Die klassische interne Suche vergleicht Zeichenketten. Sie findet die Produkte, deren Text die eingegebenen Wörter enthält, und sonst nichts. Die semantische Suche vergleicht Bedeutungen: Sie bringt «Autoladegerät» und «Zigarettenanzünder-Adapter» zusammen, ohne dass ein einziges Synonym gepflegt wurde.
So funktioniert das tatsächlich, so viel kostet es, und hier bleibt es schlechter als der klassische Ansatz.
Das Prinzip, ohne Fachjargon
Jedes Produkt Ihres Katalogs wird in eine Zahlenfolge umgewandelt, Vektor genannt, die seine Bedeutung abbildet. Zwei bedeutungsnahe Produkte erzeugen Vektoren, die in diesem Raum nah beieinander liegen.
Sucht ein Besucher etwas, wird seine Anfrage auf dieselbe Weise umgewandelt, dann sucht die Engine die nächstgelegenen Vektoren. Keine Wortübereinstimmung ist nötig: Die Nähe der Bedeutung entscheidet.
Diese Umwandlung liefert ein Sprachmodell, trainiert auf riesigen Textmengen, das gelernt hat, dass bestimmte Begriffe in denselben Zusammenhängen auftauchen. Genau deshalb weiß es, dass ein Zigarettenanzünder und ein Autoladegerät denselben Anwendungsfall bedienen.
Was das löst
Drei Situationen, in denen die klassische Engine systematisch scheitert.
Abweichender Wortschatz. Der Kunde benutzt seine Wörter, Ihr Katalog die des Lieferanten. Ohne gepflegte Synonyme kein Ergebnis. Das ist der häufigste und teuerste Fall.
Die beschreibende Anfrage. «Etwas, um Werkzeug in der Garage zu verstauen» enthält kein einziges Wort aus Ihrem Katalog, beschreibt aber genau einen Bedarf. Die lexikalische Engine liefert Rauschen oder nichts.
Tippfehler und Varianten. Plurale, Beugungen und ungefähre Schreibweisen fängt die Vektordarstellung ohne besondere Einstellung ab.
KI-Semantische Suche — PrestaShopDie Suche, die die Absicht versteht, nicht nur die Keywords149,00€
Was vektorisiert gehört
Diese Frage bestimmt die Ergebnisqualität weit stärker als die Wahl des Modells.
Das sinnvolle Minimum: Produktname, Kurzbeschreibung, Kategorie und die wichtigsten Attribute. Die Langbeschreibung liefert Kontext, aber auch Rauschen, besonders wenn sie Lieferbedingungen oder Rechtshinweise enthält, die auf jeder Seite identisch stehen.
Ein einfacher Grundsatz: Vektorisieren Sie nur, was das Produkt unterscheidet. Jeder Text, der identisch auf hundert Seiten steht, rückt diese hundert Seiten künstlich zusammen und verschlechtert die Relevanz.
Technische Merkmale verdienen eine eigene Behandlung. Ein Sprachmodell versteht Zahlen und Einheiten schlecht: «120 cm» und «140 cm» erscheinen ihm sehr ähnlich. Das ist eine strukturelle Grenze, kein Konfigurationsfehler.
Der wichtigste Punkt: nicht ersetzen, sondern kombinieren
Das ist der klassische Konzeptfehler. Die semantische Suche ist nicht besser als die lexikalische, sie ist anders, und in bestimmten Fällen ist sie deutlich schlechter.
Bei einer exakten Referenz, einem Produktcode, einer Teilenummer, einem Strichcode gewinnt immer die lexikalische Suche. Die vektorbasierte versteht nicht, dass eine Zeichenkette exakt übereinstimmen muss.
Bei Zahlenwerten, Größe, Gewicht, Abmessung, Leistung bleibt die lexikalische Suche in Verbindung mit Filtern überlegen.
Bei einem Markennamen ist die lexikalische Suche verlässlicher, da die vektorbasierte dazu neigt, Wettbewerbsmarken aus derselben Welt mitzubringen.
Die Architektur, die funktioniert, verbindet beide: zuerst die lexikalische Suche, ergänzt durch die Vektorebene, wenn sie wenige oder keine Ergebnisse liefert, oder mit einer Gewichtung zusammengeführt. Ein Shop, der vollständig auf Semantik umstellt, sieht seine Referenzsuchen schlechter werden, und das sind oft die Suchen seiner besten Kunden.
Die Kosten, offen gesagt
Drei Posten von sehr unterschiedlicher Größenordnung.
Die Erstindexierung. Jedes Produkt muss einmal vektorisiert werden. Bei einem Katalog mit zehntausend Referenzen bedeutet das geringe, aber reale Stückkosten und einige Stunden Verarbeitungszeit.
Die Aktualisierung. Nur geänderte Produkte müssen neu vektorisiert werden. Eine vollständige Neuindexierung bei jedem Import ist ein teurer Fehler: Erkennen Sie die tatsächlichen Änderungen an den vektorisierten Feldern.
Die Anfragen. Jede Besuchersuche setzt voraus, dass die Anfrage vektorisiert wird. Dieser Posten wächst mit dem Traffic, und ihn sollte man vor dem Start ansehen. Ein Cache der häufigen Anfragen senkt ihn deutlich, da ein großer Teil der Suchen eines Shops sich wiederholt.
Vorher und nachher messen
Drei Kennzahlen, erhoben über die dreißig Tage vor der Einführung.
Die Quote der Suchen ohne Ergebnis, die deutlich sinken muss. Das ist der sichtbarste und unmittelbarste Gewinn.
Die Klickrate auf das erste Ergebnis, die die wahrgenommene Relevanz misst. Fällt sie, während die Ergebnisquote steigt, liefert Ihre Engine Produkte, die nah, aber nicht passend sind.
Die Konversionsrate der Sitzungen mit Suche, die einzige Zahl, die die Investition rechtfertigt.
Eine vierte, qualitative Kontrolle: Stellen Sie eine Liste von dreißig echten Anfragen aus Ihren Logs zusammen, jeweils mit dem erwarteten Ergebnis, und spielen Sie sie nach jeder Änderung erneut durch. Nur so bemerken Sie einen Rückschritt vor Ihren Kunden.
Das Modul KI-Semantiksuche für PrestaShop richtet diese Ebene unter PrestaShop 8 und 9 ein: Vektorindexierung des Katalogs mit Feldauswahl, Kombination mit der bestehenden lexikalischen Suche, ähnliche Produkte nach Bedeutung berechnet und ein Anfragen-Dashboard mit deren Ergebnisquote.