Amazon Rufus Studie: Daten-Insights als Grundlage für Listing-Optimierung

Einführung

Amazons Shopping-Assistent Rufus verändert die Art und Weise, wie Kunden das Amazon-Sortiment durchsuchen, durch Echtzeit-Empfehlungen basierend auf KI-Technologie. In unserem vorherigen Blogartikel Amazon Rufus im Test: Erkenntnisse & Tipps zur Listing-Optimierung haben wir die Funktionen und Fähigkeiten von Rufus genauer beleuchtet.

Darauf aufbauend haben wir eine umfassendere statistische Analyse durchgeführt, um Muster in den Empfehlungen von Rufus zu identifizieren. Ziel war es, durch die Analyse zentraler Listing-Merkmale wie Content, Bewertungen und Fulfillment-Methoden zu verstehen, wie Seller und Vendoren ihre Listings so optimieren können, dass sie besser mit dem Rufus-Empfehlungssystem harmonieren.

Unsere Analyse-Methodik

Um Muster in den Empfehlungen von Rufus zu erkennen, haben wir über 1.300 Produktlistings analysiert. Dabei sind wir wie folgt vorgegangen:

Schritt 1: Sammeln von Suchbegriffen

Wir haben die Top 500 generischen Suchbegriffe aus Amazons Search Term Report für den US-Markt ausgewählt. Diese Begriffe umfassen häufig gesuchte Anfragen aus verschiedenen Kategorien – von saisonalen Artikeln bis hin zu Alltagsprodukten. Beispiele sind:

• Christmas decorations indoor
• Chapstick
• Phone holders for your car

Generische Suchbegriffe enthalten keine Markennamen. Suchbegriffe wie "ps5" oder "iphone 16" wurden ausgeschlossen, da die Ergebnisse hier weniger vielfältig ausfallen.

Schritt 2: Realistische Kundenanfragen erstellen

Mit ChatGPT haben wir für jeden Suchbegriff natürliche Kundenanfragen erstellt, um typische Interaktionen mit Rufus zu simulieren. Ziel war es, kontextrelevante Empfehlungen zu erhalten. Beispiele für Kundenanfragen:

• Für “Christmas decorations indoor”:
  "Please recommend indoor Christmas decorations for a festive home."
• Für “Chapstick”:
  "Please recommend a hydrating chapstick for daily use."
• Für “Phone holders for your car”:
  "Please recommend a reliable phone holder for the car."

Diese Anfragen wurden an Rufus auf dem US-Marktplatz gesendet, und die jeweiligen Produktempfehlungen dokumentiert.

Schritt 3: Erfassen der empfohlenen ASINs

Die Anzahl der Produktempfehlungen variierte je Anfrage, insgesamt konnten wir jedoch über 1.300 empfohlene ASINs sammeln.

Schritt 4: Datenabruf der ASINs über AMALYTIX

Die gesammelten ASINs wurden in unser Tool AMALYTIX importiert, um detaillierte Einblicke in die Produktlistings zu erhalten. Untersucht wurden unter anderem:

• Content und Präsentation:
  Titel-Länge, Nutzung von Bullet-Points, Bildanzahl und Vorhandensein erweiterter Inhalte (z. B. A+ oder A+ Premium) zur Bewertung der Listing-Qualität.
• Kundenfeedback und Bewertungen:
  Durchschnittliche Sternebewertung, Gesamtanzahl der Rezensionen und Trends im Feedback gaben Hinweise zur Kundenzufriedenheit und -vertrauen.
• Performance und Sichtbarkeit:
  Organisches Suchranking, Prime-Berechtigung und Fulfillment-Typ zeigten die Auffindbarkeit und Wettbewerbsfähigkeit der Listings.

Schritt 5: Analyse der Muster in Produktempfehlungen

Die Datenanalyse identifizierte wiederkehrende Merkmale unter den empfohlenen Produkten. Diese Erkenntnisse bieten wertvolle Hinweise darauf, welche Eigenschaften die Empfehlungen von Rufus beeinflussen.

Schritt 6: Tests zur Verlässlichkeit der Empfehlungen

Um die Verlässlichkeit der Empfehlungen von Rufus zu bewerten, wurden 10 zufällige Keywords und deren zugehörige Kundenanfragen ausgewählt. Jede Anfrage wurde fünfmal wiederholt, um die Stabilität der Ergebnisse zu prüfen. Diese Tests zeigten, wie reproduzierbar die Vorschläge von Rufus sind.

Zentrale Muster in Amazon Rufus’ Empfehlungen

Bevor wir beginnen, hier eine kurze Erklärung der verwendeten Kennzahlen:

• Median: Der Median ist der mittlere Wert eines sortierten Datensatzes und teilt diesen in zwei gleich große Hälften. Er bietet eine robuste Maßzahl für die Mitte der Daten, insbesondere bei asymmetrischen Verteilungen.
• Interquartilsabstand: Der Interquartilsabstand beschreibt die Streuung der mittleren 50 % eines Datensatzes. Er wird berechnet als Differenz zwischen dem 75. Perzentil (Q3) und dem 25. Perzentil (Q1). Diese Kennzahl hilft, die Konzentration der Werte sichtbar zu machen und potenzielle Ausreißer außerhalb dieses Bereichs zu identifizieren.

1. Titel-Länge

• Median-Länge: 166 Zeichen
• Interquartilsabstand: 100 bis 184 Zeichen

Obwohl die Median- und Durchschnittswerte durch Listings mit kürzeren Titeln beeinflusst werden, konzentrierte sich ein Großteil der Produkttitel am oberen Ende des Spektrums, insbesondere zwischen 190 und 199 Zeichen. Bemerkenswert ist, dass die Länge von 199 Zeichen am häufigsten vorkam. Dies legt nahe, dass viele empfohlene Listings die maximale Länge ausnutzen, um möglichst viele relevante Produktdetails unterzubringen.

2. Markenvielfalt

Die Analyse zeigt, dass 74,7 % der empfohlenen Produkte von unterschiedlichen Marken stammen, was auf eine beträchtliche Markenvielfalt in Rufus’ Empfehlungen hinweist. Dies unterstreicht, dass Rufus nicht lediglich eine kleine Anzahl von Marken bevorzugt, sondern ein breites Spektrum an Optionen in die Auswahl einbezieht.

Interessant ist, dass Amazon Basics, die Eigenmarke von Amazon, lediglich 0,6 % der empfohlenen Produkte ausmachte. Damit war sie die fünftmeist empfohlene Marke. Dieser vergleichsweise geringe Anteil deutet darauf hin, dass Amazon seinen eigenen Produkten in Rufus’ Empfehlungen keine übermäßige Priorität einräumt.

3. Bildanzahl

• Median Bildanzahl: 7
• Interquartilsabstand: 6 bis 9

Die Mehrheit der Produkte verfügte über 6 bis 9 Bilder, wobei 7 Bilder am häufigsten vorkamen – mehr als 25 % der Listings nutzen diese Konfiguration. Produkte mit mehr als 10 Bildern waren selten, ebenso wie Listings mit weniger als 4 Bildern. Dies zeigt, wie wichtig eine visuelle Darstellung für eine erfolgreiche Produktpräsentation ist.

Marken sollten 6 bis 9 hochwertige Bilder bereitstellen, um den Erwartungen und gängigen Trends zu entsprechen und ihre Chancen auf eine Empfehlung zu erhöhen.

4. Videoanzahl

• Median Videoanzahl: 3
• Interquartilsabstand: 0 bis 6

Videos waren in der Mehrheit der empfohlenen Produkte vorhanden, allerdings enthielten über 34 % der Listings keine Videos. Der Median lag bei 3 Videos, wobei 6 Videos die häufigste Anzahl unter den Listings mit Videos war (22,9 %). Produkte mit der maximal möglichen Anzahl von 10 Videos waren hingegen selten.

Dies deutet darauf hin, dass Videos die Attraktivität eines Produkts steigern und seine Chancen auf eine Empfehlung erhöhen können. Dennoch schließt das Fehlen von Videos ein Produkt nicht automatisch aus. Listings mit mehreren Videos bieten jedoch potenziell einen Vorteil, da sie Produkte detaillierter präsentieren und Käufer besser ansprechen können.

5. Badges

• Produkte mit Amazon’s Choice Badge: 41,8 %
• Produkte mit Climate Pledge Friendly Label (CPF): 3,2 %

Rund 41,8 % der empfohlenen Produkte trugen das Amazon’s Choice Badge, was seine Bedeutung für die Sichtbarkeit in Rufus’ Empfehlungen unterstreicht. Dennoch hatten die meisten empfohlenen Produkte (58,2 %) dieses Badge nicht, was zeigt, dass es zwar hilfreich, aber keine Voraussetzung für eine Empfehlung ist.

Das Climate Pledge Friendly Label (CPF) war bei lediglich 3,2 % der Produkte vertreten. Obwohl dieses Nachhaltigkeitssiegel für umweltbewusste Käufer attraktiv sein kann, scheint es keine zentrale Rolle in Rufus’ Empfehlungsalgorithmus zu spielen. Für Marken in relevanten Kategorien könnte es dennoch eine wertvolle Differenzierung darstellen.

6. Anzahl der Bullet Points

• Median Anzahl der Bullet Points: 5
• Interquartilsabstand: 5 bis 5

Die Mehrheit der Produkte verwendete genau 5 Bullet Points, was durch den engen Interquartilsabstand und den Medianwert bestätigt wird. Zwar gab es Listings mit bis zu 12 Bullet Points, diese waren jedoch selten. Nur 1 % der Produkte hatte gar keine Bullet Points.

Die Präferenz für fünf Bullet Points spiegelt Amazons Standardpraxis wider und unterstreicht die Bedeutung einer klaren, strukturierten Darstellung von Produkteigenschaften. Marken sollten diesen Bereich effektiv nutzen, um zentrale Produktvorteile prägnant zu kommunizieren.

7. Beschreibungstyp / A+ Content

• A+ Content: 55,1 %
• A+ Premium Content: 32,1 %
• Standardbeschreibung: 12,8 %

Mehr als die Hälfte der empfohlenen Produkte nutzte A+ Content, während 32,1 % auf die erweiterte Version, A+ Premium Content, setzten. Nur 12,8 % der Listings verwendeten Standardbeschreibungen. Diese Zahlen verdeutlichen die Bedeutung ansprechender und informativer Inhalte für erfolgreiche Empfehlungen.

Marken sollten in Betracht ziehen, auf A+ oder A+ Premium Content umzusteigen, um ihre Produktdarstellung zu verbessern und das Kundenerlebnis zu optimieren.

8. Produktbewertungen

• Median Bewertung: 4,5
• Interquartilsabstand: 4,3 bis 4,7

Produkte mit einer Bewertung unter 4,0 tauchten in den Empfehlungen von Rufus nicht auf. Die meisten empfohlenen Produkte hatten Bewertungen von 4,3 oder höher, wobei der Median bei 4,5 lag. Dies zeigt, dass hohe Kundenbewertungen eine zentrale Rolle spielen und Listings mit starken Rezensionen besonders häufig empfohlen werden.

Marken sollten aktiv an der Verbesserung ihrer Bewertungen arbeiten, um ihre Chancen auf eine Empfehlung zu erhöhen.

9. Anzahl der Rezensionen

• Median Anzahl der Rezensionen: 2.991
• Interquartilsabstand: 640 bis 12.733

Ein großer Anteil der empfohlenen Produkte verfügte über Tausende von Kundenrezensionen, wobei der Median bei knapp 3.000 lag. Produkte im oberen Quartil übertrafen 12.733 Rezensionen, und einige wenige erreichten sogar über 100.000 Bewertungen. Bemerkenswerterweise hatten 0,1 % der Produkte keine Rezensionen. Dies zeigt, dass Rezensionen ein entscheidender Faktor sind, Rufus jedoch auch gelegentlich Produkte ohne Kundenfeedback empfiehlt, sofern andere Merkmale überzeugend genug sind.

Die hohen Durchschnitts- und Quartilswerte verdeutlichen, dass eine beträchtliche Anzahl an Rezensionen die Sichtbarkeit eines Produkts in Rufus’ Empfehlungen erheblich verbessern kann.

10. Organisches Ranking und Sichtbarkeit in der Amazon-Suche

• Median organisches Ranking: 41

Ein Großteil der empfohlenen Produkte verfügte über eine starke organische Sichtbarkeit in der traditionellen Amazon-Suche für die jeweiligen Keywords, mit einem Median-Rang von 41. Viele Produkte waren unter den Top 10 gelistet, wobei 7,3 % den ersten Rang belegten und somit eine besonders hohe Sichtbarkeit genossen.

Interessanterweise hatten einige empfohlene Produkte ein organisches Ranking von 999, was bedeutet, dass sie über AMALYTIX nicht auffindbar waren. Dies deutet darauf hin, dass Rufus’ Empfehlungen nicht ausschließlich von der Sichtbarkeit eines Produkts in der traditionellen Amazon-Suche abhängen.

Die Mischung aus Produkten mit hoher Sichtbarkeit und solchen ohne klar erkennbare organische Rankings verdeutlicht die Vielschichtigkeit von Rufus’ Auswahlmechanismus. Dies unterstreicht die Notwendigkeit, mehrere Aspekte eines Listings zu optimieren, um in die Empfehlungen aufgenommen zu werden.

11. Fulfillment-Typ

• FBA (Fulfilled by Amazon): 94,2 %
• FBM (Fulfilled by Merchant): 5,8 %

Produkte mit FBA dominierten die Empfehlungen und machten über 94 % der Listings aus. Diese klare Präferenz ist vermutlich auf die Vorteile des Amazon-Fulfillment-Netzwerks zurückzuführen, wie schnellere Versandzeiten und Prime-Berechtigung.

Bei den wenigen FBM-Produkten waren 93,5 % nicht Prime-berechtigt, und es wurde kein einziges seller-fulfilled Prime-Produkt empfohlen. Dies verdeutlicht, dass Prime-Berechtigung eine wesentliche Rolle spielt und Produkte ohne diesen Status möglicherweise Nachteile in der Sichtbarkeit haben.

Ein Vergleich der empfohlenen FBM-Listings mit der gesamten Datenbasis ergab keine wesentlichen Unterschiede in anderen Listingeigenschaften.

12. Prime-Berechtigung

• Prime-berechtigte Produkte: 92,1 %
• Nicht-Prime-Produkte: 7,9 %

Die überwiegende Mehrheit der empfohlenen Produkte (92,1 %) war Prime-berechtigt. Dies zeigt, wie wichtig schnelle und zuverlässige Versandoptionen für die Kundenzufriedenheit sind. Nicht-Prime-Produkte machten nur einen kleinen Anteil (7,9 %) aus, was darauf hinweist, dass die Teilnahme am Prime-Programm die Chancen auf eine Empfehlung erheblich erhöht.

13. Verfügbarkeitsstatus der Produkte

• Online (verfügbar): 98,4 %
• Nicht verfügbar: 1,6 %

Fast alle empfohlenen Produkte waren als „online“ gelistet, was darauf hinweist, dass Rufus vor allem Produkte auswählt, die direkt verfügbar sind. Nur ein sehr kleiner Anteil der Empfehlungen entfiel auf nicht verfügbare Produkte. Dies zeigt, dass Produktverfügbarkeit ein entscheidender Faktor für Rufus’ Auswahlprozess ist.

14. Amazons Rolle in empfohlenen Listings

Um Amazons Beteiligung an den empfohlenen Produkten zu untersuchen, wurden zwei Aspekte betrachtet: Ob Amazon ein Angebot für das Produkt hat und ob Amazon die Buy Box innehat.

Indikator 1: Amazon hat ein Angebot

• Produkte, die von Amazon verkauft werden: 46,6 %
• Produkte, die von 3P-Sellern verkauft werden: 53,4 %

Indikator 2: Amazon hat die Buy Box

• Produkte mit Amazon in der Buy Box: 42,8 %
• Produkte mit 3P-Sellern in der Buy Box: 55,3 %
• Andere: 1,9 %

Die Mehrheit der empfohlenen Produkte wurde nicht von Amazon selbst verkauft. Über 53 % entfielen auf Produkte, die von Drittanbietern (3P-Sellern) verkauft wurden. In 55 % der Fälle hatten diese Seller auch die Buy Box inne. Dies zeigt, dass Rufus’ Empfehlungen nicht übermäßig zugunsten von Amazon-Listings voreingenommen sind und 3P-Seller eine gute Chance haben, in den Empfehlungen sichtbar zu sein.

15. Zuverlässigkeit und Reproduzierbarkeit

Unsere Analyse zeigt, dass Amazon Rufus bei wiederholten Anfragen eine hohe Zuverlässigkeit aufweist. Bei fünf Testläufen pro Keyword tauchten bestimmte Produkte konsistent in jeder Iteration auf. Im Durchschnitt erschienen 2–3 ASINs pro Keyword in 100 % der Tests, was eine klare Präferenz für spezifische Listings belegt.

Dennoch zeigte Rufus auch Variabilität: 4–6 zusätzliche ASINs wurden nur in einigen der Testläufe empfohlen. Dies deutet darauf hin, dass Rufus verlässliche Empfehlungen mit einem gewissen Maß an Diversität kombiniert, um den Nutzern verschiedene Optionen zu bieten.

Die Balance zwischen Konstanz und Vielfalt in den Empfehlungen zeigt Rufus’ Fähigkeit, sowohl bewährte Produkte als auch neue Alternativen zu präsentieren.

Fazit

Unsere Analyse der Empfehlungen von Amazon Rufus liefert wertvolle Einblicke in die Faktoren, die seine KI-basierten Produktempfehlungen beeinflussen.

Zu den zentralen Erkenntnissen zählen die Bedeutung einer nahezu maximalen Titel-Länge, eine Bildanzahl von 6–9 sowie der Einsatz von Inhalten wie A+ oder A+ Premium-Beschreibungen. Hohe Produktbewertungen und zahlreiche Rezensionen waren bei den empfohlenen Produkten häufig anzutreffen. Gleichzeitig zeigte Rufus jedoch die Fähigkeit, auch Listings mit wenigen oder keinen Bewertungen zu empfehlen, sofern andere Merkmale überzeugend waren. Prime-Berechtigung und FBA-Fulfillment erwiesen sich als Schlüsselfaktoren und unterstreichen die Bedeutung schneller Versand- und Servicemöglichkeiten für den Empfehlungsprozess.

Die Empfehlungen von Rufus zeichneten sich zudem durch eine bemerkenswerte Markenvielfalt aus, was darauf hinweist, dass der Algorithmus Vielfalt priorisiert. Gleichzeitig scheinen Badges wie Amazon’s Choice, die bei nahezu der Hälfte der empfohlenen Produkte zu finden waren, eine wesentliche Rolle bei der Verbesserung der Sichtbarkeit zu spielen.

Insgesamt verdeutlicht diese Analyse die komplexe und differenzierte Logik hinter den Empfehlungen von Rufus. Sie liefert Seller und Vendoren praktische Ansätze, um ihre Produktlistings gezielt zu optimieren. Auch wenn Korrelation nicht zwangsläufig Kausalität bedeutet, können diese Trends als Leitfaden für strategische Entscheidungen dienen, um Listings besser mit der KI-Logik von Rufus in Einklang zu bringen.

Da Amazon Rufus stetig weiterentwickelt wird, bleibt eine fortlaufende Analyse entscheidend, um sich an veränderte Empfehlungsmuster anzupassen und das volle Potenzial zur Steigerung der Produktsichtbarkeit auszuschöpfen.