Semantische Suche im E-Commerce: Was sie wirklich kann und was nicht

Laut dem Baymard Institute liefern 15 % der Suchanfragen in durchschnittlichen Online-Shops null Ergebnisse. Bei Shops, die semantische Suche einsetzen, sinkt dieser Wert auf unter 1 %. Das ist keine Marketingaussage, das ist der messbare Unterschied zwischen einer Suche, die Wörter erkennt, und einer, die Absichten versteht.

Dieser Artikel erklärt, wie die semantische Suche technisch funktioniert, wo sie sich von klassischer Keyword-Suche unterscheidet, wann sie sich für deinen Shop lohnt und worauf du beim Einsatz achten musst.

Ein Nutzer sucht nach „warme Jacke für den Winter“. Eine klassische Keyword-Suche filtert Produkte, die genau diese Wörter enthalten. Eine semantische Suche erkennt: Der Nutzer will eine Winterjacke und zeigt Ergebnisse für gefütterte Parkas, Thermojacken und wasserdichte Outdoorjacken, selbst wenn keines dieser Produkte das Wort „warm“ im Titel hat.

Das ist der Kern. Kein Zaubertrick, sondern ein strukturierter technischer Prozess.

Keyword-Suche vs. semantische Suche: Der entscheidende Unterschied

Klassische Keyword-Suche (auch lexikalische Suche genannt) arbeitet mit exakten Wortübereinstimmungen. Der Suchalgorithmus prüft: Kommt der Begriff „Winterjacke“ in diesem Produkt vor? Wenn ja, erscheint es im Ergebnis. Wenn nicht, fällt es raus – egal, wie relevant es wäre.

Das funktioniert solange, wie Nutzer exakt die Begriffe verwenden, mit denen Produkte beschrieben sind. Im echten Einkaufsverhalten passiert das selten. Kunden suchen nach „Schuhe für breite Füße“, „Kaffeemaschine unter 100 EUR“, „Geschenk für Teenager Mädchen“ oder „Winterjacke mit Kapuze wasserdicht“ – formuliert so, wie sie denken, nicht so, wie Produktbeschreibungen geschrieben sind.

Semantische Suche schließt diese Lücke. Sie versteht, dass „Sneakers“, „Turnschuhe“ und „Kicks“ dasselbe meinen. Dass „günstig“ und „unter 50 Euro“ verwandte Absichten sind. Dass jemand, der nach „Geburtstagsgeschenk für Papa 60“ sucht, keinen leeren Ergebnisseite verdient.

Wie funktioniert semantische Suche technisch?

Wer semantische Suche implementieren oder bewerten will, muss drei Konzepte verstehen: NLP, Embeddings und Vektorsuche. Keine dieser Technologien ist neu, ihre Kombination für E-Commerce Suche jedoch ist es.

NLP: Die Sprache verstehen

Natural Language Processing (NLP) ist die Grundlage. NLP-Modelle werden auf riesigen Textmengen trainiert und lernen dabei, wie Sprache funktioniert: Welche Wörter haben ähnliche Bedeutungen? Welchen Einfluss hat der Kontext auf die Bedeutung eines Begriffs? Was ist ein Schreibfehler, was ein Synonym?

Transformer-Modelle wie BERT (von Google) oder ihre weiterentwickelten Varianten sind derzeit der Standard. Sie verarbeiten Suchanfragen nicht Wort für Wort, sondern analysieren den gesamten Satzzusammenhang. Das ist der Grund, warum „Hemd ohne Bügeln“ für eine semantische Suche verständlich ist, obwohl kein Produkt im Katalog so beschrieben wird.

Embeddings: Bedeutung als Zahlenvektor

Embeddings sind die eigentliche technische Übersetzungsleistung. Das Modell wandelt jeden Text, sowohl die Suchanfrage als auch jede Produktbeschreibung im Katalog, in einen hochdimensionalen Zahlenvektor um. Texte mit ähnlicher Bedeutung erhalten ähnliche Vektoren.

Ein konkretes Beispiel: Die Anfrage „rote Laufschuhe für Frauen mit Dämpfung“ und ein Produkt namens „Damen-Joggingschuh crimson rot, gepolsterte Sohle“ landen in der Vektorraumdarstellung nah beieinander, obwohl nur wenige Wörter übereinstimmen.

Vektorsuche: Ähnlichkeit statt Übereinstimmung

Klassische Suche fragt: Enthält dieses Dokument das Wort? Vektorsuche fragt: Wie ähnlich ist dieser Vektor dem Anfrage-Vektor? Die Ähnlichkeit wird mathematisch als „Kosinus-Ähnlichkeit“ oder „euklidische Distanz“ gemessen.

Das Ergebnis: Produkte, die semantisch passen, werden gefunden, auch ohne exakte Wortübereinstimmung.

Hybride Suche: Das Beste aus beiden Ansätzen

In der Praxis kombinieren leistungsfähige E-Commerce Suchsysteme klassische Keyword-Suche und Vektorsuche zu einer hybriden Suche. Keyword-Suche ist schnell und liefert bei exakten Treffern präzise Ergebnisse. Vektorsuche greift dort ein, wo Keyword-Suche scheitert, bei Synonymen, Schreibfehlern, umgangssprachlichen Formulierungen, langen Suchanfragen.

Die Kombination ist der aktuelle Stand der Technik für eCommerce-Suche.

Vergleichstabelle: Welche Suche für welches Szenario?

Hybride Suche ist in fast allen Szenarien überlegen. Reine Keyword-Suche liefert nur bei exakten Anfragen gute Ergebnisse. Reine Vektorsuche hat Schwächen bei exakten Produktnummern oder Marken.

Semantische Suche im Online-Shop: Konkrete Anwendungsfälle

Theorie ist das eine. Was ändert sich konkret, wenn ein Shop semantische Suche einführt?

Null-Ergebnisseiten verschwinden fast vollständig

Das offensichtlichste Problem: Ein Nutzer sucht nach einem Produkt, das es gibt, findet es aber nicht, weil er es anders formuliert als der Katalog. Die Folge ist Frustration und Absprung.

Bei Shops, die DooFinder AI Search einsetzen, liegt die Null-Ergebnis-Rate unter 1 %. Der Branchendurchschnitt liegt bei rund 15 %.

Längere, natürliche Suchanfragen werden verarbeitet

Voice Search und mobile Suche haben das Suchverhalten verändert. Nutzer tippen nicht mehr „Winterjacke Herren“ – sie suchen „warme Jacke für Männer für Skiurlaub wasserdicht nicht zu teuer“. Keyword-Suche scheitert hier systematisch. Semantische Suche versteht den Satz als Ganzes.

Synonyme und Dialektvarianten werden erkannt

„Turnschuhe“, „Sneaker“, „Sportschuhe“, „Kicks“, vier Wörter für dasselbe Produkt. Im deutschsprachigen Markt kommt hinzu, dass österreichische und Schweizer Nutzer andere Begriffe verwenden als deutsche. „Sackerl“ statt „Tüte“, „Velo“ statt „Fahrrad“. Semantische Suche löst das systemisch, ohne dass jedes Synonym manuell gepflegt werden muss.

Cross-Selling-Potenziale werden sichtbar

Wenn Nutzer nach „Geschenk für Mama Weihnachten 50 Euro“ suchen, ist das kein Versagen der Suche, es ist eine Information: Der Kunde will kaufen, hat ein Budget und einen Anlass. Semantische Suche kann diese Anfrage mit Cross-Selling auf relevante Produktkategorien abbilden. Shops, die das nicht tun, verlieren diesen Kauf.

Wann lohnt sich semantische Suche und wann nicht?

Semantische Suche ist kein Allheilmittel. Sie lohnt sich unter bestimmten Bedingungen stark und bringt unter anderen wenig.

Semantische Suche lohnt sich, wenn…

Der Katalog groß und vielfältig ist. Ab rund 500 Produkten beginnen die Vorteile semantischer Suche spürbar zu wirken. Darunter ist die Sucherfahrung oft durch gute Navigation lösbar.

Nutzer komplexe oder umgangssprachliche Anfragen formulieren. Mode, Sport, Haushaltsgeräte, Baumarkt. Kategorien, in denen Nutzer beschreibend suchen.

Die Zero-Results-Rate über 5 % liegt. Das ist ein klares Signal, dass Keyword-Suche die Nachfrageseite nicht abbildet.

Mobile Traffic dominiert. Auf dem Smartphone tippen Nutzer anders als am Desktop – kürzer, fehleranfälliger, umgangssprachlicher.

Semantische Suche lohnt sich weniger, wenn…

Der Shop einen sehr kleinen, homogenen Katalog hat, bei dem exakte Produktnummern der primäre Suchweg sind. Ein B2B-Shop für Maschinenbauteile, bei dem Kunden mit Teilenummern suchen, profitiert weniger als ein Modeshop.

Auch hier gilt aber: Hybride Suche kombiniert beide Ansätze. Exakte Treffer bleiben präzise; semantische Suche greift nur dort ein, wo Keyword-Suche versagt.

Was dein Shop als nächstes tun sollte

Prüfe deine aktuelle Zero-Results-Rate in deinen Such-Analytics. Liegt sie über 5 %, verlierst du messbar Umsatz. Prüfe dann, ob deine aktuelle Suchlösung semantische Suche oder hybride Suche einsetzt oder ausschließlich auf Keyword-Matching setzt.

Sieh, wie DooFinder AI Search die Null-Ergebnis-Rate auf unter 1 % senkt, kostenloser 15-Tage-Test, keine Kreditkarte erforderlich.