Semantische Produktsuche im Onlineshop: weniger No-Result, mehr Conversion

Ein Kunde tippt „rostfreie Schraube 5mm” in Ihre Shop-Suche, und es kommt: kein Ergebnis. Der Artikel ist im Sortiment, gepflegt als „Zylinderschraube V2A M5”. Für die Volltextsuche sind das zwei verschiedene Dinge, für den Kunden dasselbe. Er sucht nicht weiter, er bestellt woanders. Diese Lücke zwischen dem, was Kunden eingeben, und dem, was gepflegt ist, schließt semantische Suche.

Worum es geht: die Kurzfassung

• Semantische Suche versteht die Bedeutung einer Anfrage statt nur den Wortlaut. Sie findet Synonyme, Umschreibungen und verwandte Begriffe, an denen die klassische Volltextsuche scheitert.
• Jede ergebnislose Suche (No-Result) ist verlorener Umsatz. Anbieter wie Doofinder und Analysten wie Forrester berichten, dass Suchnutzer deutlich häufiger konvertieren (Größenordnung 2–3×) – belastbare, datierte DACH-Zahlen fehlen, die Werte stammen aus Anbieter- und Analystenquellen und sind als Richtung, nicht als Punktwert zu lesen.
• Die belastbare Architektur ist hybrid: BM25 für exakte Treffer, Vektorsuche für die Bedeutung, ein Reranker für die finale Reihenfolge. Reine Vektorsuche allein verliert bei Artikelnummern und Maßangaben.
• Semantische Suche läuft ohne Cookies und ohne Tracking, weil sie auf Produktdaten und der aktuellen Anfrage beruht – DSGVO-konform mit EU- oder lokalem Hosting.
• Sie ersetzt nicht die Datenpflege. Fehlt ein Attribut im Datensatz, findet auch die semantische Suche schwerer.

Was ist semantische Produktsuche?

Semantische Produktsuche ist eine Suche, die nach Bedeutung statt nach Zeichenketten arbeitet. Statt zu prüfen, ob das Suchwort buchstäblich im Produkttext steht, vergleicht sie, wie ähnlich sich die Bedeutung von Anfrage und Produkt sind. Dazu werden beide in numerische Vektoren übersetzt, und die Suche findet die Produkte, deren Vektor der Anfrage am nächsten liegt.

Praktisch heißt das: Die Suche findet „Akkuschrauber” auch bei der Eingabe „kabelloser Bohrschrauber”, und „Edelstahl” auch bei „rostfrei” oder „V2A”. Sie toleriert Tippfehler und Umschreibungen, weil sie nicht auf exakte Übereinstimmung angewiesen ist. Das ist derselbe Mechanismus, der hinter jedem belastbaren RAG-Wissenssystem mit eigenen Daten steht – nur angewandt auf den Produktkatalog statt auf Dokumente.

Warum No-Result-Seiten direkter Umsatzverlust sind

Eine ergebnislose Suche ist kein neutraler Moment, sondern ein Abbruchpunkt. Der Kunde hat eine klare Kaufabsicht formuliert, und der Shop antwortet mit einer leeren Seite. Im B2B wiegt das schwerer als im Konsumentenhandel, weil der Besteller meist genau weiß, was er braucht, und keine Lust hat, sich durch Kategorien zu klicken.

Wie groß der Hebel ist, lässt sich seriös nicht mit einer einzelnen Zahl belegen. Die kursierenden Werte – Suchnutzer konvertieren zwei- bis dreifach, die Suche trägt einen überproportionalen Umsatzanteil – stammen überwiegend aus Anbieter- und Analystenquellen (etwa Doofinder oder Forrester) und sind weder DACH-spezifisch noch sauber datiert. Sie taugen als Richtung, nicht als Versprechen. Die ehrliche Empfehlung lautet deshalb: Messen Sie Ihre eigene No-Result-Quote und Ihre Conversion-Differenz zwischen Suchenden und Klickenden. Diese zwei Zahlen sagen mehr über Ihr Potenzial als jede Benchmark.

Wie semantische Suche technisch funktioniert

Die robuste Lösung kombiniert drei Bausteine zu einer Pipeline, statt sich auf einen einzigen Mechanismus zu verlassen. So sieht der Ablauf aus, den wir in der Praxis aufsetzen:

1. Stichwortsuche (BM25). Die klassische Volltextsuche bleibt erhalten. Sie ist unschlagbar bei exakten Treffern: Artikelnummern, EAN, präzise Maße. Wer „M5x20” sucht, soll genau das bekommen.
2. Vektorsuche (Embeddings). Parallel werden Anfrage und Produkte als Vektoren verglichen. Dieser Pfad fängt alles ab, was BM25 verfehlt: Synonyme, Umschreibungen, Tippfehler, verwandte Begriffe.
3. Zusammenführung und Reranking. Beide Trefferlisten werden zusammengeführt, und ein Reranker bewertet die Kandidaten danach, wie gut sie wirklich zur Anfrage passen. Erst dieser Schritt bringt die Reihenfolge, die der Kunde als „die Suche versteht mich” erlebt.

Der entscheidende Punkt ist die Hybridisierung. Reine Vektorsuche wirkt in der Demo beeindruckend, fällt aber bei exakten B2B-Anfragen durch, weil sie ungefähre Nähe sucht, wo der Kunde Präzision braucht. Reine BM25 wiederum scheitert an der Sprachvielfalt des Sortiments. Die Kombination aus beidem, sortiert durch einen Reranker, ist die Architektur, die im Produktivbetrieb trägt. Die gleichen Fallstricke, die hier auftauchen – veraltete Daten, schlechte Treffer-Reihenfolge, deutsche Fachsprache –, behandelt der Beitrag Most RAG Problems Are Retrieval Problems ausführlich, weil Produktsuche und Retrieval dieselbe Disziplin sind.

Volltext gegen semantische Suche: der Unterschied in der Praxis

Den Unterschied merkt man nicht an der Technik, sondern an konkreten Anfragen. Die Volltextsuche findet, was wörtlich übereinstimmt; die semantische Suche findet, was gemeint ist. Drei Beispiele aus einem typischen Großhandelssortiment machen das greifbar:

• Synonym: „rostfrei” findet „V2A” und „Edelstahl A2” – obwohl kein Wort übereinstimmt.
• Umschreibung: „Schraube für draußen” führt zu witterungsbeständigen, verzinkten oder Edelstahl-Varianten, weil die Bedeutung „außenbeständig” verstanden wird.
• Tippfehler und Lieferantenkürzel: „Inbus 6kant” landet bei Innensechskantschrauben, auch wenn der Hersteller sie anders benennt.

Diese Robustheit hat eine Voraussetzung, die kein Modell ersetzt: gepflegte Produktdaten. Eine semantische Suche erfindet keine Eigenschaften. Steht das zentrale Attribut nirgends im Datensatz, findet auch sie den Artikel schwerer. Deshalb gehört vor jedes Suchprojekt der Blick auf den Artikelstamm als Engpass, und parallel die Frage, ob die Produkttexte mit KI überhaupt die Attribute tragen, nach denen Kunden suchen.

DSGVO und Self-Hosting

Semantische Suche ist datenschutzrechtlich unkritisch, solange die Modelle in der EU oder lokal laufen. Sie verarbeitet die Suchanfrage und die Produktdaten, nicht das Verhalten einer identifizierbaren Person. Es braucht keine Cookies, kein Profil und keine Einwilligung, damit die Suche funktioniert.

Das ist gerade für den Mittelstand relevant. Wer das Embedding-Modell selbst hostet oder einen EU-Anbieter nutzt, hält Suchanfragen und Katalog im eigenen Rechtsraum und vermeidet die Diskussion, ob Daten in ein Drittland fließen. Der größere rechtliche Aufwand entsteht erst dort, wo Suche in personenbezogene Personalisierung übergeht – das ist eine bewusste Entscheidung, kein Automatismus der Technik.

So führen Sie semantische Suche ein

Beginnen Sie nicht mit dem ganzen Katalog, sondern mit einer abgegrenzten Warengruppe und einer Baseline. Messen Sie zuerst, dann bauen Sie:

1. Baseline messen. No-Result-Quote und Conversion nach Suchnutzung über einige Wochen erfassen. Ohne diese Zahlen können Sie den Effekt später nicht belegen.
2. Warengruppe wählen. Eine Gruppe mit sauberen Daten und erkennbar vielen ergebnislosen Suchen. Dort ist der Hebel am größten und das Risiko am kleinsten.
3. Hybrid aufsetzen. BM25 behalten, Vektorsuche ergänzen, Reranker davorschalten. Nicht die alte Suche abschalten, sondern erweitern.
4. Im Schattenbetrieb vergleichen. Die neue Suche parallel laufen lassen und an echten Anfragen prüfen, wo sie besser trifft – und wo sie danebenliegt.
5. An den eigenen Zahlen entscheiden. Sinkt die No-Result-Quote und steigt die Conversion der Suchenden, skalieren Sie auf weitere Warengruppen.

Häufige Fragen

Was ist der Unterschied zwischen semantischer Suche und Volltextsuche? Die Volltextsuche gleicht Zeichenketten ab und findet ein Produkt nur, wenn das Suchwort im Text vorkommt. Die semantische Suche vergleicht die Bedeutung über Vektoren und findet auch Synonyme und Umschreibungen.

Brauche ich reine Vektorsuche oder eine Kombination? Fast immer die Kombination. Reine Vektorsuche verliert bei exakten Treffern wie Artikelnummern. Die belastbare Lösung ist hybrid: BM25, Vektorsuche und ein Reranker.

Funktioniert das ohne Cookies und DSGVO-konform? Ja. Semantische Suche arbeitet auf Produktdaten und der aktuellen Anfrage, nicht auf einem Personenprofil. Mit EU- oder lokalem Hosting verlässt nichts den eigenen Rechtsraum.

Wie misst man, ob es sich lohnt? Über No-Result-Quote und die Conversion-Differenz zwischen Suchenden und Klickenden, jeweils als Baseline vorher und danach.

Ersetzt die Suche die Datenpflege? Nein. Sie macht unscharfe Anfragen robuster, erfindet aber keine Attribute. Saubere Produktdaten bleiben die Voraussetzung.

Wo Sie anfangen

Die semantische Suche ist im B2B-Shop meist der erste Hebel, weil sich ihr Effekt am direktesten messen lässt. Den größeren Rahmen – Beratung, Empfehlung und Preis – ordnet der Pillar KI im B2B-Onlineshop ein; der eng verwandte Preis-Hebel mit seinen rechtlichen Grenzen steht im Beitrag zu Dynamic Pricing im Großhandel.

Wenn Sie wissen möchten, wie hoch Ihre No-Result-Quote tatsächlich ist und was eine hybride Suche daran ändern würde, sehen wir uns das in einem unverbindlichen Erstgespräch an Ihren Daten an.

Methodik: Recherche KI-gestützt, fachlich geprüft und faktengecheckt von Tobias Egner – mit Hintergrund aus Handel und KI-Engineering. Die genannten Conversion-Größenordnungen für Suchnutzer stammen aus Anbieter- und Analystenquellen (u. a. Doofinder, Forrester), sind weder DACH-spezifisch noch sauber datiert und bewusst als Richtungswert gekennzeichnet; die beschriebene hybride Retrieval-Architektur beruht auf eigener Umsetzungserfahrung. Stand: Juni 2026.