Vektorsuche: Mehr Umsatz durch KI-basierte Suche in Onlineshops

Zusammenfassung

Die Vektorsuche revolutioniert die Suche nach Artikeln in Onlineshops, indem sie die Grenzen traditioneller Keyword-Suchen überwindet. Durch die Umwandlung von Suchanfragen in hochdimensionale Vektoren, die semantische Ähnlichkeiten erfassen, bietet die Vektorsuche Nutzern eine intuitive Sucherfahrung, die weit über die Grenzen exakter Keyword-Übereinstimmungen hinausgeht. Dies führt zu einer effizienteren Entdeckung von Produkten. Für Shop-Betreiber bedeutet dies nicht nur zufriedenere Kunden, sondern auch gesteigerte Conversion Rates und Umsätze. 

Potenziale der Longtail-Suche

Bisher beruhte die Produktsuche in E-Commerce-Shops auf dem Prinzip des Text- bzw. Keyword-Vergleichs, der sich hauptsächlich auf die Übereinstimmung von Zeichenfolgen stützt. Dieses Vorgehen hat jedoch mehrere Nachteile, die das Nutzererlebnis und die Effektivität der Suche beeinträchtigen.

Durch unentdeckte Produkte können Shop-Betreibern Umsätze entgehen und die Potenziale der Long-Tail-Suche werden nicht optimal gehoben. Um dauerhaft wettbewerbsfähig zu bleiben, empfehlen wir e-Commerce-Unternehmen dringend, ihre bestehenden Such-Technologien zu überprüfen und um effektivere und kosteneffizientere Methoden zu ergänzen.

Mehr Kontext bitte: Nachteile konventioneller Textsuche in Onlineshops

Traditionelle Suchsysteme in e-Commerce-Shops können Schwierigkeiten haben, die Absicht hinter der Suchanfrage eines Benutzers zu verstehen, wenn diese nicht annähernd exakt mit den im Produktkatalog verwendeten Begriffen übereinstimmt. Dies limitiert die Fähigkeit, Synonyme, verwandte Begriffe oder unterschiedliche Formulierungen für dasselbe Produkt automatisch zu erkennen. 

Benutzer müssen also die annähernd genaue Bezeichnung oder spezifische Schlüsselwörter eines Produkts kennen, um relevante Ergebnisse zu erhalten. Das schränkt die Möglichkeit ein, Produkte zu entdecken, die relevant sein könnten, aber nicht genau den eingegebenen Begriffen entsprechen. 

Geringe Toleranz gegenüber Fehlern

Herkömmliche Textsuchen sind anfällig für Tippfehler oder Rechtschreibfehler der Benutzer, was oft zu keinen oder irrelevanten Suchergebnissen führt. Dies kann besonders frustrierend sein, wenn Benutzer unsicher sind, wie ein Produkt geschrieben wird oder sich schlicht vertippen.

Schwierigkeiten bei der Handhabung von Longtail-Anfragen

Lange und spezifische Suchanfragen, sogenannte Longtail-Suchen, können für traditionelle Suchsysteme eine Herausforderung darstellen. Sie sind möglicherweise nicht in der Lage, die Bedeutung komplexer Anfragen zu verstehen oder relevante Produkte zu empfehlen, die nicht den eingegebenen Begriffen entsprechen.

Mangelnde Personalisierung

Traditionelle Suchsysteme bieten oft keine personalisierten Ergebnisse basierend auf dem früheren Verhalten oder den Präferenzen des Benutzers. Das führt zu einer generischen Sucherfahrung, die nicht an die individuellen Bedürfnisse des Benutzers angepasst ist.

Im Schwarzen Loch des Produktkatalogs

Die Beschränkung auf Keyword-Übereinstimmungen kann dazu führen, dass Produkte im Katalog unentdeckt bleiben, insbesondere wenn ihre Beschreibungen nicht nahezu deckungsgleich mit den am häufigsten verwendeten Suchbegriffen sind, was die Sichtbarkeit von Produkten einschränken und potenzielle Verkäufe verringern kann.

Die Überwindung dieser Nachteile ist entscheidend für die Verbesserung des Einkaufserlebnisses in Onlineshops und die Steigerung der Effektivität der Suchfunktionen, was zunehmend durch den Einsatz fortschrittlicher KI-gestützter Suchtechnologien wie der Vektorsuche ermöglicht wird.

Kosten durch manuelle Pflege von Suchbegriffen

Bei der herkömmlichen Textsuche in Onlineshops und Datenbanken entstehen oft Mehrkosten durch das manuelle Anlegen und Pflegen von Keywords und Suchbegriffen. Diese Kosten resultieren zum Beispiel aus:

• Zeitaufwand für die Keyword-Recherche
• Pflege und Aktualisierung von Keywords
• Integration von Synonymen und verwandten Begriffen
• Regelmäßige SEO-Optimierung
• Begrenzte Skalierbarkeit 

Insgesamt können diese Faktoren dazu führen, dass erhebliche personelle und finanzielle Ressourcen für die Aufrechterhaltung einer effektiven Suchfunktion über traditionelle Textsuchmethoden aufgewendet werden müssen. Mit der KI-gestützten Vektorsuche können solche Aufwände deutlich reduziert werden.

Veränderte Kundenerwartungen durch KI

Die Integration von KI in e-Commerce-Plattformen wird grundlegend die Erwartungen der Endkunden beeinflussen. Sie suchen zunehmend nach einer personalisierten Einkaufserfahrung, die ihre Bedürfnisse und Vorlieben antizipiert. 

"Shopkunden möchten in der Lage sein, in natürlicher Sprache zu kommunizieren und Produkte zu finden, ohne genau zu wissen, wonach sie suchen."

KI-gestützte Suchtechnologien, insbesondere die Vektorsuche, stehen im Mittelpunkt dieser Entwicklung. Sie ermöglichen es, Suchanfragen im Kontext zu verstehen und relevante Ergebnisse zu liefern, die über die Grenzen traditioneller Keyword-basierter Suchen hinausgehen.

Shop-Betreiber sollten die sich verändernden Kundenbedürfnisse ernst nehmen und frühzeitig nutzerfreundliche Technologien in die Produktsuche integrieren.

Vektorsuche ermöglicht intuitivere Suche im E-Commerce

Die Vektorsuche zielt darauf ab, die aktuellen Probleme herkömmlicher Textsuchen zu umgehen, indem sie den Kontext beibehält und nicht nur nahezu identische Zeichenketten sucht. Selbst in verschiedenen Sprachräumen - wie zum Beispiel Slang oder Dialekt - und Fachvokabularen kann die Vektorsuche das Auffinden spezifischer Produkte und Kategorien verbessern. Die Verwendung von Text- und Bildvektoren ermöglicht eine präzisere und semantischere Suche und führt insgesamt zu einer deutlichen Verbesserung der Trefferqualität. 

"Durch die Integration der Vektorsuche können KundInnen intuitiver und effizienter nach Lösungen suchen, selbst wenn sie das genaue Problem nicht benennen können."

So funktioniert die Vektorsuche

Durch die Verwendung von Vektoren werden Produkte basierend auf Ähnlichkeiten im Vektorraum gruppiert und empfohlen. 

Die Vektorsuche wandelt Wörter und Phrasen in Vektoren um, die in einem hochdimensionalen Raum repräsentiert werden, indem sie Techniken der natürlichen Sprachverarbeitung (NLP) und maschinelles Lernen nutzt. Jeder Vektor stellt die Bedeutung eines Wortes oder einer Phrase dar, wobei die räumliche Nähe zwischen den Vektoren ihre semantische Ähnlichkeit angibt.

Bei einer Suchanfrage wird die Anfrage in einen Vektor umgewandelt und mit den Vektoren der Produkte im Raum verglichen. Produkte, deren Vektoren der Suchanfrage am nächsten liegen, gelten als am relevantesten und werden dem Benutzer als Suchergebnisse präsentiert.Durch den Einsatz von GPTs und LLMs kann eine erhebliche Steigerung bei der Qualität der Ergebnisse erzielt werden, im Vergleich zur Vektorsuche ohne KI-Integration. Betreiber von Online-Shops sollten die Möglichkeiten von KI in der Produktsuche in jedem Fall überprüfen.

Herausforderung bei der Bestimmung des Cut-off-Punkts

Die Diskussion der drei Tech-Experten thematisierte auch die Schwierigkeiten bei der Festlegung des Cut-off-Punkts für die Relevanz von Suchergebnissen in der Vektorsuche, da diese je nach Anfrage variieren kann. Die Festlegung des Cut-off-Punkts ist eine wichtige, aber oft herausfordernde Aufgabe. 

"In einem Vektorsuchsystem werden Suchanfragen und Produktdaten in Vektoren im hochdimensionalen Raum umgewandelt, wobei die Distanz zwischen diesen Vektoren die Relevanz oder Ähnlichkeit angibt."

Ein Cut-off-Punkt bestimmt, bis zu welcher Distanz oder bis zu welchem Ähnlichkeitsgrad Ergebnisse als relevant betrachtet und dem Benutzer angezeigt werden. 

Die Herausforderungen bei der Festlegung dieses Punktes umfassen:

1. Subjektivität der Relevanz
Relevanz kann subjektiv sein und variiert je nach Benutzer, Kontext und Suchanfrage. Was für einen Benutzer als relevant gilt, mag für einen anderen irrelevant sein. 

2. Balance zwischen Präzision und Vollständigkeit
Die Festlegung eines zu engen Cut-off-Punkts kann dazu führen, dass viele potenziell relevante Ergebnisse ausgeschlossen werden (hohe Präzision, aber niedrige Vollständigkeit), während ein zu weiter Cut-off-Punkt irrelevante Ergebnisse einschließen kann (hohe Vollständigkeit, aber niedrige Präzision). 

3. Dynamische Natur von Inhalten und Nutzerpräferenzen
Die Relevanz von Inhalten kann sich im Laufe der Zeit ändern, ebenso wie die Präferenzen und das Verhalten der Benutzer. 

4. Vielfalt der Suchanfragen
Verschiedene Arten von Suchanfragen (z.B. allgemeine vs. spezifische Anfragen) erfordern möglicherweise unterschiedliche Cut-off-Punkte. 

5. Messung der Ähnlichkeit
Die Bestimmung der optimalen Metrik zur Messung der Ähnlichkeit oder Distanz zwischen Vektoren ist eine weitere Herausforderung. 

6. Performance und Nutzererwartungen
Die Festlegung des Cut-off-Punkts muss auch die Performance des Systems und die Erwartungen der Benutzer berücksichtigen. Ein zu breites Spektrum an Ergebnissen kann die Ladezeiten verlängern und die Benutzererfahrung beeinträchtigen, während ein zu enges Spektrum die Benutzer daran hindern kann, das zu finden, was sie suchen.

Um diesen Herausforderungen zu begegnen, eignen sich adaptive und kontextbezogene Ansätze, bei denen der Cut-off-Punkt basierend auf dem Kontext der Suchanfrage, dem Feedback der Benutzer und anderen Faktoren dynamisch angepasst wird. 

Zusätzlich können Techniken wie Machine Learning eingesetzt werden, um die Cut-off-Punkte kontinuierlich zu optimieren und das Sucherlebnis zu verbessern.

Vektorsuche - der Heilige Gral der Shop-Suche?

Zusammenfassend kann festgehalten werden, dass die Vektorsuche zwar eine leistungsstarke Ergänzung zur herkömmlichen Suche darstellt, aber keine Allheil-Lösung ist. Um die Leistung konkret zu bewerten ist es wichtig, die richtigen Metriken zugrunde zulegen, da die Vektorsuche als Blackbox agiert und implizites Wissen verdeckt. 

"Durch die Integration einer einfachen Checkbox zur Aktivierung verschiedener Suchmethoden können Nutzer die Kontrolle über ihre Suche behalten und somit die Nutzererfahrung positiv beeinflussen."

Wir sind gespannt, wie sich die Leistungsfähigkeit in der Produktsuche in unseren anstehenden Kundenprojekten durch den Einsatz von Vektorsuche verbessern lässt und freuen uns schon auf eine weitere Zusammenarbeit zwischen neuland-bfi.de und TalentFormation.

Vielen Dank an Susanne Nikoyo und Stefan Kuper von neuland-bfi.de für die Einblicke in dieses spannende Thema.

📚 Weiterführende Links