Dynamic Re-Ranking (dynamische Neuordnung) Automatische, in Echtzeit erfolgende Neuanordnung der Suchergebnisse auf Basis von Verhaltenssignalen, Kontext und Geschäftsregeln, damit jeder Nutzer zuerst die Produkte mit der höchsten Conversion-Wahrscheinlichkeit sieht. Definition Ein Schaufenster, das sich im Sekundentakt verwandelt: Es zeigt Regenmäntel bei Wolkenbruch, Bikinis bei Sonnenschein und Sportschuhe, sobald ein Jogger vorbeiläuft. Was im klassischen Handel unmöglich scheint, wird digital Realität. Übertragen auf die Suchergebnisse eines Online-Shops ist genau das Dynamic Re-Ranking. In einer konventionellen internen Suche wird die Reihenfolge der Ergebnisse einmal berechnet und für alle gleich angewendet. Sie basiert auf textueller Übereinstimmung (wie sehr die Anfrage Titel oder Beschreibung des Produkts ähnelt) und höchstens auf statischen Kriterien wie globaler Popularität oder Anlagedatum. Das Resultat ist eine feste Liste: Egal, wer sucht die Reihenfolge bleibt identisch. Dynamic Re-Ranking durchbricht diese Starrheit. Statt eines einzigen Kriteriums kombiniert es mehrere Signale in Echtzeit und berechnet die Reihenfolge bei jeder Suche neu: Verhaltenssignale des Nutzers: was er angesehen, in den Warenkorb gelegt oder zuvor gekauft hat, in welchem Preisrahmen er sich bewegt. Kontextsignale: Gerät (mobil oder Desktop), Geolokalisierung, Tageszeit, Saisonalität. Katalogsignale: Lagerverfügbarkeit, Produktmarge, Neuheit, historische Conversion-Rate jedes Artikels. Geschäftsregeln: aktive Promotionen, Lagerräumung, Priorisierung von Eigenmarken oder Sponsored Products. All diese Signale speisen ein Modell (üblicherweise Learning-to-Rank), das jedem Produkt für diese konkrete Anfrage, in diesem konkreten Moment, für diesen konkreten Nutzer eine Punktzahl zuweist. Die Produkte werden nach dieser Punktzahl umsortiert, bevor sie angezeigt werden. Was ein gutes Re-Ranking-System von einem mittelmäßigen unterscheidet, ist die Feedback-Schleife: Jeder Klick, jeder Kauf und jeder Abbruch aktualisiert die Signale, und das Modell passt die Positionen für zukünftige Suchen an. Es ist keine Konfiguration, die man einmal vornimmt und dann vergisst; das System lernt kontinuierlich. Wofür es nützlich ist 89 % der Online-Käufer schauen sich nur die erste Ergebnisseite an. Erscheint das passendste Produkt auf Position 15 statt Position 3, sehen sie es vermutlich nie. Dynamic Re-Ranking greift genau dieses Problem an. Indem Produkte mit höchster Conversion-Wahrscheinlichkeit, pro Nutzer und pro Anfrage, auf die ersten Plätze gestellt werden, ergeben sich messbare Effekte: mehr Klicks auf Suchergebnisse, mehr Produkte im Warenkorb und damit mehr Verkäufe. Außerdem lassen sich Nutzerrelevanz und Geschäftsziele ausbalancieren: Lagerräumung, Launch einer neuen Kollektion oder Sichtbarkeit für margenstarke Produkte, ohne dass die Sucherfahrung darunter leidet. Doofinder Doofinder implementiert diese Funktion unter dem Namen Dynamic Re-Ranking innerhalb seiner Promotional Tools (Boosting). Das System startet mit einem eigenen Relevanz-Scoring, das jedem Ergebnis eine Punktzahl zuweist, und bietet mehrere Schichten zur Anpassung dieser Reihenfolge: Boosting Rules: Regeln auf Attributebene. Sie heben oder senken Ergebnisse je nach Filterwerten (Marke, Kategorie, Verfügbarkeit, Preisspanne). Jede Regel lässt sich an konkrete Suchbegriffe (exakte oder breite Übereinstimmung) binden oder global anwenden. Manual Boosting: Anpassung des Boost-Faktors Produkt für Produkt, direkt aus dem Admin-Panel. Ein Faktor über 1 hebt das Produkt; ein Faktor unter 1 senkt es ab. Automatic Boosting: Doofinder analysiert die meistgeklickten und meistgekauften Produkte in einem definierten Zeitraum und vergibt automatisch einen Boost unter der Annahme, dass häufig gewählte Produkte mehr Sichtbarkeit verdienen. Boosting über den Feed: Der Boost-Faktor kann direkt in den Produkt-Feed aufgenommen werden, sodass sich die Priorisierung aus dem Produkt-Management heraus automatisieren lässt. Diese Schichten kombinieren sich mit der KI-Personalisierung von Doofinder, die die Ergebnisse je nach Browsing- und Kaufhistorie jedes Besuchers anpasst. Praxisbeispiel Ein Sportartikel-Shop mit 12.000 Artikeln erhält die Suche «Schuhe» 800-mal täglich. Mit statischem Ranking sind die ersten Ergebnisse immer dieselben Modelle, unabhängig vom Suchenden. Mit konfiguriertem Dynamic Re-Ranking: Ein Nutzer, der zuvor die Kategorie «Trailrunning» durchstöbert und Schuhe im Bereich 80-120 € angesehen hat, sieht zuerst Trail-Modelle in dieser Preisspanne mit verfügbarem Lagerbestand. Ein anderer Nutzer, der in der Vergangenheit Basketballschuhe gekauft hat und mobil zugreift, sieht hervorgehobene Basketball-Modelle, mit den meistverkauften des Monats auf den ersten Plätzen. Parallel hat der Shop eine Boosting-Regel aktiviert, um Lagerbestand einer Vorsaison-Marke abzubauen. Diese Modelle steigen für alle Nutzer auf, ohne die personalisierten Ergebnisse vollständig zu verdrängen, das System gewichtet beide Signale. Das Resultat: gleiche Anfrage, drei unterschiedliche Erlebnisse, alle relevanter als eine generische Liste nach globaler Popularität. Quellen Boosting — Doofinder Support Learning to Rank for Information Retrieval — Microsoft Research