KI-gestützte Suche für einen Möbel-Onlinehändler
Mehr Relevanz im Long Tail
Wie wir eine bestehende Shop-Suche um eine KI-Komponente erweitert haben, statt sie zu ersetzen.
Eine gute Suche mit einem blinden Fleck
Die bestehende Volltextsuche lief stabil und lieferte präzise Treffer – nur bei beschreibenden, vagen Anfragen stieß sie an Grenzen.
Solide Basis
Über Jahre gewachsene Volltextsuche, technisch stabil und mit guter Precision bei klaren Anfragen.
Long-Tail-Problem
Beschreibende Anfragen wie 'Sitzmöbel für kleinen Balkon' liefen oft ins Leere, obwohl passende Produkte im Sortiment vorhanden waren.
Standardlösung ungeeignet
Eine Such-Suite von der Stange hätte die bestehende, gut funktionierende Präzisionssuche riskiert, statt sie gezielt zu ergänzen.
Unser Part: hybride Sucharchitektur statt Neubau
Wir haben die bestehende Suche nicht ersetzt, sondern gezielt um eine KI-Komponente erweitert.
- Hybride Sucharchitektur: klassische Volltextsuche (Elasticsearch) für exakte Treffer und hohe Precision, ergänzt um eine Vektorsuche für semantisches Verständnis bei vagen oder beschreibenden Anfragen.
- Embedding-Pipeline auf Basis des vorhandenen Produktkatalogs: Produktbeschreibungen, Attribute und Kategorien wurden in einen gemeinsamen Vektorraum überführt, sodass Anfrage und Produkt über semantische Nähe statt Keyword-Match gematcht werden.
- Modellauswahl statt Standardlösung: mehrere LLM-/Embedding-Modelle wurden gegen echte Suchlogs des Kunden getestet und verglichen, bevor eines für den produktiven Einsatz feststand.
- Fine-Tuning auf kundeneigenen Daten: Training auf realen Produktdaten und Suchhistorie statt eines generischen Datensatzes, um Fachbegriffe und Sortimentslogik korrekt abzubilden.
- Query-Routing-Layer, der pro Anfrage entscheidet, ob klassische Suche, Vektorsuche oder eine Kombination beider das relevantere Ergebnis liefert.
- A/B-Testing-Setup, mit dem neue Modellversionen und Ranking-Anpassungen gegen die laufende Produktivsuche validiert wurden, bevor sie vollständig ausgerollt wurden.
Ergebnis
Die 'Keine Ergebnisse gefunden'-Rate ging bei beschreibenden und Long-Tail-Anfragen spürbar zurück, ohne dass sich die Relevanz bei den bereits gut funktionierenden Standard-Suchen verschlechterte. Die Weiterentwicklung lief technisch komplett bei uns, während die Kundenbeziehung und das fachliche Sortimentswissen bei unserem Auftraggeber blieben.
Was sich konkret verbessert hat
Kein Neubau, keine Ablösung – gezielte Erweiterung, wo klassische Suche an ihre Grenzen stößt.
Nulltreffer
Deutlich weniger 'Keine Ergebnisse'-Fälle bei beschreibenden und Long-Tail-Anfragen.
Precision
Relevanz der bereits gut funktionierenden Standardsuche blieb unverändert hoch.
Sichtbarkeit
Technische Umsetzung vollständig bei uns, Kundenbeziehung und Sortimentswissen beim Auftraggeber.