Datengetriebenes Cross-Selling: passende Empfehlungen
Wie datengetriebenes Cross-Selling im B2B funktioniert: Warenkorbanalyse und Propensity-Modelle für Empfehlungen in CRM und Shop.
Die Kernaussagen auf einen Blick.
- Datengetriebenes Cross-Selling verbindet die Auswahl des Kunden, des passenden Produkts und des geeigneten Zeitpunkts.
- Warenkorbanalysen liefern mit Support, Confidence und Lift eine nachvollziehbare Grundlage für Produktbeziehungen. Propensity-Modelle ergänzen diese Sicht um eine kundenspezifische Kaufwahrscheinlichkeit.
- Im B2B können Empfehlungen besonders wirksam sein, wenn sie mit Accountsignalen und dem richtigen Vertriebstouchpoint verbunden werden.
- Der praktische Nutzen entsteht vor allem dann, wenn Empfehlungen konsistent in den operativen Kanälen ankommen. Dazu gehören eine einheitliche Ausspielung in CRM, Marketing Automation oder Webshop sowie eine saubere Erfolgsmessung.
Inhaltsverzeichnis
Am Ende baut das Marketing die vierte Liste
In einem typischen Review liegen mehrere Empfehlungslisten aus unterschiedlichen Systemen nebeneinander. Eine stammt aus dem Shop, eine aus manuell gepflegten Bundles und eine aus einem CRM-Report. Jede Liste folgt einer anderen Logik und es fehlt eine gemeinsame Bewertungsgrundlage. Da keine Quelle als verlässlich gilt, erstellt das Marketing schließlich eine weitere eigene Auswahl.
Mit wachsender Datenmenge in Shop, CRM und ERP wird dieses Problem sichtbarer. Es fehlt eine gemeinsame Logik, die Produktbeziehungen, Kundensignale und Maßnahmen zusammenführt. Die zentrale Frage lautet: Welches ergänzende Produkt ist für diesen konkreten Kunden tatsächlich relevant? Ohne gemeinsame Methodik bleibt die Auswahl häufig erfahrungs- oder kampagnengetrieben. Es fehlt ein Verfahren, das Produktrelevanz und individuelle Kaufwahrscheinlichkeit konsistent bewertet.
Unpassende Empfehlungen können Reaktionsraten senken und das Vertrauen in weitere Vorschläge beeinträchtigen. Im B2B ist eine unplausible Empfehlung besonders problematisch, weil sie direkt beim Account Management oder beim Kunden sichtbar wird.
Datengetriebenes Cross-Selling verbindet Produktrelevanz, Zeitpunkt und Ausspielkanal. Die Qualität entsteht durch das Zusammenspiel aus geeigneter Methode, belastbaren Daten und klarer Aktivierung. Der eingesetzte Algorithmus ist nur ein Teil der Gesamtlösung.
Was ist Cross-Selling?
Cross-Selling bezeichnet das gezielte Angebot eines ergänzenden Produkts oder einer zusätzlichen Leistung. Das Angebot ergänzt eine bereits bestehende oder geplante Kaufentscheidung. Die Produktauswahl kann auf Transaktionen, Nutzung, Produktbeziehungen oder fachlichen Regeln basieren (Qymatix).
Datengetrieben bedeutet, dass Empfehlungen nach einer dokumentierten und wiederholbaren Logik aus Transaktions- und Verhaltensdaten entstehen. Die geeignete Methode hängt von Sortiment, Kaufhäufigkeit, Datenmenge und Geschäftsmodell ab. Drei Methodenfamilien werden besonders häufig eingesetzt:
Assoziationsregeln
Identifizieren Produktkombinationen, die überdurchschnittlich häufig gemeinsam auftreten.
Recommender-Systeme
Nutzen Produktmerkmale oder das Verhalten ähnlicher Kunden für Empfehlungen.
Propensity-Modelle
Schätzen die Kaufwahrscheinlichkeit für einen bestimmten Kunden und ein bestimmtes Produkt.
Ziel ist es, zusätzlichen Umsatz aus bestehenden Kundenbeziehungen zu erzielen. Da kein vollständig neuer Kunde gewonnen werden muss, können die Vertriebskosten pro zusätzlichem Verkauf niedriger sein. Passende Empfehlungen können zusätzlich die wahrgenommene Relevanz der Kundenbeziehung erhöhen.
Ob diese Effekte entstehen, hängt von Relevanz, Timing und Umsetzung ab. Eine unpassende Empfehlungslogik kann Streuverluste erhöhen und Vertrauen abbauen.
Data & AI Beratung mit ruhrdot
Als offizieller Databricks-Partner begleiten wir dich von der Datenstrategie bis zur produktiven KI-Lösung.
Was ist der Unterschied zwischen Cross-Selling, Up-Selling und Bundling?
Up-Selling zielt auf eine höherwertige oder umfangreichere Variante des bereits gewählten Produkts, etwa ein Premium-Paket statt der Basisversion. Cross-Selling empfiehlt ein separates Produkt, das die ursprüngliche Kaufentscheidung ergänzt. Beim Bundling werden mehrere Produkte bereits als gemeinsames Angebot oder Paket verkauft.
Produktkombinationen aus einer Warenkorbanalyse können die Grundlage für spätere Bundles bilden. Häufige Kombinationen mit ausreichend hoher Confidence und einem Lift über 1 können als Kandidaten dienen. Ob daraus ein festes Paket entsteht, bleibt eine Produkt-, Preis- und Vertriebsentscheidung.
Eine klare Abgrenzung ist wichtig, weil Datenbasis, Erfolgskriterien und Maßnahmen unterschiedlich sind.
| Aspekt | Cross-Selling | Up-Selling |
|---|---|---|
| Verkaufsobjekt | ergänzendes Produkt | hochwertigere Variante desselben Produkts |
| Auslöser | Warenkorb- oder Kontextsignal | Bedarf nach mehr Leistung |
| Typisches Beispiel | Drucker plus passende Tonerkartuschen | Basis-Lizenz wird zur Premium-Lizenz |
| Datengrundlage | Assoziationen, Affinität, Propensity | Nutzungssignale, Limit-Erreichung |
| Erfolgsmessung | zusätzlicher Warenkorbwert | Wachstum des Auftragswerts |
Welche Methoden gibt es für datengetriebenes Cross-Selling?
Drei Methodenfamilien decken den Großteil der produktiven Cross-Selling-Systeme ab. Die Auswahl richtet sich nach Datenbasis, Sortimentsstruktur, gewünschter Erklärbarkeit und Aktivierungskanal.
| Methode | Datenbedarf | Erklärbarkeit | Sortimentstiefe | Aktivierungsfokus |
|---|---|---|---|---|
Assoziationsregeln | ||||
Inhaltsbasierte Filter | ||||
Kollaborative Filter | ||||
Hybride Recommender |
Warenkorbanalyse über Assoziationsregeln
Die Warenkorbanalyse sucht nach Produktkombinationen, die in Transaktionen häufig gemeinsam auftreten. Typische Regeln haben die Form: Wenn Produkt A gekauft wird, tritt Produkt B überdurchschnittlich häufig ebenfalls auf. Algorithmen wie Apriori oder FP-Growth identifizieren häufige Itemsets und leiten daraus Regeln ab.
Drei Kennzahlen ordnen jede Regel ein:
Support
Misst den Anteil aller Transaktionen, in denen die Kombination enthalten ist.
Confidence
Beschreibt, wie häufig B gekauft wird, wenn A bereits enthalten ist.
Lift
Setzt die Kombination ins Verhältnis zur allgemeinen Häufigkeit von B. Ein Wert über 1 spricht für eine positive Assoziation, beweist aber noch keine Kausalität oder zusätzliche Verkaufswirkung.
Aus den gefundenen Regeln lassen sich drei Typen herausfiltern. Naheliegende Kombinationen wie Drucker und Toner können fachlich korrekt, aber für zusätzliche Maßnahmen wenig überraschend sein. Statistische Zusammenhänge ohne plausible fachliche Begründung sollten nicht ungeprüft aktiviert werden. Für die Aktivierung eignen sich vor allem Regeln, die relevant, erklärbar und durch Tests als wirksam bestätigt sind.
Recommender-Systeme
Inhaltsbasierte Verfahren nutzen Produktmerkmale, Kategorien, Texte oder technische Eigenschaften. Kollaborative Verfahren leiten Empfehlungen aus dem Verhalten ähnlicher Kunden oder aus ähnlichen Produktnutzungsmustern ab. User-User-Verfahren suchen Kunden mit ähnlichem Kauf- oder Nutzungsverhalten. Item-Item-Verfahren vergleichen Produkte anhand gemeinsamer Käufergruppen.
Matrixfaktorisierungsverfahren wie Singular Value Decomposition oder Alternating Least Squares bilden verborgene Muster in der Kunden-Produkt-Matrix ab. Hybride Systeme verbinden Verhaltens- und Produktinformationen. Damit lässt sich der Umgang mit neuen Kunden oder Produkten verbessern, auch wenn das Cold-Start-Problem nicht vollständig verschwindet.
Propensity-Modelle
Propensity-Modelle schätzen, mit welcher Wahrscheinlichkeit ein Kunde ein bestimmtes Produkt innerhalb eines definierten Zeitraums kauft. Geeignete Verfahren reichen von logistischer Regression bis zu Gradient-Boosting-Modellen. Im B2B können Merkmale zu Unternehmensfit, Nutzung, Engagement, Vertragsstatus und aktuellen Kaufsignalen einfließen.
Cross-Selling verbindet Propensity meist mit einer Auswahlmenge aus Warenkorb- oder Recommender-Logik. Ein typischer Ablauf erzeugt zunächst geeignete Produktkandidaten und bewertet diese anschließend kundenspezifisch.
| Methode | Trägt | Datenbedarf | Erklärbarkeit | Typische Grenze |
|---|---|---|---|---|
| Assoziationsregeln (Apriori, FP-Growth) | gut erklärbare Produktbeziehungen aus Transaktionen | Bestellpositionen, mittelgroße Mengen | sehr hoch | erkennt nur Beziehungen, die historisch häufig genug vorkommen |
| Inhaltsbasierte Filter | Sortimente mit guten Produktmetadaten und wenig Transaktionen | Produktmetadaten, Tags | hoch | tendiert zu Empfehlungen ähnlicher Produkte |
| Kollaborative Filter | Empfehlungen aus Verhalten | Interaktionsmatrix mit Tiefe | mittel | Cold-Start, dünne Daten |
| Hybride Recommender | gleicht Datenlücken besser aus | beides parallel | mittel | höherer Entwicklungs- und Pflegeaufwand |
| Propensity-Modelle | individuelle Wahrscheinlichkeit je Kunde | Features aus CRM, Web, Shop | mittel (mit SHAP) | benötigt regelmäßige Überwachung |
Welche Beispiele für datengetriebenes Cross-Selling sind belastbar?
Ein vereinfachtes Beispiel zeigt, wie die Kennzahlen zusammenhängen. Ein Großhändler analysiert 10.000 Bestellungen aus einem Quartal. In 800 Bestellungen kommen Drucker A und Toner B gemeinsam vor. Der Drucker A allein liegt in 1.500 Bestellungen, das Toner-Set B in 1.200 Bestellungen.
- Support(A, B) = 800 / 10.000 = 8 Prozent. Damit liegt der Support der Kombination bei 8 Prozent aller Warenkörbe.
- Confidence(A → B) = 800 / 1.500 ≈ 53 Prozent. Von den 1.500 Druckerkäufen enthalten rund 53 Prozent auch das Toner-Set.
- Lift(A, B) = 0,53 / (1.200/10.000) = 4,4. Die Kombination tritt damit etwa 4,4-mal häufiger auf, als es bei statistischer Unabhängigkeit zu erwarten wäre.
Ein Lift von 4,4 deutet auf eine deutliche Assoziation hin. Ob eine aktive Empfehlung zusätzlichen Umsatz erzeugt, muss anschließend mit einer Kontrollgruppe geprüft werden. Erst nach fachlicher Prüfung und Wirkungstest sollte die Regel produktiv genutzt werden.
Auf Account-Ebene lohnt sich ein zweiter B2B-Use-Case. Eine Propensity-Auswertung kann beispielsweise die aussichtsreichsten Accounts für ein bestimmtes Zusatzprodukt priorisieren. Im CRM sollten neben dem Score auch nachvollziehbare Gründe, Kontext und ein geeigneter nächster Schritt sichtbar sein. Branchen-Benchmarks nennen für Account-getriebene Cross-Sells im Enterprise-B2B teilweise hohe Erfolgsquoten. Pauschale Werte sollten nur verwendet werden, wenn Branche, Definition und Messmethode vergleichbar sind. Im B2B können individuell bearbeitete Empfehlungen höhere Abschlussquoten erzielen als vollautomatisierte Massenausspielungen; der tatsächliche Effekt muss jedoch im eigenen Prozess gemessen werden.
Wie wird Cross-Selling produktiv aktiviert?
Der Nutzen entsteht erst, wenn Empfehlungen in den relevanten Vertriebs- und Marketingprozessen verfügbar sind. Typische Ausspielwege sind Webshop, operative Systeme und der direkte Vertriebstouchpoint.
Regelbasierte Kombinationen aus Bestelldaten
Empfehlungen aus Produkt- und Nutzerähnlichkeit
Kaufwahrscheinlichkeit pro Kunde und Produkt
Empfehlungen laufen zur Laufzeit, nicht im Batch.
Echtzeit im Shop
Im Webshop werden Empfehlungen auf Produktseiten, im Warenkorb oder im Checkout eingeblendet. Die zulässige Antwortzeit hängt von Nutzererlebnis, Infrastruktur und Touchpoint ab und sollte durch Lasttests festgelegt werden. Eine typische Architektur trennt drei Stufen:
Kandidatenabruf
Ein schneller Kandidatenabruf reduziert eine große Produktauswahl auf eine kleinere relevante Menge, etwa über eine Approximate Nearest Neighbor-Suche im Vektorraum.
Ranking
Ein Rankingmodell bewertet diese Kandidaten für den aktuellen Kunden oder Kontext.
Nachgelagerte Filterung
Ein nachgelagerter Schritt berücksichtigt Verfügbarkeit, Marge, Diversität, Ausschlüsse und Kontakthäufigkeit.
Reverse ETL in operative Systeme
Ein weiterer Ansatz überträgt Scores und Empfehlungen aus der Datenplattform in CRM- oder Marketing-Systeme. Reverse ETL kann priorisierte Empfehlungen in CRM, Marketing Automation oder Werbeplattformen synchronisieren. Eine zentrale Berechnung reduziert das Risiko, dass unterschiedliche Systeme eigene Empfehlungslogiken verwenden. Voraussetzung ist eine klare Ownership der Berechnungslogik und eine kontrollierte Synchronisation.
Vertriebs-Touchpoint
Im B2B ist die Empfehlung häufig Teil des Account-Management-Prozesses. Zusätzlich zum Produkt sollte die Empfehlung Hinweise zu relevanten Ansprechpartnern, Anlass und geeignetem Zeitpunkt enthalten. Ein reiner Wahrscheinlichkeitsscore ist für den Vertrieb meist nicht ausreichend.
Wie misst man den Cross-Selling-Erfolg?
Offline-Metriken wie Precision@K, Recall@K, NDCG oder MRR helfen beim Vergleich verschiedener Rankingmodelle. Sie bewerten Ranking- und Trefferqualität gegen Holdout-Daten.
Ob die Empfehlung wirtschaftlich wirkt, sollte über einen kontrollierten Online-Test oder eine Holdout-Gruppe geprüft werden. Geeignete Zielgrößen sind zusätzlicher Umsatz, Deckungsbeitrag, Warenkorbwert oder langfristiger Kundenwert. Im B2B-Account-Geschäft kommen Cross-Sell-Quote pro Account und zusätzlicher Annual Contract Value hinzu.
Ohne Vergleichsgruppe lässt sich nur schwer unterscheiden, ob ein beobachteter Verkauf durch die Empfehlung oder ohnehin zustande gekommen wäre.
Verbindung zu Segmentierung, CLV und Next Best Action
Cross-Selling übersetzt Kundendaten in eine konkrete Produktempfehlung. Die Empfehlung pro Kunde ist nur so gut wie die Daten und der Kontext, die dahinterstehen: Wertsegment, Bindungsdauer, Affinität, Risiko. Eine ausführliche Einordnung steht im Hub-Artikel zu Customer Intelligence.
- Kundensegmentierung ordnet Kunden in relevante Gruppen und Kontexte ein. Produktwahl, Kanal und Betreuungsintensität können sich je Segment unterscheiden. Wer Cross-Selling ohne Segmentierung steuert, optimiert auf den Durchschnitt und übersieht die Kunden, deren Empfehlung den größten Mehrwert hätte.
- Customer Lifetime Value hilft zu entscheiden, wie viel Aufwand oder Anreiz sich für einen Kunden wirtschaftlich lohnt. CLV gewichtet, wie viel Aufwand pro Empfehlung angemessen ist, etwa die teurere Variante eines Mailings oder den Anruf des Account-Managers.
- Next Best Action vergleicht Cross-Selling mit anderen möglichen Maßnahmen wie Retention, Service oder Up-Selling. Cross-Sell-Empfehlungen wandern als eine Quelle unter mehreren in die NBA-Logik.
Segmentierung liefert den Kontext, CLV die wirtschaftliche Gewichtung und Cross-Selling eine mögliche konkrete Maßnahme.
Grenzen
Auch eine gut gebaute Cross-Selling-Engine hat Grenzen, die aktiv gesteuert werden müssen.
Relevanz und Vertrauen
Unpassende oder wiederholte Empfehlungen können Vertrauen und Reaktionsbereitschaft beeinträchtigen. Im B2B reagieren professionelle Einkäufer sensibel auf Trefferquoten. Empfehlungen sollten regelmäßig gegen Kontrollgruppen und aktuelle Daten geprüft werden.
Datenschutz und Profiling
Auch geschäftliche Kontaktdaten können personenbezogene Daten sein. Profiling und automatisierte Entscheidungen brauchen eine geprüfte Rechtsgrundlage sowie dokumentierte Zweck- und Interessenabwägung; bei vollständig automatisierten Entscheidungen mit erheblicher Wirkung gelten zusätzliche Anforderungen.
Modell-Drift und Fatigue
Produktbeziehungen, Preise und Kundenverhalten verändern sich, und zu häufige oder wiederholte Empfehlungen können zu Ermüdung führen. Produktiver Betrieb benötigt Monitoring, Aktualisierung und Regeln zur Kontakthäufigkeit.
Erklärbarkeit
Im Vertrieb ist eine nachvollziehbare Begründung für Empfehlungen besonders wichtig. Verfahren wie SHAP oder LIME können Einflussfaktoren erklären, ersetzen aber keine fachliche Plausibilitätsprüfung.
Kein Ersatz für Vertriebsstrategie
Eine Empfehlungslogik verbessert die Auswahl und Priorisierung, ersetzt jedoch weder Sortiment, Pricing noch Vertriebsstrategie. Fehlende Produkt- oder Zielgruppenlogik wird durch ein Modell nicht automatisch gelöst.
Fazit
Gutes Cross-Selling ist kein Algorithmus, sondern ein Zusammenspiel aus Methode, Daten und Vertriebsanbindung.
Datengetriebenes Cross-Selling ist besonders sinnvoll, wenn ausreichend Transaktions- oder Nutzungsdaten und mehrere tatsächlich ergänzende Produkte vorhanden sind. Ziel ist der Wechsel von pauschalen Produktkombinationen zu kundenspezifischen Empfehlungen.
Im B2B steigt der Nutzen, wenn Empfehlungen in den bestehenden Vertriebsprozess eingebunden und von Account Managern nachvollzogen werden können. Fehlen klare Aktivierung, Ownership und Feedback aus dem Vertrieb, bleibt auch ein gutes Modell ohne Wirkung.
Die Wahl der Methode sollte gemeinsam mit dem späteren Ausspielkanal und dem verantwortlichen Prozess getroffen werden:
- Für nachvollziehbare Produktpaare auf Basis von Bestellungen kann eine Warenkorbanalyse ein geeigneter Einstieg sein.
- Für stärker personalisierte Empfehlungen können hybride Recommender sinnvoll sein.
- Für B2B-Accounts sollte ein Propensity-Modell mit CRM-Prozess, Begründung und klarer Maßnahme verbunden werden.
Ein kontrollierter Wirkungstest sollte entscheiden, ob die Empfehlung tatsächlich zusätzlichen Geschäftswert erzeugt.
Ein kontrollierter Wirkungstest entscheidet, ob die Empfehlung tatsächlich zusätzlichen Geschäftswert erzeugt.
Lohnt sich Cross-Selling in eurem Setup?
Ob datengetriebenes Cross-Selling in eurem Setup einen messbaren Nutzen erzeugen kann oder vor allem zusätzliche Daten- und Betriebsaufwände schafft, lässt sich in einem strukturierten Data-&-AI-Assessment bewerten.
- welche Bestell-, CRM- und Nutzungsdaten sich für Empfehlungen eignen
- welche Methode zu Sortiment, Datenlage und Aktivierungskanal passt
- wie aus einem ersten Score ein wiederkehrender und messbarer Prozess entsteht
FAQ
Cross-Selling ist das gezielte Angebot eines ergänzenden Produkts oder einer ergänzenden Leistung an einen bestehenden Kunden, zusätzlich zum Hauptkauf. Im Deutschen wird der Begriff auch als Querverkauf geführt. Datengetriebenes Cross-Selling nutzt nachvollziehbare Regeln oder Modelle aus Transaktions- und Verhaltensdaten statt ausschließlich Erfahrungswerte.
