Die 23 % höheren Margen, die für B2B-Distributoren mit KI-Produktempfehlungen berichtet werden (Applied AI for Distributors 2026), stammen aus einem Mechanismus, der einfacher ist, als er klingt.
Die KI trifft keine komplexen Vorhersagen über die Kaufabsicht und betreibt keine anspruchsvolle Nachfrageprognose. Sie führt Collaborative Filtering auf Bestellhistorien durch: Sie erkennt, welche Produkte gemeinsam gekauft werden — welche SKUs häufig zusammen bestellt werden, welche Produkte in der Bestellabfolge eines Kunden tendenziell aufeinander folgen — und zeigt diese Muster im Moment der Bestellung an.
„Kunden, die Produkt A bestellen, bestellen häufig auch Produkt B” ist dieselbe Logik, die Amazons Empfehlungsmaschine für Endkunden ausführt. Im B2B-Vertriebskontext, mit Bestellhistorien über Jahre und Hunderte von SKUs, sind die Muster konsistent und kommerziell bedeutsam. Die Margenverbesserung entsteht dadurch, dass Kunden benachbarte SKUs kaufen, die sie ohnehin gekauft hätten — aber mit weniger Reibungsschritten zwischen dem Erkennen des Bedarfs und dem Kauf.
Warum B2B-Co-Purchase-Muster starke Signale sind
Der Einkauf im B2B-Bereich ist berechenbarer als der Einkauf von Endkunden. Ein Restaurant, das ein bestimmtes Reinigungsmittel bestellt, bestellt auch die passenden Spender. Ein Hersteller, der eine Komponente bestellt, bestellt auch die Verbrauchsmaterialien, die diese Komponente benötigt. Ein Distributor, der eine Produktlinie führt, führt auch das Zubehör dazu.
Diese Muster sind nicht zufällig. Sie sind strukturell — gebunden an die betrieblichen Anforderungen des Einkäufers. Der B2B-Einkäufer, der Produkt A bestellt, hat einen nahezu sicheren Bedarf an Produkt B, an dessen Hinzufügen zur Bestellung er schlicht nicht denkt. Die Empfehlung macht den Bedarf im richtigen Moment sichtbar.
Die Conversion-Rate von KI-Produktempfehlungen ist im B2B-Kontext aus genau diesem Grund deutlich höher als im Endkundenkontext. Ein B2B-Einkäufer, der sieht „Kunden, die [bestimmten Industriereiniger] bestellen, bestellen auch [bestimmte Spenderkartusche]”, erkennt die Relevanz sofort — weil er weiß, dass sein Betrieb beide Anforderungen hat. Die Empfehlung ist kein Upsell; sie ist eine Erinnerung.
Die Datenanforderungen
Collaborative Filtering benötigt Bestellhistoriendaten, um zu funktionieren. Der minimal brauchbare Datensatz:
- Volumen: Mindestens 1.000 Bestellpositionen über den Produktkatalog hinweg. Unterhalb dieser Schwelle sind die Muster zu dünn, um zuverlässige Empfehlungen zu erzeugen.
- Historie: Mindestens 6 Monate Bestellhistorie. Muster, die in 3 Monaten Daten auftauchen, können saisonale Anomalien widerspiegeln statt strukturelles Co-Purchase-Verhalten.
- Abdeckung: Die Empfehlungsqualität hängt davon ab, wie gut die Bestellhistorie Ihren Produktkatalog abdeckt. Wenn 20 % Ihrer SKUs von der analysierten Kundengruppe nie bestellt wurden, beschränken sich die Empfehlungen auf die 80 % mit Historie.
Die meisten B2B-Distributoren, die seit mehr als einem Jahr tätig sind, verfügen über ausreichend Bestellhistorie. Die Daten liegen im ERP — sie wurden meist nur noch nicht zu diesem Zweck herausgezogen.
Umsetzungsoptionen in verschiedenen Größenordnungen
Für kleine Distributoren (50–200 Kunden, <1 Mio. € Jahresumsatz):
Eine einfache SQL-Abfrage auf Ihre ERP-Bestellhistorie kann Ihre 20 wichtigsten Co-Purchase-Paare manuell identifizieren — kein KI-Tool erforderlich. Exportieren Sie die Bestellpositionen, pivotieren Sie nach Kunde und Produkt, ermitteln Sie, welche Produkte am häufigsten gemeinsam auftreten. Daraus entsteht eine manuelle Empfehlungsliste, die Ihr Vertriebsteam in Kundengesprächen und Auftragsbestätigungen nutzen kann.
Kosten: 4–8 Stunden Analysezeit. ROI: Jedes Vertriebsteam, das die Co-Purchase-Daten in Kundengesprächen nutzt, erzeugt zusätzliche Positionen auf bestehenden Bestellungen.
Für mittlere Distributoren (200–1000 Kunden, 1 Mio. €–10 Mio. € Jahresumsatz):
Tools wie Recombee, Barilliance oder eigene Python-Implementierungen mit Collaborative Filtering laufen auf Ihrer Bestellhistorie und erzeugen automatisierte Empfehlungen. Sie integrieren sich in Ihr Bestellportal oder ERP, um Empfehlungen im Moment der Auftragserfassung anzuzeigen.
Umsetzungsdauer: 4–8 Wochen. Kosten: 100–500 €/Monat, je nach Tool und Bestellvolumen.
Für größere Distributoren:
Empfehlungsmaschinen für Unternehmen wie Algolia (mit einer eigenen B2B-Vertriebsstufe) oder eine maßgeschneiderte Lösung mit derselben Collaborative-Filtering-Logik im großen Maßstab. Diese beziehen auch Lagerverfügbarkeit und Margendaten in die Empfehlungslogik ein — nicht nur die Co-Purchase-Häufigkeit.
Woher die 23-%-Margenzahl kommt
Die Margenverbesserung durch Empfehlungen geht in erster Linie nicht auf den Verkauf margenstärkerer Produkte zurück (obwohl die Empfehlungslogik so konfiguriert werden kann, dass sie diese priorisiert). Sie geht auf eine größere Warenkorbgröße und geringere Stückkosten der Bedienung zurück.
Wenn ein Kunde eine zusätzliche Position zu einer bestehenden Bestellung hinzufügt:
- Keine zusätzlichen Akquisitionskosten (der Kunde bestellt bereits)
- Keine zusätzlichen Logistikkosten (die Position geht in derselben Lieferung raus)
- Keine zusätzlichen Kosten für die Kundenbetreuung (die Beziehung besteht bereits)
Der zusätzliche Umsatz aus der hinzugefügten Position fließt bei sehr geringen Zusatzkosten direkt in die Bruttomarge. Im großen Maßstab — über Hunderte von Kunden, die jeweils ein oder zwei zusätzliche Positionen pro Bestellung hinzufügen — ist der Margeneffekt erheblich.
Die Margenverbesserung von 23 % ist ein Durchschnitt über alle Umsetzungen. Sie fällt höher aus bei Distributoren mit großen, ungenutzten Produktkatalogen, bei denen Kunden nur einen Bruchteil dessen kaufen, was sie beim selben Lieferanten kaufen könnten. Sie fällt niedriger aus bei Distributoren mit begrenzter Katalogtiefe, deren Kunden bereits eine hohe Katalogabdeckung haben.
Die Konfiguration, auf die es ankommt
Empfehlungsmaschinen lassen sich für unterschiedliche Ziele konfigurieren:
- Häufigkeitsbasiert: die am häufigsten gemeinsam gekauften Artikel anzeigen
- Margengewichtet: unter den Co-Purchase-Kandidaten die Artikel mit höherer Bruttomarge anzeigen
- Lagerbewusst: Artikel, die derzeit nicht vorrätig oder kontingentiert sind, abwerten
Für einen B2B-Distributor, der dies zum ersten Mal einsetzt, sind häufigkeitsbasierte Empfehlungen die richtige Ausgangskonfiguration. Sie sind transparent, gegenüber Kunden leicht zu erklären („Andere Kunden, die dies bestellen, bestellen häufig auch jenes”) und erzeugen die höchste Empfehlungsrelevanz.
Margengewichtung und Lagerbewusstsein sind Konfigurationsebenen, die nach der Validierung der häufigkeitsbasierten Grundlinie hinzukommen.
Ist das das Richtige für Ihren Betrieb?
Starke Passung: Distributoren mit 50+ SKUs, 100+ Kunden und Bestellhistorien von mehr als 6 Monaten. Die Musterdaten existieren; die Frage ist, ob sie jemand nutzt.
Schwache Passung: Distributoren mit einem sehr schmalen Produktkatalog (weniger als 20 SKUs), bei denen fast alle Co-Purchase-Kombinationen dem Vertriebsteam ohnehin offensichtlich sind und keine algorithmische Sichtbarmachung brauchen.
Die Ausgangsfrage: Wie hoch ist Ihre durchschnittliche Anzahl an Positionen pro Bestellung? Wenn Kunden durchgängig 3–5 Artikel bestellen, während Ihr Katalog 200 SKUs umfasst, steckt in den Daten ein ungenutztes Empfehlungspotenzial.
AHoosh implementiert KI-Empfehlungssysteme für B2B-Distributoren. ahoosh.ai/contact