Empfehlungsfilter schränken den Kandidatenpool ein, aus dem ein Algorithmus schöpft. Ohne Filter berücksichtigt Personyze Ihren gesamten Katalog; mit Filtern nur Artikel, die Ihren Kriterien entsprechen. Das Ergebnis sind treffendere, kontextbezogenere Empfehlungen — und Schutz vor unpassenden Ergebnissen (nicht vorrätige Artikel, markenfremde Produkte, Artikel außerhalb der Preisspanne des Besuchers).
Wo Filter zu finden sind
Scrollen Sie im Algorithmus-Schritt eines beliebigen Empfehlungsassistenten an der Algorithmuswahl vorbei zum Bereich Filter. Dort finden Sie gängige Filter als Schalter und eine Schaltfläche, um eigene Filter mit einem beliebigen Produkt- oder Content-Attribut hinzuzufügen.
Beispiele für gängige Filter
So erstellen Sie einen Filter
- Klicken Sie auf Add Filter.
- Wählen Sie im ersten Dropdown das Produktattribut (z. B. Marke, Kategorie, Preis).
- Wählen Sie im zweiten Dropdown den Filterwert — entweder einen bestimmten Wert (z. B. „iPhone“) oder eine dynamische Übereinstimmung (z. B. „wie das gerade angesehene Produkt“).
- Wiederholen Sie dies für weitere Filter. Mehrere Filter werden mit UND verknüpft — Artikel müssen alle erfüllen.
Für eine ODER-Verknüpfung verwenden Sie in der Regel einen einzelnen Filter mit mehreren ausgewählten Werten (z. B. brand IN [Apple, Samsung, Google]) statt mehrerer Filterzeilen.
Dynamische Filter (kontextbezogen)
Die wirkungsvollsten Filter vergleichen Attribute zwischen dem Empfehlungskandidaten und dem aktuellen Seitenkontext. Beispiele:
- „Gleiche Marke wie das angesehene Produkt“ — der Empfehlungspool wird auf die Marke des Artikels gefiltert, den der Nutzer gerade ansieht.
- „Preis innerhalb von ±25 % des angesehenen Produkts“ — hält Empfehlungen in einer vergleichbaren Preisklasse.
- „Gleiche Kategorie wie die letzten 3 angesehenen“ — grenzt auf die jüngste Surfabsicht ein.
Diese dynamischen Filter aktualisieren sich automatisch, während der Besucher surft — keine Kampagne pro Produkt nötig.
Filter für Content-Empfehlungen
Content-Empfehlungen nutzen dieselbe Filtermechanik, aber mit Content-spezifischen Attributen (Artikelkategorie, Autor, Veröffentlichungsdatum, Content-Typ, Tags). Die Oberfläche sieht etwas anders aus, die Logik ist jedoch dieselbe — Attribut wählen, Wert wählen, mit UND verknüpfen.
Best Practices
- Breit beginnen, schrittweise eingrenzen. Starkes Filtern kann leere Empfehlungen erzeugen. Fügen Sie Filter einzeln hinzu und prüfen Sie im QA-Schritt, ob Sie weiterhin gute Ergebnisse erhalten.
- Immer „auf Lager“ + „aktiv“ einbeziehen. Das ist das absolute Minimum für jede Empfehlung im Live-Betrieb.
- Filter mit einem Fallback kombinieren. Wenn Ihre Filter restriktiv sind, legen Sie einen Fallback-Algorithmus mit lockereren Filtern fest, damit Besucher nie ein leeres Widget sehen.
- Mit echten Besucherdaten testen. Nutzen Sie den QA-Schritt mit mehreren echten Abonnenten-E-Mails, um zu sehen, was Filter in der Praxis ergeben — vor allem bei dynamischen Filtern, die vom Surfkontext abhängen.