Eine Empfehlung ist nützlich, wenn sie die Anforderungen der Käuferin respektiert, relevante Unterschiede erklärt und ihr erlaubt, Informationen vor der Bestellung zu prüfen. Die Bewertung eines KI-Einkaufsassistenten sollte neben Auswahl und Kauf auch Fehlgriffe, unbeantwortete Fragen und das spätere Erlebnis einbeziehen.
Nach einer Frage drei Produkte zu zeigen, ist einfach. Die Aufgabe besteht darin, zu erklären, warum diese Produkte passen und was noch geprüft werden muss. Eine plausible Liste kann Optionen enthalten, die eine wichtige Anforderung verletzen.
Was bedeutet „passend“ für diese Käuferin?
Manche Bedingungen sind fest: maximale Größe, Kompatibilität mit einem Zubehörteil oder eine genannte Budgetgrenze. Andere sind Vorlieben wie Farbe, Oberfläche oder Stil. Wir klären sie, ohne die Auswahl in einen endlosen Fragebogen zu verwandeln.
In einem fiktiven Beispiel hat jemand 115 cm Platz für einen Schreibtisch. Ein Modell mit 120 cm passt nicht, nur weil der Preis attraktiv ist. Zwei Modelle, die passen, lassen sich nach Tiefe, Stauraum und einer überprüfbaren Lieferschätzung vergleichen.
Fehlende Informationen bleiben unbestätigt. Die Maße der Tischplatte allein zeigen nicht, ob zwei Monitorständer und die übrige Ausstattung der Person darauf passen.
Wie sollte die Empfehlung erklärt werden?
Wir würden das erfüllte Kriterium zeigen, die Unterschiede zwischen den Optionen und relevante Grenzen. Zum Beispiel: „Dieses Modell passt zu der von Ihnen genannten Breite. Seine Fläche ist weniger tief als bei der Alternative. Der Platz für beide Ständer muss noch anhand ihrer Maße geprüft werden.“
Diese Erklärung lässt die Käuferin die Anforderung korrigieren. Vielleicht war die Breitengrenze nur ungefähr, oder ein Bildschirm wird an einem Monitorarm befestigt. Eine Empfehlung kann sich mit den Informationen weiterentwickeln und dabei Änderungen im Kontext bewahren.
Wer entscheidet über die Reihenfolge der Produkte?
Der Shop braucht ausdrückliche Regeln für Auswahl und Darstellung. Verfügbarkeit, Passung, Preis und kommerzielle Prioritäten können unterschiedliche Rollen spielen. Eine kommerzielle Vorliebe sollte keine falsche Erklärung der Kompatibilität erzeugen.
Wir würden prüfen, ob dieselbe Anfrage stimmige Optionen erzeugt und ob die Käuferin verstehen kann, warum jede aufgenommen wurde. Überzeugende Formulierungen allein sind kein Maßstab für Qualität.
Was messen wir vor dem Kauf?
| Signal | Was es zeigen kann | Was es allein nicht belegt |
|---|---|---|
| Öffnen eines empfohlenen Produkts | Interesse an einer Option | Die Eignung des Produkts |
| Hinzufügen zum Warenkorb | Bewegung in Richtung einer Bestellung | Einen abgeschlossenen Kauf |
| Korrektur der Empfehlung | Klärungsbedarf oder einen Fehler | Dass jede Empfehlung schlecht ist |
| Wechsel zum Support | Bedarf an weiterer Unterstützung | Ein automatisches Scheitern des Gesprächs |
Eine Übergabe an den Support kann das richtige Ergebnis für eine Frage sein, die das System nicht lösen kann. Wir würden prüfen, ob der Kontext erhalten bleibt und die Person die nötige Hilfe erhält.
Was passiert nach der Bestellung?
Wir betrachten Stornierungen, Retouren und erfasste Gründe, wo sich die Informationen angemessen erheben lassen. Wird ein Produkt zurückgeschickt, weil es nicht passt, prüfen wir die Empfehlung und die genutzten Daten. Wir nehmen nicht an, dass der Assistent jede Retoure verursacht hat.
Auch der Aufwand des Teams zählt. Eine schnelle Antwort, die wiederholte Korrekturen erzeugt, kann Arbeit zum Support verschieben. Die Bewertung sollte diese Zeit und die Schwere von Fehlern einbeziehen, neben abgeschlossenen Gesprächen.
Wie können wir Erlebnisse mit und ohne Assistenten vergleichen?
Besucher, die das Gespräch wählen, unterscheiden sich vielleicht von denen, die selbstständig stöbern. Eine höhere Conversion-Rate in der ersten Gruppe belegt nicht automatisch die Wirkung des Assistenten. Wir wählen einen passenden Vergleich und berücksichtigen Traffic-Quelle, Verfügbarkeit und Änderungen am Angebot.
Bei geringem Volumen können wir mit der Prüfung konkreter Aufgaben und Gespräche beginnen, ohne eine endgültige kommerzielle Wirkung zu behaupten. Bei ausreichendem Volumen kann ein sauber gestaltetes Experiment bessere Belege liefern. Die Methode sollte gewählt werden, bevor ein Ergebnis als Beweis dargestellt wird.
NOT MORE. kann dieses Erlebnis mit Produktinformationen, Gestaltung der Oberfläche und vereinbarter Messung verbinden. Die Empfehlung sollte verständlich, überprüfbar und nutzbar sein.
Was sollte eine Käuferin prüfen können, bevor sie die Empfehlung Ihres Shops annimmt?