Produktsuche · Vektor-Suche · KI-Search
Produktsuche, die Intent versteht - nicht nur Keywords
Der Stand moderner Produktsuche
Die Standard-Suche der meisten Shop-Systeme basiert auf reinem Keyword-Matching. Sucht jemand nach „wasserdichte Wanderschuhe für Damen Größe 39“, scheitert das schon an einer fehlenden Synonymliste oder einer ungünstigen Tokenisierung. Je nach Sortiment und Suchkonfiguration landen 15–30 % aller Suchanfragen auf „No Result“-Seiten - und damit direkt im Umsatzverlust.
Moderne Produktsuche kombiniert daher drei Ebenen: Keyword-Suche für präzise Treffer (BM25, Elasticsearch/OpenSearch), semantische Vektor-Suche für Intent und Synonyme (Embeddings + Vektor-DB) und einen Reranker oder ein LLM, das die finale Reihenfolge nach Relevanz, Verfügbarkeit und Personalisierung sortiert.
Wir wählen den passenden Stack pro Use-Case: vom schlanken Typesense-Setup für einen B2C-Shop über Algolia mit AI-Personalization bis hin zu einer Hybrid-Search-Architektur aus OpenSearch, Qdrant und einem Cohere- oder Voyage-Reranker. Self-Hosted oder SaaS - Hauptsache, die Suche bringt Umsatz. Wie die semantische Ebene technisch funktioniert, erklärt unser Beitrag Vektorsuche und Embeddings erklärt ohne Vorwissen.
Wir kombinieren Elasticsearch, SaaS-Suche und KI-Komponenten zu einer Suche, die wirklich konvertiert
Elasticsearch & OpenSearch
Die Klassiker für Volltextsuche in großen Katalogen - voll integriert in Shopware 6, Magento 2 und Custom-Backends.
- ✓Mapping, Analyzer & Synonyme
- ✓Facettensuche & Filter-Aggregationen
- ✓Self-Hosted oder Elastic Cloud
SaaS-Suche: Algolia, Typesense, Meilisearch
Schnelle Time-to-Market mit gehosteter Suche - Instant-Search, Typo-Toleranz und A/B-Testing out of the box.
- ✓Algolia inkl. AI Personalization
- ✓Typesense für Open-Source-Fans
- ✓Meilisearch self-hosted oder Cloud
Semantische Vektor-Suche
Embeddings machen Suche intent-basiert: gleiche Bedeutung trotz anderer Wortwahl, mehrsprachig out of the box.
- ✓OpenAI, Voyage, Cohere Embeddings
- ✓Qdrant, Weaviate, Pinecone, pgvector
- ✓Multi-Modal: Text + Bild-Embeddings
Hybrid Search & Reranking
BM25 und Vektor kombiniert per Reciprocal Rank Fusion und einem Cross-Encoder- oder LLM-Reranker: exakte Treffer bleiben oben, sinnverwandte kommen dazu.
- ✓Keyword + Semantic in einem Score
- ✓Cohere Rerank, Voyage Rerank
- ✓Personalisierung pro User-Segment
KI-Conversational-Search
Shopping-Assistenten auf Basis von LLMs und RAG: Der Kunde beschreibt das Problem, die KI empfiehlt das passende Produkt.
- ✓RAG auf Produkt- und Content-Daten
- ✓Beratung, Vergleich, Cross-Selling
- ✓Streaming-UI, Tool-Use, Citations
PIM-Kopplung, Feeds & Personalisierung
Ein Index ist nur so gut wie seine Quelldaten - wir verbinden PIM, ERP und Verhaltensdaten zu einem aktuellen Index.
- ✓Akeneo, Pimcore, Custom-PIMs
- ✓Event-basierte Re-Indexierung
- ✓Personalisierung auf Klick- & Bestelldaten
Wir empfehlen den Stack, der zu Sortimentgröße, Team und Budget passt
Such-Engines
Elasticsearch, OpenSearch, Algolia, Typesense, Meilisearch, Solr
Vektor-Datenbanken
Qdrant, Weaviate, Pinecone, Milvus, pgvector, Elastic Vector Search
Embeddings & Reranker
OpenAI text-embedding-3, Voyage, Cohere Embed & Rerank, BGE, Jina
LLMs für RAG & Chat
Claude (Opus 4.7, Sonnet 4.6), GPT-5, Gemini, Mistral, lokale Llama-Modelle
Shop-Integration
Shopware 6, Magento 2, Shopify, Headless via Next.js & Storefront-APIs
Datenquellen
Akeneo, Pimcore, ERP-Feeds, GraphQL, Kafka & Webhook-Events
Von der Daten-Analyse bis zum Relevanz-Tuning im Live-Betrieb
Such-Audit & Datenanalyse
Wir analysieren Such-Logs, No-Result-Queries, Klick- und Konversionsraten und legen damit die Baseline für die Optimierung fest.
Architektur & Stack-Auswahl
Self-Hosted (Elasticsearch/OpenSearch) oder SaaS (Algolia, Typesense, Meilisearch)? Mit oder ohne Vektor-Layer und Reranker - wir wählen gemeinsam mit Ihnen den passenden Stack für Ihr Sortiment und Budget.
Daten-Pipeline & Indexing
Anbindung an PIM, ERP, Shop-Backend und Feeds. Mapping, Analyzer, Synonyme, Embeddings-Generierung und inkrementelle Re-Indexierung über Event-Streams.
Frontend, Facetten & UX
Instant-Search, Autosuggest, Filter, Visual Search und konversionsstarke Result-Pages - eingebettet in Shopware, Magento, Shopify oder Headless-Frontends, ohne Bruch im Theme.
Relevanz-Tuning & Monitoring
A/B-Tests, Boosting-Regeln, LLM-Reranker, Personalisierung und kontinuierliches Monitoring von Such-KPIs (CTR, Conversion, No-Result-Rate).
Antworten zu moderner Produktsuche, Vektor-Suche und KI-Search
Brauche ich überhaupt noch Elasticsearch, wenn es Vektor-Suche gibt?
Ja, in den meisten Shops. Reine Vektor-Suche ist bei exakten Produktnummern, SKUs oder Marken oft schlechter als BM25. Am besten funktioniert meist Hybrid Search: Elasticsearch oder OpenSearch für das Keyword-Matching, Embeddings für die semantische Ebene und ein Reranker, der beides kombiniert. Genau diesen Stack bauen wir am häufigsten.
Self-Hosted (Elasticsearch/OpenSearch) oder SaaS (Algolia, Typesense)?
Faustregel: Bis ~50.000 Produkte und wenn schnelles Time-to-Market zählt, ist Algolia oder Typesense Cloud meist die beste Wahl. Bei Millionen Produkten, vielen Sprachen oder strengen DSGVO-Anforderungen passt Self-Hosting auf eigenen Servern oder in der EU-Cloud besser. Welche Variante zu Ihrem Shop passt, gehen wir im Such-Audit gemeinsam mit Ihnen durch, inklusive 3-Jahres-TCO.
Was bringt KI-Conversational-Search im Shop konkret?
Statt nur Trefferlisten zu liefern, beantwortet ein LLM-basierter Shopping-Assistent Fragen wie "Welche Bohrmaschine ist für gelegentlichen Heimwerker-Einsatz im Beton geeignet und kostet unter 200 €?" Auf Basis von RAG werden Produkte aus dem Katalog zitiert und verglichen. Typische Effekte: 2–4× längere Verweildauer, deutlich höhere Conversion bei beratungsintensiven Sortimenten, weniger Retouren durch besseres Matching.
Was sind typische Fehler bei Such-Implementierungen?
Zu generisches Mapping, fehlende Synonyme, keine Beobachtung von No-Result-Queries, keine A/B-Tests beim Boosting, ein Embedding-Modell ohne deutschsprachiges Training, fehlendes Reranking, sowie Indizes, die nur nachts neu gebaut werden statt event-basiert. Wir identifizieren diese Punkte systematisch im Audit und beheben sie priorisiert nach Umsatz-Impact.
Welche Verbesserungen kann ich erwarten?
In Projekten mit unsauberer Bestandssuche sehen wir typischerweise +20–35 % Conversion-Rate aus der Suche, eine Reduktion der No-Result-Rate um 50–80 % und spürbar weniger Support-Anfragen vom Typ "Ich finde das Produkt nicht". Die konkreten Zahlen quantifizieren wir vorher am Daten-Audit Ihres Shops.
Wie passt das zur DSGVO?
Vektor-Datenbanken und Such-Engines können vollständig in der EU oder on-premise betrieben werden (Qdrant, Weaviate, OpenSearch, pgvector). Für LLM-Komponenten setzen wir auf europäische Anbieter, AWS Bedrock EU oder Azure OpenAI EU. Embedding- und Such-Logs werden anonymisiert, Personenbezug bleibt im Shop-System. Details dazu auf KI & DSGVO.
Was eine neue Suche im Shop bedeutet, können Sie mit dem passenden Stack als Richtwert im Rechner berechnen.
Suche im Zusammenspiel mit Shop-System, Performance und KI
Shopware 6
Such-Integration in Shopware 6 - vom Bordmittel-Tuning bis zur Headless-Suche über die Storefront-API.
Zu Shopware 6Magento & Adobe Commerce
Elasticsearch für große Magento-Kataloge: Facetten, Autocomplete und Ranking statt langsamer Standard-Suche.
Zur Magento AgenturHeadless Commerce & PWA
Im Headless-Frontend liefert die Suche Treffer schon während des Tippens, ohne Seitenwechsel.
Zu Headless & PWAKI-Agenten & Shopping-Assistenten
Aus der Suche wird ein dialogischer Assistent: RAG, Tool-Use und LLMs beraten Kunden wie ein erfahrener Verkäufer.
Zu KI-AgentenKI-Integration
Embeddings, Vektor-DBs und LLMs sauber in bestehende Systeme integriert - inklusive Monitoring und Kosten-Kontrolle.
Zur KI-IntegrationBereit für eine Suche, die Umsatz bringt?
Am liebsten starten wir mit einem kompakten Such-Audit: Wir schauen uns Such-Logs, No-Result-Queries und Konversionsraten Ihres Shops an und zeigen Ihnen den kürzesten Weg zu mehr Relevanz, ob klassisch, hybrid oder KI-gestützt.