KI im Cross-Selling: Wie Empfehlungssysteme im Mittelstand wirken

KI im Cross-Selling bedeutet: Eine Software erkennt aus Ihren Verkaufsdaten, welches Zusatzprodukt zu welchem Kunden und welchem Moment passt, und schlägt es automatisch vor, im Onlineshop, im Angebot des Außendienstes oder im Newsletter. Für kleine und mittlere Unternehmen ist das kein Projekt für Konzerne mehr. Entscheidend sind saubere Daten, ein klar begrenzter Anwendungsfall und ein datenschutzkonformer Aufbau. Hier lesen Sie, wie eine Recommendation Engine arbeitet, welche Daten sie braucht, wo die Grenzen liegen und wie Sie in wenigen Wochen einen belastbaren Pilot starten.

Kurz gesagt

• Cross-Selling bietet zu einem gewählten Produkt eine sinnvolle Ergänzung an, Upselling eine höherwertige Variante desselben Produkts. KI automatisiert die Frage, was wem wann angeboten wird.
• Eine Recommendation Engine (auf Deutsch: Empfehlungssystem) lernt aus Transaktionen, Warenkörben und Kundenverhalten. Schon reine Bestelldaten reichen für brauchbare Vorschläge im B2B.
• Die größte Hürde ist selten der Algorithmus, sondern die Datenbasis: zu wenige Käufe, doppelte Artikelstämme, fehlende Kundennummern.
• Datenschutz ist kein Hindernis, wenn Sie Zweck, Rechtsgrundlage und Datenumfang vorher festlegen und dokumentieren.
• Starten Sie mit einem Kanal und einer Kennzahl, zum Beispiel Zusatzpositionen pro Angebot, und messen Sie gegen eine Kontrollgruppe.

Inhaltsverzeichnis

• Was Cross-Selling ist und was KI daran ändert
• Wie eine Recommendation Engine Empfehlungen erzeugt
• Welche Daten die KI braucht
• Typische Einsatzfelder im Mittelstand
• Nachteile und Grenzen
• Datenschutz: Was Aufsichtsbehörden erwarten
• In sechs Schritten zum ersten Pilot
• Unsere Sicht auf KI im Cross-Selling
• Unterstützung beim Einstieg
• Häufige Fragen
• Quellen

Was Cross-Selling ist und was KI daran ändert

Cross-Selling, auf Deutsch Querverkauf, heißt: Sie bieten zu einem Produkt, das der Kunde bereits gewählt hat, etwas Passendes dazu an. Das klassische Beispiel stammt aus dem Elektronikhandel: Zum Laptop kommen Tasche, Maus und Dockingstation, zum Drucker Tinte und Papier. Genau diese Paare nennt auch SAP in seiner Schulung zur KI-gestützten Angebotserstellung als typische Cross-Sell-Vorhersagen.

Upselling verfolgt ein anderes Ziel. Hier schlagen Sie statt der gewählten Variante eine bessere, meist teurere vor: die Kaffeemaschine mit Mahlwerk statt ohne, das Wartungspaket Premium statt Basis. Beide Methoden erhöhen den Wert pro Auftrag, unterscheiden sich im Gespräch aber deutlich. Beim Upselling ersetzen Sie, beim Cross-Selling ergänzen Sie.

Ohne KI läuft Cross-Selling über Erfahrung und feste Regeln. Der Verkäufer weiß, dass zu einer Wärmepumpe meist ein Pufferspeicher gehört, und im Shop pflegt jemand von Hand die Liste "passendes Zubehör". Das funktioniert, solange das Sortiment klein ist. Bei mehreren tausend Artikeln, wechselnden Lieferanten und vielen Kundengruppen stößt die Handpflege an Grenzen: Listen veralten, neue Produkte fehlen, und alle Kunden sehen dieselben Vorschläge.

KI ändert drei Dinge:

1. Was: Das System findet Zusammenhänge, die niemand gepflegt hat, etwa dass Kunden, die ein bestimmtes Dichtungsset bestellen, oft innerhalb von zwei Wochen ein Spezialwerkzeug nachkaufen.
2. Wem: Vorschläge richten sich nach Kundensegment und Historie. Der Installateurbetrieb sieht anderes Zubehör als der Hausmeisterservice.
3. Wann: Das System bewertet den Zeitpunkt, also direkt im Warenkorb, im Angebot, nach der Lieferung oder kurz bevor ein Verbrauchsmaterial üblicherweise aufgebraucht ist. Im Fachjargon heißt das Next Best Offer.

Wie eine Recommendation Engine Empfehlungen erzeugt

Eine Recommendation Engine ist im Kern ein Rechenverfahren, das für jedes Produkt oder jeden Kunden eine Rangliste wahrscheinlich passender Artikel ausgibt. Dahinter stehen meist vier Ansätze, die in der Praxis oft kombiniert werden.

Für den Mittelstand ist ein Befund aus der Forschung ermutigend: Eine Arbeit der Fachhochschule Nordwestschweiz setzte für einen B2B-Onlineshop ein Verfahren ein, das Produktähnlichkeiten allein aus Transaktionsdaten berechnet, ohne Artikelattribute oder Kundenbewertungen. Genau diese Situation finden wir in vielen Großhandels- und Industriebetrieben vor: Bewertungen gibt es nicht, die Artikelbeschreibungen sind uneinheitlich, aber die Auftragshistorie im ERP reicht oft zehn Jahre zurück.

Der Ablauf ist in allen Varianten ähnlich:

1. Daten sammeln: Bestellungen, Angebote, Klicks, Warenkörbe.
2. Muster lernen: Das Modell berechnet, welche Artikel und Kunden einander ähneln.
3. Ausspielen: Im passenden Kanal erscheint eine Rangliste, im Shop in Echtzeit, im CRM als Hinweis für den Vertrieb.
4. Nachlernen: Jede angenommene oder ignorierte Empfehlung fließt zurück und verbessert die nächste Runde.

Wie so ein Kreislauf in einem großen System aussieht, zeigt die erwähnte SAP-Schulung: Die Angebotssoftware übermittelt Angebots- und Verkaufschancendaten an die KI, diese analysiert sie und gibt Empfehlungen an die Angebotssoftware zurück. Für KMU ist die Architektur meist schlanker, das Prinzip bleibt gleich.

Welche Daten die KI braucht

Die gute Nachricht: Die meisten Daten liegen schon in Ihrem Haus. Die weniger gute: Sie liegen oft in drei Systemen, mit drei Schreibweisen für denselben Kunden. Laut Leitfaden der IHK zum KI-gestützten Bestellprozess entscheiden Qualität und Menge der Daten darüber, ob ein KI-System zuverlässig arbeitet.

Drei Fragen helfen bei der ersten Einschätzung:

• Gibt es eine eindeutige Kunden- und Artikelnummer über alle Kanäle? Ohne sie kann die KI Käufe nicht verbinden.
• Wie viele Transaktionen fallen pro Jahr an? Hunderte reichen für Regeln und einfache Warenkorbanalysen, für kollaboratives Filtern brauchen Sie deutlich mehr.
• Sind Artikel sauber kategorisiert? Inhaltsbasierte Verfahren stehen und fallen mit den Stammdaten.

Wer international verkauft, sollte auch die Sprachfassungen prüfen. Wenn Produkttexte in jeder Sprache anders strukturiert sind, ordnet ein inhaltsbasiertes Modell Artikel falsch zu. Wo maschinell übersetzt werden kann und wo Fachleute nötig sind, beschreibt ein Beitrag über KI in der Übersetzung mit ihren Chancen und Grenzen.

Typische Einsatzfelder im Mittelstand

Cross-Selling mit KI wird oft mit großen Onlineshops verbunden. Die folgenden Szenarien zeigen, wie breit der Ansatz im Mittelstand trägt. Es sind typische Muster, keine Einzelfälle.

Technischer Großhandel. Der Innendienst erstellt ein Angebot über Pumpen. Im CRM erscheint der Hinweis, dass ähnliche Kunden fast immer Rückschlagventile und Montagesets mitbestellen. Der Mitarbeiter entscheidet, ob er sie aufnimmt. Wie solche Hinweise in den Vertriebsalltag kommen, zeigen wir in unserem Beitrag zu CRM mit KI und praxistauglichen Use-Cases.

Handwerksbetrieb. Nach der Heizungswartung schlägt das System für Kunden mit älteren Anlagen ein Angebot für einen hydraulischen Abgleich oder eine smarte Thermostatsteuerung vor. Hier geht es nicht um Klicks, sondern um den richtigen Anlass für ein Gespräch.

Onlineshop eines Herstellers. Im Warenkorb erscheinen Verbrauchsmaterialien, die zur gekauften Maschine passen, und eine Erinnerung, wenn diese erfahrungsgemäß zur Neige gehen.

Dienstleister. Eine Steuerkanzlei oder ein IT-Dienstleister erkennt, welche Mandanten nach einem bestimmten Leistungspaket typischerweise ein zweites brauchen, und plant das Gespräch rechtzeitig ein.

Allen Fällen gemeinsam: Die KI liefert einen Vorschlag, der Mensch oder eine klare Regel entscheidet, wie er ausgespielt wird. Gerade im B2B zahlt sich das aus, weil Vertriebsmitarbeitende so lernen, Empfehlungen einzuordnen, statt sie blind zu übernehmen. Mehr dazu finden Sie in unserem Artikel zum Vertriebscoaching mit KI.

Nachteile und Grenzen

Cross-Selling mit KI ist kein Selbstläufer. Diese Schwächen sollten Sie kennen, bevor Sie Geld investieren.

Zu dünne Datenbasis. Der Bundesverband E-Commerce und Versandhandel weist darauf hin, dass KI im stationären Handel häufig daran scheitert, dass im Vergleich zum Onlinehandel zu wenige auswertbare Ereignisse anfallen. Dasselbe gilt für viele B2B-Nischen mit wenigen, aber großen Aufträgen. Dann sind Regeln plus einfache Warenkorbanalyse oft die ehrlichere Lösung.

Kaltstart. Neue Produkte und Neukunden haben keine Historie. Ohne gute Stammdaten bekommen sie keine oder schlechte Empfehlungen.

Aufdringlichkeit. Wer jede Seite mit Vorschlägen füllt, wirkt wie ein Verkäufer, der nicht zuhört. Zu viele oder unpassende Vorschläge kosten Vertrauen und lenken vom Hauptkauf ab.

Falsche Zielgröße. Optimiert das System nur auf die Klickrate, empfiehlt es billige Kleinteile. Legen Sie fest, ob Marge, Zusatzumsatz oder Kundenbindung zählt.

Blackbox im Vertrieb. Versteht der Außendienst nicht, warum ein Produkt vorgeschlagen wird, ignoriert er es. Erklärbare Empfehlungen ("Kunden mit ähnlichem Bestand kauften auch") werden deutlich eher genutzt. Wie Sie das umsetzen, lesen Sie in unserem Beitrag zu erklärbarer KI für KMU.

Datenschutz: Was Aufsichtsbehörden erwarten

Personalisierte Empfehlungen beruhen auf personenbezogenen Daten, sobald Sie Käufe einer Person oder eines Ansprechpartners zuordnen. Die deutsche Datenschutzkonferenz hat in ihrer Orientierungshilfe zu technischen und organisatorischen Maßnahmen bei KI-Systemen vom Juni 2025 mehrere Punkte festgehalten, die sich direkt auf Cross-Selling übertragen lassen:

• Datenminimierung: Personenbezogene Daten sind auf das Maß zu beschränken, das für den Zweck nötig ist. Für Produktempfehlungen brauchen Sie selten Geburtsdatum oder Privatadresse.
• Transparenz: KI-Systeme sollen nachvollziehbar sein. Kunden sollten verstehen können, warum sie eine Empfehlung sehen.
• Dokumentation: Zweck und Rechtsgrundlage der Verarbeitung gehören schriftlich festgehalten, bevor das System live geht.

Dahinter steht eine grundsätzliche Haltung. Die Aufsichtsbehörden sehen Profilbildung als zentrale Herausforderung und haben sich für engere Grenzen bei der kommerziellen Nutzung personenbezogener Daten ausgesprochen. In der Hambacher Erklärung zur Künstlichen Intelligenz betonen sie, dass Menschen durch KI nicht zum Objekt gemacht werden dürfen und Entscheidungen mit rechtlicher Wirkung nicht allein der Maschine überlassen werden sollen.

Für die Praxis heißt das: Eine Zubehörempfehlung im Shop ist etwas anderes als eine automatisch verweigerte Ratenzahlung. Halten Sie Cross-Selling strikt bei Produktvorschlägen, koppeln Sie keine Preise oder Konditionen automatisch an Profile, und sprechen Sie vor dem Start mit Ihrer oder Ihrem Datenschutzbeauftragten, besonders wenn Sie Klickdaten aus Shop und Newsletter mit CRM-Daten verbinden wollen. Ob Ihr System unter die strengeren Pflichten der europäischen KI-Verordnung fällt, ordnen wir in unserem Überblick zu den AI-Act-Risikoklassen ein. Werten Sie Verkaufszahlen einzelner Mitarbeitender aus, um Empfehlungen zu steuern, ist zudem der Betriebsrat einzubinden; die Details stehen in unserem Beitrag zu Mitbestimmungsrechten bei KI.

In sechs Schritten zum ersten Pilot

Ein Pilot sollte klein, messbar und nach acht bis zwölf Wochen bewertbar sein. So gehen wir mit Unternehmen vor:

1. Anwendungsfall wählen. Ein Kanal, eine Produktgruppe, eine Zielgruppe. Zum Beispiel: Zubehörvorschläge in Angeboten für Bestandskunden einer Warengruppe.
2. Kennzahl festlegen. Etwa Zusatzpositionen pro Angebot, Anteil angenommener Empfehlungen oder Deckungsbeitrag je Auftrag. Halten Sie den Ausgangswert vorher fest.
3. Daten prüfen. Kunden- und Artikelnummern abgleichen, Dubletten bereinigen, Zeitraum bestimmen. Das kostet oft mehr Zeit als das Modell selbst.
4. Verfahren wählen. Bei wenigen Daten Regeln plus Warenkorbanalyse, bei vielen Transaktionen kollaboratives Filtern. Prüfen Sie zuerst, ob Ihr Shop-, CRM- oder ERP-System bereits eine Empfehlungsfunktion mitbringt, bevor Sie Neues kaufen.
5. Datenschutz und Mitarbeitende einbinden. Zweck, Rechtsgrundlage und Datenumfang dokumentieren, Vertrieb schulen, Feedbackweg einrichten.
6. Gegen eine Kontrollgruppe testen. Ein Teil der Kunden oder Angebote bekommt Empfehlungen, der andere nicht. Nur so sehen Sie, ob der Mehrumsatz wirklich von der KI kommt.

Danach entscheiden Sie mit Zahlen statt mit Bauchgefühl, ob Sie ausbauen, umsteuern oder stoppen.

Unsere Sicht auf KI im Cross-Selling

Wir erleben in Beratungen oft dasselbe Muster: Ein Unternehmen hat von beeindruckenden Empfehlungssystemen großer Plattformen gehört und erwartet etwas Ähnliches. Dann stellt sich heraus, dass das eigentliche Potenzial woanders liegt, nämlich in der Auftragshistorie, die seit Jahren im ERP schlummert, und im Wissen erfahrener Vertriebsleute, das nirgends dokumentiert ist.

Darum beginnen wir nie mit der Toolfrage. Wir schauen zuerst auf den Prozess: Wo entsteht heute ein Angebot, wer entscheidet über Zusatzpositionen, welche Daten liegen wo? Häufig zeigt sich, dass eine einfache, gut erklärbare Lösung im bestehenden CRM mehr bringt als ein teures Spezialsystem, weil der Vertrieb sie tatsächlich nutzt.

Zweitens halten wir Datenschutz und schnelle Wirkung nicht für Gegensätze. Wer Zweck und Datenumfang von Anfang an eng fasst, baut schneller, schult leichter und hat später weniger Ärger. Und drittens messen wir den Erfolg an einer Kennzahl, die die Geschäftsführung interessiert, nicht an einer Klickrate. Cross-Selling mit KI lohnt sich für KMU dann, wenn es Ihren Verkäufern hilft, besser zuzuhören, nicht wenn es sie ersetzt.

— Shaun

Unterstützung beim Einstieg

Sie möchten wissen, ob Ihre Daten für KI-gestütztes Cross-Selling reichen und welcher Anwendungsfall sich zuerst rechnet? Unsere zertifizierten INQA-Coaches analysieren mit Ihnen die Vertriebsprozesse, entwickeln einen individuellen KI-Fahrplan und prüfen, welche Förderprogramme Ihr Vorhaben unterstützen können.

Für einen kompakten Start eignet sich unser KI-ROI-Tag, bei dem wir Potenziale und Wirtschaftlichkeit an Ihren eigenen Prozessen bewerten. Einen Überblick über Beratung, Workshops und Mitarbeitertrainings finden Sie unter unseren Leistungen, oder Sie vereinbaren direkt einen Termin.

Häufige Fragen

Was ist ein Beispiel für Cross-Selling mit KI?

Ein Großhändler erstellt ein Angebot über eine Pumpe, und das CRM schlägt automatisch Ventile und Montagematerial vor, weil ähnliche Kunden diese fast immer mitbestellt haben. Im Onlineshop ist es der Hinweis auf passendes Verbrauchsmaterial im Warenkorb. Die KI erkennt diese Paare aus den Kaufdaten, statt dass jemand sie von Hand pflegt.

Was heißt Recommendation Engine auf Deutsch?

Auf Deutsch spricht man von Empfehlungssystem oder Empfehlungsmaschine. Gemeint ist eine Software, die aus Kauf- und Verhaltensdaten für jeden Kunden oder jedes Produkt eine Rangliste passender Vorschläge berechnet. Sie steckt in vielen Shop-, CRM- und ERP-Systemen bereits als Funktion.

Welche Nachteile hat Cross-Selling?

Zu viele oder unpassende Vorschläge wirken aufdringlich und können den Hauptkauf gefährden. Mit KI kommen zwei Risiken hinzu: Bei zu wenigen Transaktionen sind die Empfehlungen unzuverlässig, und bei unklarer Datennutzung entstehen Datenschutzprobleme. Beides lässt sich mit einem eng gefassten Pilot und sauberer Dokumentation beherrschen.

Ab welcher Unternehmensgröße lohnt sich KI im Cross-Selling?

Eine feste Grenze gibt es nicht, entscheidend ist die Zahl der Transaktionen und Artikel. Mit wenigen hundert Aufträgen im Jahr sind Regeln und einfache Warenkorbanalysen meist sinnvoller als komplexe Modelle. Ab einigen tausend Positionen und einem breiten Sortiment spielt KI ihre Stärken aus.

Brauche ich dafür eine neue Software?

Oft nicht. Viele Shop-, CRM- und ERP-Systeme bieten Empfehlungsfunktionen, die nur nicht genutzt oder nicht mit den richtigen Daten gefüttert werden. Prüfen Sie zuerst Ihre vorhandenen Systeme, bevor Sie ein zusätzliches Werkzeug einführen.

Quellen

• SAP Learning: Enabling Customer Experience AI Integration
• FHNW: System für personalisierte Produktempfehlungen im B2B-E-Shop
• IHK: Leitfaden KI-gestützter Bestellprozess
• bevh: KI im Einzelhandel
• Datenschutzkonferenz: Orientierungshilfe zu technischen und organisatorischen Maßnahmen bei KI-Systemen
• Datenschutzkonferenz: Erfahrungsbericht zur Anwendung der DS-GVO
• Datenschutzkonferenz: Hambacher Erklärung zur Künstlichen Intelligenz

Empfehlungen

• Vertriebscoaching mit KI: Was es leistet und wie KMU starten