Vector Search im E-Commerce: Produktsuche mit KI-Embeddings

Ein typisches Szenario: Ein Kunde sucht in Ihrem Online-Shop nach "gemütlichen Sneakers für den Herbst". Eine klassische Volltextsuche liefert null Treffer, weil die Wörter "gemütlich" und "Herbst" in keiner Produktbeschreibung vorkommen. Der Kunde verlässt frustriert den Shop. Mit Vector Search wäre das anders: Die KI versteht die Bedeutung der Anfrage und findet passende Produkte - auch wenn die exakten Begriffe fehlen. Bei CODING 9 haben wir diese Technologie in zahlreichen E-Commerce-Projekten implementiert. Dieser Artikel erklärt, wie Vector Search rechnet, was sie an der Trefferquote ändert und wie Sie sie in Ihrem Shop umsetzen.

Was ist Vector Search? Grundlagen einfach erklärt

Vector Search (Vektor-Suche) basiert auf Embeddings - mathematischen Repräsentationen von Text, Bildern oder anderen Daten als Vektoren (Listen von Zahlen). Hier der Unterschied:

Klassische Keyword-Suche (Elasticsearch/Algolia)

• Sucht nach exakten Wörtern oder Teilstrings

• Anfrage: "Laufschuhe rot" → Findet nur Produkte mit diesen Wörtern

• Problem: Versteht keine Synonyme, Kontext oder Bedeutung

Vector Search (Semantic Search)

• Wandelt Texte in Vektoren um (z. B. 768 Dimensionen)

• Vergleicht Bedeutungen: "Joggingschuhe scharlachrot" ≈ "Laufschuhe rot"

• Ergebnis: Findet semantisch ähnliche Produkte, auch ohne exakte Keyword-Matches

Technisch gesehen nutzt man Modelle wie OpenAI text-embedding-3 oder Open-Source-Alternativen (Sentence Transformers), um Produktbeschreibungen in Vektoren zu konvertieren. Bei einer Suchanfrage wird diese ebenfalls vektorisiert und per Cosine Similarity mit den Produkt-Vektoren verglichen - die ähnlichsten werden zurückgegeben.

Was Vector Search an der E-Commerce-Suche ändert

In unseren CODING 9-Projekten haben wir folgende Effekte gemessen:

1. Höhere Conversion Rate

Kunden finden schneller, was sie suchen - selbst bei vagen Anfragen. Beispiel: "Geschenk für Oma 70. Geburtstag" → Vector Search findet Produkte mit Tags wie "Senioren-geeignet", "Geschenkidee", "nostalgisch". Resultat: +18% Conversion in einem unserer Fashion-Shops nach Implementation.

2. Reduzierte Bounce Rate

Weniger "Keine Ergebnisse"-Frust. Klassische Suchen liefern bei 15-20% der Anfragen null Treffer. Vector Search liegt unter 5%, weil sie auch bei Tippfehlern, Synonymen oder Umschreibungen funktioniert.

3. Multimodale Suche

Kombinieren Sie Text + Bild: "Zeige mir Sofas im Stil dieses Fotos". Mit Modellen wie CLIP (OpenAI) können Sie Produktbilder und Texte im selben Vektorraum abbilden. Für Fashion, Möbel oder Lifestyle-Shops heißt das: Kunden suchen über ein Foto statt über Attributfilter.

4. Personalisierung ohne Tracking

Statt Cookie-basierter Personalisierung nutzen Sie Kontext aus der Suchanfrage selbst: "Suche Wanderschuhe für schmale Füße" → KI erkennt Präferenz und rankt entsprechend.

Technische Umsetzung: Vector Search in Shopware/Shopify integrieren

Hier ein praktischer Leitfaden für die Implementation:

Schritt 1: Embeddings generieren

Wandeln Sie Ihre Produktdaten in Vektoren um. Beispiel mit OpenAI Embeddings:

import openai
import psycopg2

# Produktdaten aus Shopware DB holen
conn = psycopg2.connect("dbname=shopware user=...")
cursor = conn.cursor()
cursor.execute("SELECT id, name, description FROM product")

for product_id, name, description in cursor:
    # Embedding generieren
    text = f"{name}. {description}"
    response = openai.embeddings.create(
        model="text-embedding-3-small",
        input=text
    )
    embedding = response.data[0].embedding  # 1536 Dimensionen

    # In Vector-Datenbank speichern (z.B. PostgreSQL + pgvector)
    cursor.execute("""
        INSERT INTO product_embeddings (product_id, vector)
        VALUES (%s, %s)
    """, (product_id, embedding))

Schritt 2: Vector-Datenbank wählen

Beliebte Optionen:

• PostgreSQL + pgvector: Kostenlos, bewährt, ideal wenn Sie bereits PostgreSQL nutzen (siehe unser PostgreSQL 18 Artikel)

• Pinecone: Managed Service, skaliert automatisch, $0.096/GB/Monat

• Weaviate/Qdrant: Open-Source, self-hosted, volle Kontrolle

Bei CODING 9 setzen wir meist auf PostgreSQL + pgvector, weil die Vektoren in derselben Datenbank liegen wie die Produktdaten: ein Join statt eines zweiten Systems mit eigenem Sync, eigenem Backup und eigener Rechnung.

Schritt 3: Suche implementieren

Beispiel-Code für Vector Search mit pgvector:

-- Suchanfrage "gemütliche Sneakers Herbst" vektorisieren
-- Embedding: [0.123, -0.456, 0.789, ...]

SELECT
    p.id,
    p.name,
    1 - (pe.vector <=> '[0.123,-0.456,0.789,...]'::vector) AS similarity
FROM product p
JOIN product_embeddings pe ON p.id = pe.product_id
ORDER BY similarity DESC
LIMIT 10;

Der <=>-Operator berechnet Cosine Distance - je kleiner, desto ähnlicher.

Schritt 4: Hybrid Search

Keyword- und Vector-Suche kombiniert: Artikelnummern und Markennamen trifft die Keyword-Suche exakt, alles Umschreibende die Vektorsuche.

WITH keyword_results AS (
    SELECT id, ts_rank(search_vector, query) AS keyword_score
    FROM product, to_tsquery('sneakers & herbst') query
    WHERE search_vector @@ query
),
vector_results AS (
    SELECT id, similarity AS vector_score
    FROM product_embeddings
    ORDER BY vector <=> '[...]' LIMIT 50
)
SELECT
    p.*,
    COALESCE(k.keyword_score, 0) * 0.3 +
    COALESCE(v.vector_score, 0) * 0.7 AS combined_score
FROM product p
LEFT JOIN keyword_results k ON p.id = k.id
LEFT JOIN vector_results v ON p.id = v.id
ORDER BY combined_score DESC;

Gewichtung: 70% Vector, 30% Keyword - anpassbar je nach Use Case.

Selbst bauen oder einkaufen?

Embedding-Pipeline, Vector-Datenbank, Re-Indexierung und Ranking selbst zu bauen, kostet mehrere Wochen Entwicklungszeit - und danach laufenden Betrieb. Wer diesen Weg geht, sollte drei Dinge vorher klaeren: Wie oft muss der Katalog neu indexiert werden, wer betreibt die Vector-Datenbank, und woran messen Sie, ob die neue Suche besser trifft als die alte.

Die Alternative sind fertige Suchdienste, die Embedding-Erzeugung und Index-Pflege uebernehmen. Der Preis dafuer ist weniger Kontrolle ueber Ranking und Datenhaltung. Fuer Shops mit Standardsortiment rechnet sich das haeufig; sobald Preislogik, Kundengruppen oder eigene Relevanzregeln ins Ranking einfliessen sollen, landen Sie meist doch bei einer eigenen Pipeline.

Wir setzen beides um - als Shopware-Agentur mit eigenem Schwerpunkt auf Elasticsearch- und KI-Suche fuer E-Commerce. Welcher Weg guenstiger ist, haengt an Kataloggroesse und Ranking-Anforderungen und laesst sich im Erstgespraech in einer halben Stunde einordnen.

Performance & Kosten: Was Sie wissen müssen

Latenz

Die Antwortzeit setzt sich aus zwei Teilen zusammen:

• Embedding-Generierung (Suchanfrage): ~50ms (OpenAI API) / ~10ms (lokal gehostetes Modell)

• Vektor-Ähnlichkeitssuche (pgvector): <100ms für 100.000 Produkte (mit HNSW-Index)

• Gesamt: 150-200ms - vergleichbar mit Elasticsearch

Kosten (Self-Hosted)

• Embedding-Generierung: ~$0.02 pro 1.000 Produkte (OpenAI text-embedding-3-small)

• PostgreSQL Hosting: €20-100/Monat (abhängig von Datenmenge)

• Laufende Kosten: ~€50/Monat für 10.000 Produkte + 50.000 Suchanfragen

Best Practices aus unseren Projekten

1. Produktdaten optimieren: Aussagekräftige Beschreibungen schreiben - KI lernt nur von dem, was Sie ihr geben

2. A/B Testing: Testen Sie Vector vs. Keyword Search - manchmal ist Hybrid am besten

3. Re-Indexierung: Aktualisieren Sie Embeddings bei großen Katalog-Änderungen (z. B. wöchentlich)

4. Monitoring: Tracken Sie die "Zero Results"-Rate - sie sollte nach der Umstellung von 15-20% auf unter 5% fallen

Wann sich der Umstieg auf semantische Suche lohnt

Der Umstieg zahlt sich dort aus, wo Kunden umschreiben statt Produktnamen zu tippen: große Sortimente mit ähnlichen Artikeln und Kataloge mit knappen Beschreibungen gewinnen am meisten. Bei einem kleinen Sortiment mit eindeutig benannten Artikeln reicht die Keyword-Suche weiterhin aus. Anfragen wie "Geschenk für Oma" oder eine Suche über ein hochgeladenes Foto beantwortet dagegen nur ein Vektorindex. Mit einem gehosteten Suchdienst bekommen auch kleinere Shops die Pipeline fertig, ohne ein Data-Science-Team aufzubauen. Bei CODING 9 unterstützen wir Sie bei Custom-Integrationen und hybriden Such-Architekturen. Kontaktieren Sie uns für eine unverbindliche Beratung!

Nutzen Sie bereits Vector Search in Ihrem Shop? Schreiben Sie uns, welche Suchanfragen bei Ihnen bisher ins Leere laufen.