Wir sind unsere eigene Fallstudie
Die meisten Plattformen lehren eine Methode und lagern ihr eigenes Backend an den Stack eines anderen Anbieters aus. Wir haben eine Empfehlungs-Engine entwickelt, die dieselbe 3-Layer-Methodik verwendet, die wir verkaufen – und das Playbook dazu veröffentlicht.
Jede Plattform steht irgendwann vor einem Test: Funktioniert die eigene Methode auch bei einem selbst?
Wir haben diesen Punkt diese Woche erreicht. Wellness & AI veröffentlicht jetzt täglich Fallstudien, Blogbeiträge, Ressourcen, Prompt-Skripte und Done-for-you-Bundles in einem Dutzend Gesundheitsbereichen und für zwei Zielgruppen. Die Inhaltsbibliothek wuchs über das Kategorieraster hinaus. Besucher verpassten Inhalte, die für sie erstellt wurden – Experten scrollten an einzelnen Ressourcen vorbei, und Einzelpersonen sahen nie die Experten-Bundles, die dasselbe Problem aus einem anderen Blickwinkel lösten.
Der naheliegende Schritt wäre gewesen, ein Empfehlungs-Widget zu installieren. Der ehrliche Schritt war, selbst eines zu entwickeln – mit der gleichen 3-Layer-Methodik, die wir verkaufen.
Die Recherche-Ebene: den Signalraum abbilden
Jeder Inhalt auf dieser Website verfügt bereits über Taxonomie-Metadaten – Bereich (Schlaf, Stoffwechsel, Hormone…), Zielgruppe (Einzelperson oder Experte) und Ebene (Recherche, Ledger, Protokoll). Diese Taxonomie ist der Signalraum. Ein Besucher, der zwei Fallstudien zum Thema Schlaf und einen Blogbeitrag zu einem Protokoll liest, hat uns ohne Formular oder Login genau mitgeteilt, was ihn interessiert.
Wir haben jeden Inhaltstyp – Fallstudien, Blogbeiträge, Ressourcen, DFY-Bundles – dieser gemeinsamen Taxonomie zugeordnet. Kein neues Tagging-System. Kein Herstellerschema. Die Struktur, die wir bereits hatten, war ausreichend.
Die Ledger-Ebene: aufzeichnen, was zählt
Wir haben eine schlanke Signaltabelle erstellt. Jeder Seitenaufruf schreibt eine Zeile: Sitzungs-ID, Inhaltstyp, Slug, Bereich, Zielgruppe, Ebene und eine Gewichtung. Aufrufe erhalten 1 Punkt. Käufe erhalten 5 Punkte. Ablehnungen – der X-Button auf jeder Vorschlagskarte – erhalten -3 Punkte.
Für anonyme Besucher genügt die Sitzungs-ID. Bei angemeldeten Benutzern bleibt das Profil über Sitzungen hinweg bestehen und wird mit der Zeit angereichert. Wenn sich ein anonymer Besucher später anmeldet, werden die Profile zusammengeführt. Es gehen keine Daten verloren.
Die Protokoll-Ebene: bewerten und ausspielen
Der Bewertungsalgorithmus erstellt pro Sitzung ein Affinitätsprofil: Wie stark tendiert dieser Besucher zu den Themen Schlaf vs. Stoffwechsel, Einzelperson vs. Experte, Recherche vs. Protokoll? Anschließend bewertet er jede passende Inhaltskarte anhand dieses Profils, schließt alles bereits Abgelehnte aus und begrenzt die Typenvielfalt – nicht mehr als zwei Fallstudien oder zwei Ressourcen in einer einzigen Leiste –, damit die Vorschläge nie repetitiv wirken.
Das Ergebnis ist eine ‚Für Sie vorgeschlagen‘-Leiste, die auf jeder wichtigen Seite erscheint: Startseite, Fallstudien, Blog, Ressourcen, Done-for-you. Sie aktualisiert sich mit jeder Interaktion. Sie lernt aus jeder Ablehnung.
Warum wir das Playbook veröffentlicht haben
Denn der beste Beweis ist der, den Ihr Besucher selbst prüfen kann. Wenn wir Experten beibringen, KI-gestützte Arbeitsabläufe zu erstellen, und dann unsere eigene Personalisierung an einen Black-Box-Anbieter auslagern, haben wir eine Glaubwürdigkeitslücke. Wenn wir es selbst entwickeln, die Architektur dokumentieren und das Playbook als Premium-Ressource veröffentlichen, schließt sich diese Lücke.
Das AI Recommendation Engine Playbook ist in der Ressourcen-Bibliothek verfügbar. Es enthält die Signal-Taxonomie, das Datenbankschema, den Bewertungsalgorithmus, die ‚Dismiss-to-Learn‘-Schleife und die tägliche Analyse-Pipeline. Alles, was wir verwenden, genau so, wie wir es verwenden.
Die Admin-Seite
Jeden Morgen um 6 Uhr UTC fasst ein Cron-Job die Impressionen, Klicks und Ablehnungen des Vortages in einer Trendtabelle zusammen und sendet eine E-Mail an das Admin-Team. Das Admin-Panel zeigt Heatmaps zur Bereichsaffinität, die am häufigsten abgelehnten Inhalte und die Klickraten. Wenn ein Inhalt ständig abgelehnt wird, ist das ein Signal, ihn zu entfernen oder zu überarbeiten – nicht, ihn stärker zu forcieren.
Wo wir die Grenze ziehen
Dies ist keine Überwachung. Wir verwenden kein Fingerprinting. Wir verkaufen keine Daten. Wir erstellen keine Schattenprofile. Die Signaltabelle zeichnet Inhaltsinteraktionen auf – was jemand gelesen, was er abgelehnt hat – beschränkt auf eine Sitzung oder ein authentifiziertes Konto. Das ist alles. Die Architektur ist offen, weil die Methode ehrlich ist.
Iss, was du selbst kochst. Veröffentliche das Rezept. Lass den Besucher entscheiden, ob das Mahl es wert ist, dafür zu bezahlen.