KI-Produktsuche im Onlineshop: So finden Kunden, was sie suchen

Ein Kunde tippt in die Suche „Jacke für den verregneten Herbst“. Im Katalog ist dieses Modell als „Membranjacke für die Übergangszeit mit verschweißten Nähten“ beschrieben. Kein einziges gemeinsames Wort — und die normale Suche zeigt eine leere Seite, obwohl das Produkt auf Lager liegt. Der Kunde geht zur Konkurrenz, und der Shop erfährt nicht einmal, dass er einen Verkauf verloren hat.

KI-Produktsuche funktioniert anders: Sie versucht zu verstehen, was der Mensch meint, und die Absicht mit Produkteigenschaften abzugleichen. Verregneter Herbst heißt Wasserdichtigkeit, Übergangszeit und womöglich Kapuze. Die Qualität einer solchen Suche hängt allerdings weniger von der „Intelligenz“ des Sprachmodells ab als davon, wie gut der Katalog beschrieben ist.

Drei Kundentypen in Ihrer Suche

Am einfachsten plant man die Suche nicht von der Technologie her, sondern von den Menschen, die sie nutzen. In den meisten Shops sind das drei verschiedene Szenarien.

Wer genau weiß, was er will

Gibt Artikelnummer, Modell oder Markennamen ein: „Bosch GSR 12V-15“. Er braucht kein „intelligentes“, sondern ein vorhersehbares Ergebnis — die exakte Übereinstimmung in der ersten Zeile. Hier arbeitet die klassische lexikalische Suche, und sie darf nicht durch „Sinnverständnis“ verdorben werden.

Wer ein Problem beschreibt

Schreibt „leise Klimaanlage fürs Schlafzimmer“ oder „Laufschuhe für den Winter“. Diese Wörter stehen nicht im Katalog, wohl aber Geräuschpegel, Profil und Isolierung. Gerade dieser Kunde profitiert am meisten von der semantischen Suche, die den Sinn von Anfrage und Produkt vergleicht statt einzelner Wörter.

Wer noch auswählt

Tippt einfach „Notebook“ und bekommt tausend Positionen. Er braucht keine Ergebnisse, sondern Eingrenzung: für Arbeit oder Gaming, welches Budget, ob das Gewicht wichtig ist. Für solche Anfragen helfen Rückfragen und Filter, die zur Absicht passen.

Warum die interne Suche den Umsatz so stark beeinflusst

Die Suche nutzen Menschen, die ihren Bedarf bereits formuliert haben. Das ist die heißeste Zielgruppe des Shops: Besucher, die gesucht haben, kaufen in der Regel spürbar häufiger als jene, die nur im Katalog blättern. Eine leere Ergebnisseite ist deshalb ein Verlust genau in dem Moment, in dem jemand zahlen wollte.

Die Probleme sind meist typisch. Die Suche versteht Tippfehler und Transliteration nicht. Synonyme sind nicht verknüpft. Ergebnisse berücksichtigen die Verfügbarkeit nicht, und ganz vorn stehen Produkte, die es nicht gibt. Und Nullergebnis-Anfragen analysiert niemand.

Warum das hybride Modell gewinnt

In der Praxis erweist sich für den E-Commerce die hybride Suche als optimal, die beide Mechanismen verbindet. Die exakte Übereinstimmung verarbeitet Artikelnummern, Codes und Modelle, die Semantik natürliche Sprache, und das Ranking entscheidet, wessen Ergebnis oben steht.

Die Kette sieht so aus: Tippfehlerkorrektur und Normalisierung der Anfrage, Erkennen der Absicht, Auswahl der Kandidaten durch beide Mechanismen, Filter, Ranking, Verfügbarkeitsprüfung und die fertige Trefferliste.

Ein Prinzip ist hier wichtiger als Technologie: Kommerzielle Priorität darf die Relevanz nicht zerstören. Wer immer die Produkte mit der höchsten Marge nach oben schiebt, verliert schnell das Vertrauen der Kunden. Sicherer ist es, zuerst Unpassendes auszusortieren, dann die Verfügbarkeit zu prüfen und erst innerhalb der relevanten Gruppe die für das Geschäft wichtigen Artikel leicht zu stärken.

Welche Daten nötig sind

Ein Sprachmodell weiß nicht, warum eine Jacke für die Reise taugt und eine andere nicht, wenn das nicht in den Daten steht. Die Grundlage einer intelligenten Suche im Onlineshop sind korrekte Namen und Beschreibungen, Kategorien, Marken, gepflegte Attribute, Varianten, Kompatibilität, aktuelle Preise und Verfügbarkeit sowie ein Synonymwörterbuch.

Zusätzlich lohnt es sich, Verhaltenssignale zu sammeln: wonach gesucht, worauf geklickt und was in den Warenkorb gelegt wurde. Sie helfen dem Ranking mehr als jedes zusätzliche Modell. Wie man all das in einer Struktur zusammenführt, beschreibt unser Artikel über die Vorbereitung des Produktkatalogs, die Arbeit mit Suchanfragen der Beitrag zur Semantik des Onlineshops.

Nullergebnisse sind eine kostenlose Erkenntnisquelle

Die Seite „nichts gefunden“ ist eine Liste dessen, was Kunden wollen, aber nicht bekommen. Sehen Sie solche Anfragen monatlich durch. Ein Teil bedeutet, dass das Produkt tatsächlich fehlt — ein Hinweis für den Einkauf. Ein anderer, dass es das Produkt gibt, aber ein Synonym fehlt. Manchmal ist ein Attribut nicht gepflegt, nach dem gesucht wird, oder die Anfrage betrifft Versand und Bestellstatus.

Mal genügt es, das Wörterbuch zu erweitern, mal die Produktkarten zu ergänzen, mal eine Infoseite statt eines leeren Bildschirms zu zeigen. Selbst ohne KI senkt diese Routine die Zahl verlorener Kunden spürbar.

Beispiel: wie sich die Trefferliste verändert

Stellen wir uns einen Elektronikshop und die Anfrage „leise Klimaanlage fürs Schlafzimmer“ vor. Vorher sucht das System das Wort „leise“ in den Namen und findet nichts. Danach erkennt es die Absicht, greift auf das Attribut Geräuschpegel zu, wählt Modelle bis 24 dB, prüft die Verfügbarkeit und zeigt fünf Optionen mit einer Erklärung der Unterschiede. Zusätzlich fragt es nach der Raumgröße, denn davon hängt die Leistung ab.

Technisch hat sich wenig geändert: ein normalisiertes Geräusch-Attribut, ein Synonymwörterbuch und eine semantische Schicht sind hinzugekommen. Für den Kunden ist das der Unterschied zwischen leerer Seite und fertiger Lösung.

Wie man das Ergebnis misst

Die wichtigsten Kennzahlen: Anteil der Suchsitzungen mit Klick auf ein Ergebnis, Häufigkeit von Nullergebnissen, In-den-Warenkorb nach der Suche, die Conversion der Suchsitzungen und der Umsatz pro Sitzung. Ein nützliches Signal ist die Umformulierung: Ändert jemand die Anfrage zwei- oder dreimal, hat die Suche ihn nicht verstanden.

Zahlen allein reichen nicht. Einmal im Monat sollte die Relevanz manuell an einem Set aus einigen Dutzend typischen Anfragen geprüft werden. Eine hohe Conversion rechtfertigt keine systematisch schrägen Ergebnisse: Vielleicht haben Kunden das Produkt trotz der Suche gefunden, nicht dank ihr.

Reihenfolge der Einführung

Beginnen Sie nicht mit der Plattformwahl, sondern mit Analytics: Sammeln Sie reale Anfragen mehrerer Monate und alle Nullergebnisse. Bereinigen Sie danach Attribute und Wörterbücher und bringen Sie die exakte Suche in Ordnung — das allein bringt bereits Wachstum ohne jedes Modell.

Der dritte Schritt ist die semantische Suche für natürliche Sprache, der vierte hybrides Ranking und ein A/B-Test gegen die alte Version. Rückfragen und ein dialogorientierter Modus kommen zuletzt: Sie sind die logische Brücke zu einem vollwertigen KI-Assistenten für den Onlineshop. Google Cloud beschreibt dieses Eingrenzen als conversational filtering.

Häufige Fragen

Braucht ein kleiner Shop KI-Suche?

Bei einigen Hundert Produkten genügt meist eine gut konfigurierte normale Suche mit Synonymwörterbuch. Den größten Effekt bringt KI bei Katalogen ab einigen Tausend Artikeln mit vielen Eigenschaften.

Kann die KI-Suche ein Produkt zeigen, das es nicht gibt?

Ein sauber gebautes System nicht. Die Ergebnisse entstehen aus dem realen Katalog inklusive Verfügbarkeitsprüfung, das Modell hilft nur beim Verstehen der Anfrage.

Wie lange dauert die Einführung?

Die Grundkonfiguration der hybriden Suche auf einem vorbereiteten Katalog dauert einige Wochen. Am längsten dauert das Ordnen der Daten, nicht das Anbinden der Technologie.

Ersetzt die KI-Suche Filter?

Nein. Filter bleiben das wichtigste Werkzeug zum Eingrenzen, die Suche führt Kunden dorthin. Wie man dabei das SEO nicht beschädigt, beschreibt unser Artikel zur Facettennavigation.

KI-Suche ist ein Produkt, das ständig aus den Daten des Shops lernt. Das Team von GL.ua kann die Suche mit Katalog, Beständen, Analytics und KI-Assistent verbinden, damit Kunden ohne Umwege von der Anfrage zum passenden Produkt gelangen. Mehr auf der Seite Erstellung eines Onlineshops.