Wenn ein Besucher „leichte Jacke für den Herbst" in Ihre Suchleiste tippt, wer entscheidet, welche Produkte erscheinen - und in welcher Reihenfolge? Hinter jeder Antwort steckt ein Algorithmus. Sie müssen ihn nicht programmieren können, um zu verstehen, wie er funktioniert. Aber seine Logik zu erfassen, verändert grundlegend, wie Sie ein Suchproblem diagnostizieren und das richtige Werkzeug wählen.

Es gibt vier Hauptfamilien von Suchalgorithmen. Jede moderne E-Commerce-Suchmaschine stützt sich auf eine Kombination dieser Ansätze - mit je nach Werkzeug unterschiedlicher Gewichtung.

Warum das geschäftlich zählt: Der Algorithmus Ihrer Suchmaschine bestimmt direkt Ihre Null-Treffer-Rate, die Relevanz der Antworten auf Anfragen in natürlicher Sprache und die Fähigkeit Ihrer Engine, sich mit der Zeit zu verbessern. Den richtigen Algorithmustyp zu wählen - oder die Grenzen des genutzten zu erkennen - ist eine geschäftliche Entscheidung, nicht nur eine technische.

Die 4 Hauptfamilien von Suchalgorithmen

1

Keyword-basierte Suche - BM25 / TF-IDF

Das ist der grundlegende Suchmechanismus seit den 1970er-Jahren. Die Engine vergleicht die vom Besucher exakt eingegebenen Begriffe mit den Begriffen in Ihren Produktdaten. BM25 (Best Match 25) ist die moderne Version von TF-IDF: Sie berücksichtigt die Worthäufigkeit in einem Dokument, seine Seltenheit im gesamten Katalog und die Länge der Beschreibungen.

In der Praxis: Tippt ein Kunde „Laufschuhe", bringt die Engine Produkte nach oben, deren Titel und Beschreibungen genau „Lauf" und „Schuhe" enthalten - und bevorzugt jene, in denen diese Wörter häufig und in Schlüsselfeldern vorkommen (Titel > Beschreibung).

Schnell Transparent Präzise bei exakten Referenzen Synonyme unsichtbar Null Treffer bei natürlicher Sprache
Konkretes Beispiel „Sneaker zum Laufen" bringt keine „Nike Sportschuhe" nach oben, wenn das Wort „Sneaker" nicht in den Produktdaten steht. „Wasserdichte Hose" findet keine „Softshellhose". Ohne manuell konfigurierte Synonyme lässt jede Alternativformulierung die Null-Treffer-Rate weiter steigen.
2

Semantische Suche - Embeddings und Vektorraum

Statt Wörter vergleicht die semantische Suche Bedeutung. Jedes Produkt und jede Anfrage wird in einen numerischen Vektor umgewandelt - eine Zahlenfolge, die ihre Bedeutung in einem Raum mit Hunderten Dimensionen darstellt. Die Suche besteht dann darin, die Vektoren zu finden, die der Anfrage in diesem Raum am nächsten liegen.

Diese Vektoren entstehen durch Sprachmodelle, die auf Milliarden von Texten trainiert wurden. Sie „wissen", dass „Parka" und „Wintermantel" nah beieinander liegen, dass „Sneaker" und „Turnschuhe" dasselbe bedeuten oder dass eine Anfrage wie „etwas Warmes zum Wandern" Daunenjacken und technischen Fleecejacken entspricht.

Versteht implizite Synonyme Natürliche Sprache Toleriert Tippfehler und Umformulierungen Weniger präzise bei exakten Referenzen Langsamere Indexierung
Konkretes Beispiel „etwas Warmes für den Winter" bringt Daunenjacken, Decken, Mützen nach oben - auch wenn diese Wörter nicht in der Anfrage stehen. Umgekehrt kann „Ref XYZ-4521" weniger zuverlässig sein als mit reinem BM25, das exakte Treffer besser handhabt.
3

Hybride Suche - das Beste aus beiden

Die hybride Suche verbindet BM25 und Semantik zu einem einzigen Endscore. Die Anfrage wird von beiden Methoden parallel verarbeitet, und ihre Scores werden zusammengeführt - meist über eine einstellbare Gewichtung (ein oft alpha genannter Parameter), die den relativen Beitrag jedes Ansatzes bestimmt.

Das ist der Standard moderner Engines: Elasticsearch seit Version 8.x, Google Vertex AI Search, Algolia Neural Search. Hybrid korrigiert die blinden Flecken jedes Ansatzes für sich: die Präzision von BM25 bei Produktcodes, kombiniert mit dem semantischen Verständnis natürlicher Sprache.

Präzision bei Referenzen Verständnis der Bedeutung Weniger Null-Treffer Komplexer zu justieren Aufwendigere Infrastruktur
Konkretes Beispiel „Nike Air Max 90 weiß": BM25 findet die exakte Referenz präzise. „Schuhe für Trailrunning im Wald": die Semantik bringt Trailschuhe nach oben, auch wenn dieses Wort nicht getippt wird. Hybrid handhabt beides in derselben Engine.
4

Verhaltensbasiertes Ranking - KI, die von Ihren Kunden lernt

Dieser vierte Typ ändert nicht, welche Produkte zurückgegeben werden, sondern in welcher Reihenfolge sie erscheinen. Die Engine beobachtet das reale Verhalten Ihrer Besucher - Klicks, Warenkorb-Aktionen, Conversions, Verweildauer auf einer Produktseite - und passt das Ranking automatisch an, um die Produkte nach oben zu bringen, die für jeden Anfragetyp am besten abschneiden.

Ergebnis: Wenn Ihre Kunden, die „Laufen für Anfänger" suchen, regelmäßig eine bestimmte Marke anklicken und kaufen, steigen diese Produkte in den Ergebnissen für diese Anfrage - ganz ohne manuelle Konfiguration Ihrerseits.

Passt sich automatisch an Optimiert die Conversion Keine manuelle Konfiguration Zum Start wirkungslos (Cold Start) Erfordert ausreichendes Datenvolumen
Wichtiger Hinweis Verhaltensbasiertes Ranking ist stark, verstärkt aber bestehende Trends. Ein Produkt mit anfangs geringer Sichtbarkeit tut sich schwer, sich durchzusetzen. Searchandising-Maßnahmen (manuelles Boosting) bleiben für Neuheiten oder Aktionen nötig.

Algorithmenvergleich auf einen Blick

Algorithmus Stärken Hauptgrenzen Benötigte Daten
BM25 / TF-IDF präzise bei exakten Referenzen, schnell, transparent Synonyme und natürliche Sprache ignoriert Keine
Semantisch versteht Bedeutung, natürliche Sprache, Umformulierungen weniger zuverlässig bei exakten Codes und SKUs Embedding-Modell (vortrainiert)
Hybrid Präzision + Bedeutung, weniger Null-Treffer Gewichtung BM25/Semantik ist heikel zu justieren Embedding-Modell
ML-Ranking passt sich Ihrem Publikum an, optimiert die Conversion laufend erfordert Klick- und Conversion-Historie Verhaltensdaten der Nutzer (ausreichendes Volumen)

Welche Kombination passt zu Ihrem Shop?

Die Antwort hängt von der Größe Ihres Katalogs, Ihrem Traffic-Volumen und der Reichhaltigkeit Ihrer Produktdaten ab.

  • Kleiner Katalog (<1.000 Produkte): Ein gut konfiguriertes BM25 mit sorgfältig gepflegten Synonymen kann genügen. In eine semantische Schicht zu investieren lohnt sich erst jenseits eines bestimmten Volumens verfehlter Anfragen.
  • Mittlerer bis großer Katalog (1.000 bis 50.000 Produkte): Die hybride Suche wird unverzichtbar. Die schiere Vielfalt an Varianten, Marken und Formulierungen macht die manuelle Synonymkonfiguration für sich allein unzureichend.
  • Websites mit hohem Traffic (>50.000 Besucher/Monat): Verhaltensbasiertes Ranking bringt kontinuierliche Verbesserung ohne manuelle Arbeit. Bedingung: genug Daten, damit der Algorithmus auf ein verlässliches Signal konvergiert.
  • In allen Fällen: Manuelle Synonyme bleiben kurzfristig die kosteneffizienteste Konfiguration. Günstig einzurichten, und die Wirkung auf die Null-Treffer-Rate ist sofort spürbar.

Sehen Sie, wie Vectail die Algorithmen für Sie übernimmt

Hybride Suche, verhaltensbasiertes Ranking und konfigurierbare Synonyme - alles aus einem einzigen Dashboard. 14 Tage kostenlos testen, ohne Kreditkarte.

Kostenlos starten

Was Vectail mit diesen Algorithmen macht

Vectail baut auf Google Vertex AI Search for Retail auf, das eine hybride Architektur nativ integriert - BM25 und semantische Suche kombiniert in einem einzigen Relevanz-Score. Sie müssen die Balance zwischen beiden nicht wählen oder kalibrieren: Das übernimmt die Infrastruktur von Google, trainiert auf Milliarden von Retail-Anfragen.

  • Verhaltensbasiertes Ranking standardmäßig aktiv: Das Auto-Learning von Vertex AI beobachtet das Verhalten Ihrer Besucher ab dem ersten Tag und verfeinert das Ranking laufend. Es initialisiert sich schrittweise, während der Traffic wächst.
  • Automatische Anfrageerweiterung: Der Parameter queryExpansionSpec: AUTO lässt die Engine eine Anfrage automatisch auf semantisch nahe Begriffe ausweiten, wenn exakte Ergebnisse nicht ausreichen.
  • Synonyme über das Dashboard konfigurierbar: Für Fälle, in denen der Algorithmus ein branchenspezifisches Synonym nicht abdeckt - „MTB" vs. „Mountainbike", „Turnschuhe" vs. „Sneaker" - können Sie Synonymgruppen definieren, die Vorrang vor der semantischen Schicht haben.

Die Kombination dieser drei Schichten - hybrid, verhaltensbasiert, manuelle Synonyme - deckt die große Mehrheit der E-Commerce-Suchszenarien ab, ohne technische Konfiguration.

Zurück zum Blog