Wie funktioniert KI-Personalisierung im Mode-E-Commerce?
Empfehlungen, sortierte Produktlisten, Grössenberatung und Dialogassistenten beruhen alle auf demselben Fundament: sauberen Kunden- und Produktdaten. Ein praktischer Leitfaden dazu, was funktioniert, was es kostet und wo die Grenzen liegen.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- KI-Personalisierung im Mode-E-Commerce nutzt Verhaltens-, Transaktions- und Produktdaten, um zu entscheiden, welche Produkte, Grössen, Inhalte und Botschaften jede Kundin und jeder Kunde sieht.
- Die häufigsten Anwendungen sind Produktempfehlungen, personalisierte Sortierung von Kategorie- und Suchergebnissen, Grössen- und Passformberatung, personalisierte E-Mails und dialogbasierte Shopping-Assistenten.
- Zalando berichtet, dass die Umstellung seines Assistenten auf ein neueres Sprachmodell die Produktklicks in Empfehlungskarussells um 23 Prozent und die Ergänzungen von Wunschlisten um mehr als 40 Prozent gegenüber der Vorversion gesteigert hat.
- Die Qualität der Personalisierung hängt stärker von den Produktattributen und der Identitätsauflösung ab als von der Wahl des Algorithmus.
- Online-Plattformen in der EU, die Empfehlungssysteme nutzen, müssen die wichtigsten Parameter dieser Systeme gemäss Artikel 27 des Digital Services Act in klarer und verständlicher Sprache erläutern.
KI-Personalisierung im Mode-E-Commerce bedeutet, mit maschinellem Lernen für jede Besucherin und jeden Besucher zu entscheiden, welche Produkte, Grössen, Bilder und Botschaften angezeigt werden. Sie verknüpft das Verhalten der Kundschaft (Browsing, Käufe, Retouren) mit strukturierten Informationen über die Produkte und schafft nur dann Mehrwert, wenn beide Datensätze verlässlich sind.
Was ist KI-Personalisierung im Mode-E-Commerce?
Personalisierung ist keine einzelne Funktion. Sie ist eine Reihe von Entscheidungen, die bei jedem Seitenaufruf getroffen werden: welche Produkte in einer Kategorie zuerst erscheinen, welche Artikel ein Karussell "Das könnte Ihnen auch gefallen" füllen, welche Grösse vorgeschlagen wird, welcher Newsletter an wen geht und zunehmend auch, wie ein Dialogassistent eine Stylingfrage beantwortet. Frühe regelbasierte Systeme nutzten einfache Segmente wie Geschlecht oder die zuletzt besuchte Kategorie. Heutige Systeme verwenden Machine-Learning-Modelle, die Muster aus Millionen von Interaktionen lernen und Sortierungen laufend aktualisieren.
Mode ist dafür eine anspruchsvolle Kategorie. Die Sortimente wechseln jede Saison, viele Artikel sind ausverkauft, bevor genügend Daten über sie vorliegen, der Geschmack ist sehr individuell, und Grösse und Passform verursachen einen grossen Teil der Retouren. Ein Empfehlungssystem, das bei Büchern oder Elektronik gut funktioniert, funktioniert nicht automatisch bei Bekleidung.
Wie funktionieren Empfehlungssysteme in der Mode tatsächlich?
Die meisten produktiven Systeme kombinieren mehrere Verfahren, statt sich auf ein einziges Modell zu verlassen:
- Collaborative Filtering: Es wird angenommen, dass Kundinnen und Kunden mit ähnlichem früherem Verhalten ähnliche Artikel mögen. Stark bei beliebten Artikeln, schwach bei Neuheiten ohne Historie.
- Inhaltsbasierte Modelle: Produkte werden durch Attribute beschrieben (Farbe, Silhouette, Material, Anlass, Preislage) und den Attributen zugeordnet, mit denen sich jemand beschäftigt hat. Das funktioniert bei neuen Artikeln besser, setzt aber umfangreiche, einheitliche Produktdaten voraus.
- Visuelle Ähnlichkeit: Computer-Vision-Modelle stellen Produktbilder als Vektoren dar, sodass ähnlich aussehende Artikel gefunden und empfohlen werden können, auch wenn die Attributdaten dünn sind.
- Grosse Sprachmodelle: Sie interpretieren Freitextanfragen ("etwas für eine Sommerhochzeit in Rom") und übersetzen sie in Produktabfragen, wie bei Dialogassistenten.
Eine Ranking-Ebene verbindet diese Signale anschliessend mit Geschäftsregeln wie Lagerverfügbarkeit, Marge, Nachhaltigkeitsfiltern oder Markenvereinbarungen. An diesem letzten Schritt entscheidet sich bei vielen Personalisierungsprojekten Erfolg oder Misserfolg, denn eine technisch hervorragende Empfehlung ist nutzlos, wenn der Artikel in der Grösse der Kundin nicht vorrätig ist.
Welche Anwendungen der Personalisierung schaffen in der Mode Mehrwert?
| Anwendung | Was sie leistet | Wichtige Daten | Typischer Reifegrad |
|---|---|---|---|
| Produktempfehlungen | Schlägt verwandte oder ergänzende Artikel auf Produkt-, Warenkorb- und Startseiten vor | Clickstream, Bestellungen, Produktattribute, Bilder | Ausgereift, weit verbreitet |
| Personalisierte Sortierung | Ordnet Kategorie- und Suchergebnisse je Besucher neu | Sitzungsverhalten, Kaufhistorie, Bestand je Grösse | Bei grossen Händlern ausgereift |
| Grössen- und Passformberatung | Empfiehlt eine Grösse auf Basis früherer Käufe, Retouren und Kleidungsmasse | Retourengründe, Grössentabellen, Massangaben der Artikel | Etabliert, Qualität abhängig von den Daten der Marke |
| Personalisierte E-Mails und Push-Nachrichten | Wählt Produkte und Versandzeitpunkte je Kunde | CRM-Profil, Einwilligungsstatus, Engagement-Historie | Ausgereift |
| Dialogassistenten | Beantwortet Styling- und Produktfragen in natürlicher Sprache | Produktkatalog, Attribute, Inhalte, Leitplanken | Skalierung seit 2023 |
| Personalisierte Discovery-Feeds | Zeigt inspirierende Inhalte und Produkte in einem Feed im Stil sozialer Medien | Verschlagwortung der Inhalte, Follows, Engagement | Im Kommen |
Grosse Plattformen veröffentlichen einen Teil ihrer Ergebnisse. Der Assistent von Zalando startete 2023 in vier Märkten und wurde 2024 auf alle 25 Märkte ausgeweitet, wie aus einer von OpenAI veröffentlichten Fallstudie hervorgeht. Nach der Umstellung des Assistenten von GPT-3.5 auf GPT-4o mini meldete Zalando 23 Prozent mehr Produktklicks in Empfehlungskarussells und mehr als 40 Prozent mehr Ergänzungen von Wunschlisten als mit der Vorversion. Es handelt sich um plattformspezifische Zahlen, gemessen an Zalandos eigenem früheren System, nicht um Branchen-Benchmarks.
Zalando hat die Personalisierung zudem über das Produktraster hinaus ausgeweitet. Im Oktober 2025 weitete das Unternehmen einen KI-gesteuerten Discovery-Feed mit auf die Nutzerpräferenzen zugeschnittenen Inhalten auf 16 weitere Länder aus und brachte ihn damit in 22 Märkte, zunächst für ausgewählte iOS-Nutzer, wie FashionUnited berichtete.
Welche Daten braucht Personalisierung in der Mode?
Der Algorithmus ist selten der Engpass. Drei Datengrundlagen sind wichtiger:
- Produktattribute: einheitliche, detaillierte Beschreibungen jedes Artikels (Passform, Leibhöhe, Ausschnitt, Stoffgewicht, Anlass). Ohne sie können inhaltsbasierte und dialogbasierte Modelle Absichten nicht mit Produkten verknüpfen.
- Identitätsauflösung: die Verknüpfung von Interaktionen in App, Web, Laden und E-Mail zu einem Kundenprofil, mit dokumentierter Einwilligung. Fragmentierte Profile schwächen jedes Modell.
- Bestand nach Grösse und Standort: Empfehlungen müssen die tatsächliche Verfügbarkeit berücksichtigen, sonst erzeugen sie Frust statt Umsatz.
Retourendaten sind ein zu wenig genutztes Signal. Ein Modell, das weiss, dass eine Kundin bei einer Marke Grösse 38 behalten, bei einer anderen aber retourniert hat, kann bessere Grössenvorschläge machen als eines, das nur Bestellungen sieht.
Zahlt sich Personalisierung für Modehändler aus?
Die Belege sprechen dafür, sollten aber sorgfältig gelesen werden. Eine 2021 veröffentlichte Studie von McKinsey ergab, dass 71 Prozent der Konsumentinnen und Konsumenten personalisierte Interaktionen von Unternehmen erwarten und 76 Prozent frustriert sind, wenn diese ausbleiben, und dass Personalisierung den Umsatz typischerweise um 10 bis 15 Prozent steigert, mit Unterschieden je nach Branche und Umsetzung. Dies sind branchenübergreifende Zahlen, keine modespezifischen, und der Zuwachs hängt von der Ausgangslage und der Datenqualität ab.
Die Kosten werden oft unterschätzt. Neben der Software brauchen Händler Data Engineering, die Anreicherung von Produktdaten, eine Testinfrastruktur und Fachleute, die Experimente auswerten können. Kleinere Marken haben oft mehr davon, ihre Produktdaten zu bereinigen und die in ihre Commerce-Plattform integrierten Personalisierungsfunktionen zu nutzen, als eigene Modelle zu entwickeln.
Welche Risiken und regulatorischen Grenzen gibt es?
- Filterblasen: Übermässig personalisierte Feeds können einengen, was Kundinnen und Kunden sehen, und die Entdeckung neuer Kategorien verringern.
- Datenschutz und Einwilligung: Tracking und Profiling brauchen eine Rechtsgrundlage und für Cookies und ähnliche Technologien in vielen Rechtsordnungen eine Einwilligung.
- Transparenz: Gemäss Artikel 27 des Digital Services Act der EU müssen Online-Plattformen, die Empfehlungssysteme nutzen, die wichtigsten Parameter dieser Systeme in ihren Allgemeinen Geschäftsbedingungen in klarer und verständlicher Sprache darlegen und erläutern, welche Möglichkeiten Nutzer haben, sie zu verändern. Das ist für Mode-Marktplätze unmittelbar relevant.
- Verzerrung: Modelle, die auf vergangenen Verkäufen trainiert wurden, können neue Designer, erweiterte Grössen oder Nischenkategorien zu wenig sichtbar machen.
Wie sollte eine Modemarke anfangen?
Beginnen Sie mit einer stark frequentierten Fläche, etwa Empfehlungen auf der Produktseite oder der Sortierung von Kategorien, und definieren Sie eine klare Erfolgskennzahl nach Abzug der Retouren. Prüfen Sie die Vollständigkeit der Produktattribute, bevor Sie neue Tools kaufen, richten Sie vom ersten Tag an eine Holdout-Gruppe ein und besprechen Sie die Ergebnisse mit dem Merchandising, nicht nur mit dem E-Commerce-Team. Personalisierung funktioniert am besten, wenn sie die Sortimentsstrategie widerspiegelt, statt sie zu übersteuern.
Häufige Fragen
Was ist KI-Personalisierung im Online-Modehandel?
Es ist der Einsatz von maschinellem Lernen, um Produktsortierungen, Empfehlungen, Grössenberatung und Botschaften auf jede Kundin und jeden Kunden zuzuschneiden. Modelle kombinieren Verhaltensdaten wie Browsing und Käufe mit strukturierten Produktdaten. Ziel ist es, jeder Person die relevantesten verfügbaren Artikel zu zeigen.
Welche Daten sind für Empfehlungen in der Mode am wichtigsten?
Umfangreiche und einheitliche Produktattribute, ein zusammengeführtes Kundenprofil mit dokumentierter Einwilligung und ein korrekter Bestand je Grösse. Auch Retourendaten sind wertvoll, weil sie Passformprobleme sichtbar machen. Ohne diese Grundlagen schneiden selbst fortgeschrittene Modelle schlecht ab.
Steigert KI-Personalisierung den Modeumsatz?
Branchenübergreifende Forschung von McKinsey ergab durch Personalisierung einen typischen Umsatzzuwachs von 10 bis 15 Prozent, bei grossen Unterschieden. Modehändler sollten Zuwächse mit Holdout-Tests überprüfen und den Nettoumsatz nach Retouren messen statt Klicks.
Gelten EU-Regeln für Empfehlungssysteme in der Mode?
Ja, für Online-Plattformen wie Marktplätze. Artikel 27 des Digital Services Act verlangt, dass sie die wichtigsten Parameter ihrer Empfehlungssysteme in klarer Sprache erläutern und beschreiben, welche Möglichkeiten Nutzer haben, diese zu ändern. Für das zugrunde liegende Profiling gelten zudem Datenschutz- und Einwilligungsregeln.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
