sich über die Empfehlungen legen:

Saisonale und werbliche Regeln

• „Während der Feiertage im 4. Quartal Geschenksets in Empfehlungen um 50 % stärker hervorheben“
• „Wenn ein Produkt im Ausverkauf ist, soll es Kunden angezeigt werden, die ähnliche Artikel angesehen haben“
• „Kunden, die bereits gekauft haben, keine Black-Friday-Angebote empfehlen“

Ausschlüsse nach Kategorie und Marke

• „B2B-Kunden keine Marken von Wettbewerbern empfehlen“
• „Drittanbieter aus den Empfehlungen ausschließen (nur unseren Lagerbestand anzeigen)“
• „Nutzern unter 18 Jahren niemals Produkte für Erwachsene anzeigen“

Preisbasierte Regeln

• „Preissensiblen Kunden (Schnäppchenjägern) Produkte unter 50 $ empfehlen“
• „Wertvollen Kunden zuerst Premiumprodukte empfehlen“

Beschränkungen des Lagerbestands

• „Produkte mit weniger als 2 verfügbaren Einheiten nicht empfehlen“
• „Bei übergroßen Artikeln Empfehlungen auf Kunden mit kostenlosem Versand beschränken“
• „Langsam drehenden Lagerbestand priorisieren; ältere SKUs stärker hervorheben“

Compliance & Datenschutz

• „Kundenpräferenzen berücksichtigen: Wenn einer Kategorie X widersprochen wurde, keine Produkte aus dieser Kategorie empfehlen“
• „Für Kunden in der EU gelten die DSGVO-Regeln; für Kunden in Kalifornien gelten die CCPA-Regeln“

Die Regeln werden im Dashboard definiert (für einfache Fälle ist keine Programmierung erforderlich). Für komplexe Logik wird eine gut lesbare Regelsyntax verwendet. Die Regeln werden in Echtzeit aktualisiert – kein erneutes Training, keine Verzögerungen.

Regeln mit mehreren Varianten: Für verschiedene Kundensegmente gelten unterschiedliche Regeln. VIP-Kunden erhalten andere Empfehlungen als Käufer, die nur einmal einkaufen. Saisonale Regeln werden automatisch aktiviert.

A/B-Testregeln: Zwei unterschiedliche Regelsätze werden getestet: 50 % der Nutzer sehen die Regeln der Version A, 50 % die der Version B. Anschließend wird gemessen, welche Version mehr Umsatz generiert.

Leistung: Die Regeln werden innerhalb von Mikrosekunden ausgeführt – bei Empfehlungsanfragen entsteht dadurch keine zusätzliche Latenz.