KUNDENGESCHICHTEDer Einsatz von KI zur Beseitigung von Such-Sackgassen für einen der fünf größten Einzelhändler der Welt.

Wie einer der fünf größten Einzelhändler der Welt die KI-gestützte semantische Vektorsuche einsetzt, um die Zahl der Null-Ergebnisse drastisch zu reduzieren und den Umsatz zu steigern.

Das Hindernis der Customer Journey

Online-Käufer erwarten, dass sie mit der Technologie in natürlicher Sprache interagieren, indem sie Fragen tippen oder sprechen, so wie sie einem Freund Fragen stellen würden. Wenn ein Kunde auf eine Website kommt und nach etwas sucht, erwartet er Ergebnisse, die seiner Absicht entsprechen – und nicht nur seinen genauen Worten.

Aber was passiert, wenn ein Kunde nach einer bestimmten Marke sucht, die Sie nicht führen? Allzu oft stoßen sie auf die gefürchtete Meldung „keine Ergebnisse gefunden“ – eine entscheidende Sackgasse in der Customer Journey. In Wirklichkeit haben Sie vielleicht genau das, was der Kunde braucht, nur unter einer anderen Marke oder Beschreibung. Wenn Ihre Suchmaschine nicht intelligent genug ist, um das Problem hinter der Anfrage zu verstehen, gehen wertvolle Verbindungen – und Verkäufe – verloren.

Dies war genau die Herausforderung, vor der einer der fünf größten Einzelhändler der Welt stand. Ihr Inventar bestand aus einer großen Auswahl verschiedener Produkte, aber nur aus einer begrenzten Anzahl von Produkten pro Art. Die herkömmliche Suche nach Schlüsselwörtern führte zu zahllosen Suchanfragen, die keine Ergebnisse lieferten, und wie man so schön sagt: Wenn die Kunden es nicht finden können, können sie es auch nicht kaufen.

Die Grenzen der manuellen Kuratierung

Der Einzelhändler hatte zuvor seine Produktkatalogsuche von Endeca auf Apache Solr migriert, aber die Implementierung replizierte im Wesentlichen das alte System, anstatt dessen Fähigkeiten zu verbessern. Ohne maschinelles Lernen mussten die Suchergebnisse manuell durch eine ständig wachsende Anzahl von Regeln kuratiert werden.

Für das bescheidene Suchteam des Einzelhändlers wurde die Pflege dieses komplexen Geflechts von Regeln sehr arbeitsintensiv. Für die Kunden führte dies oft zu einer geringen Relevanz der Ergebnisse oder zu gar keinen Ergebnissen, was zu Frustration und hohen Absprungraten führte. Für das Unternehmen bedeutete dies hohe Betriebskosten und erhebliche Umsatzeinbußen.

Anstatt wichtige Zeit der Mitarbeiter zu verschwenden, um intern zu Suchexperten zu werden, suchte das Einzelhandelsunternehmen nach spezialisierten Partnern, die eine hochskalierbare Suchlösung implementieren und verwalten konnten, die Null-Ergebnis-Suchanfragen auflöst, die Relevanz verbessert und den Aufwand für die manuelle Kuration reduziert. Mit seinem Fundament in Solr, seiner Erfolgsbilanz bei der Verbesserung der Produktsuche im Einzelhandel und seiner KI-gestützten Plattform war Lucidworks die perfekte Wahl.

Diagnose der Fehlerpunkte bei der Suche

Lucidworks identifizierte mehrere Abfragetypen, die auf der Website des Einzelhändlers keine Ergebnisse lieferten:

• Marken oder Artikel, die nicht in ihrem Bestand sind
• Artikel mit hoher Nachfrage, deren Bestand häufig schwankte
• Nur im Geschäft erhältliche Artikel erscheinen nicht in der Online-Suche
• Unstimmigkeiten im Wortschatz einschließlich:
  • Long-Tail-Abfragen („wetterfeste, mit Fleece gefütterte Hosen“)
  • Thematische Abfragen („warme Jacken“)
  • Symptomabfragen („trockener Husten, saurer Reflux“)
  • Rechtschreibfehler
  • Genaue Abfragen wie Produktmodellnummern

Die Lösung Never Null

Um diese Herausforderungen zu meistern, hat Lucidworks die semantische Vektorsuche mit einem proprietären Deep-Learning-Encoder namens Never Null eingesetzt. Im Gegensatz zum herkömmlichen Keyword-Matching lernt Never Null aus dem Kundenverhalten, um Suchanfragen mit Produkten zu verknüpfen, die einen ähnlichen Zweck erfüllen – selbst wenn die genauen Begriffe nicht übereinstimmen.

Das System verwendet Verhaltenssignale, um Suchmodelle zu trainieren und die Ergebnisse kontinuierlich zu verbessern. Das bedeutet, dass das Suchfeld Ergebnisse liefern kann, die auf der semantischen Bedeutung und nicht auf dem einfachen Abgleich von Schlüsselwörtern beruhen, was die Zahl der Fälle, in denen keine Ergebnisse erzielt werden, drastisch reduziert.

Für das Suchteam des Einzelhändlers bedeutete dies die Befreiung von der sich wiederholenden Aufgabe der Analyse der Ergebnisse und der manuellen Erstellung von Regeln. Das fortschrittliche maschinelle Lernen des Systems lieferte automatisch relevante Ergebnisse für anspruchsvolle Abfragen, so dass sich das Team auf strategischere Initiativen konzentrieren konnte.

Durch die Erweiterung der gesuchten Felder und das Verständnis semantischer Zusammenhänge konnte das Produktsortiment des Einzelhändlers in den Suchergebnissen erheblich erweitert werden, was zu einer Steigerung des Engagements, der Konversionen und des durchschnittlichen Bestellwerts (AOV) führte.

Der ultimative Test für die KI

Der wahre Test fand während der Cyber Five statt – dem fünftägigen Zeitraum zwischen Thanksgiving und Cyber Monday, der intensivsten Online-Einkaufszeit des Einzelhandels. Als der typische morgendliche Durchschnitt von 250 Abfragen pro Sekunde auf 1.250 QPS anstieg, konnte das System seine Leistung beibehalten und 99% der Anfragen in nur 100-300 Millisekunden verarbeiten.

Die Bedeutung der Suche wurde sogar noch deutlicher, da das Engagement von einem täglichen Durchschnitt von 15% vor der Veranstaltung auf 31% während der Cyber Five anstieg. Die Out-of-the-Box-Modelle von Never Null haben selbst bei neuen Kunden ohne Signalhistorie eine beeindruckende Leistung gezeigt, so dass sie sich wie vertraute Kunden fühlten.

Während des fünftägigen Zeitraums bearbeitete das System erstaunliche 680 Millionen Suchanfragen ohne einen einzigen Ausfall. Die Ergebnisse waren bemerkenswert:

• Null-Anfragen um 91% im Vergleich zum Vorjahr reduziert
• Suchbeeinflusste Aufträge um 30% gestiegen
• Der durch die Suche beeinflusste Auftragswert stieg um 28%.

Über die unmittelbaren Gewinne hinaus

Da Never Null weiterhin aus den Signalen des Kundenverhaltens lernt, hat der Einzelhändler nun eine Lösung, die sich mit den Bedürfnissen seiner Kunden weiterentwickelt. Da das System in der Lage ist, die Absicht des Kunden zu verstehen und nicht nur die Schlüsselwörter, entdecken die Kunden relevantere Produkte – unabhängig davon, ob sie mit dem genauen Namen danach fragen oder nicht.

Für einen Einzelhändler mit einer großen Auswahl, aber begrenzter Vielfalt in jeder Kategorie, hat dieses semantische Verständnis das Kundenerlebnis von einer Frustration zu einer Entdeckung gemacht. Die Kunden stoßen nicht mehr auf Sackgassen, sondern finden, was sie brauchen, füllen ihre Warenkörbe und schließen ihre Einkäufe in wesentlich höherem Maße ab.

Der Erfolg zeigt eine grundlegende Wahrheit in der heutigen digitalen Einzelhandelslandschaft: Die Suche ist nicht nur ein Hilfsmittel, sondern ein wichtiger Umsatzträger, der eine ausgefeilte KI erfordert, um die Absichten der Kunden wirklich zu verstehen und zu bedienen. Durch die Investition in semantische Suchtechnologie hat dieser Top-Fünf-Einzelhändler nicht nur die gefürchtete Meldung „keine Ergebnisse“ beseitigt, sondern auch eine Grundlage für kontinuierliches Wachstum und Kundenzufriedenheit geschaffen.

Durch den Einsatz der semantischen Vektorsuche mit der Never-Null-Technologie konnte einer der fünf größten Einzelhändler der Welt sein digitales Sucherlebnis während der geschäftigsten Zeit des Jahres umgestalten. Er verarbeitete 680 Millionen Suchanfragen ohne einen einzigen Ausfall und verringerte die Zahl der Anfragen mit Null-Ergebnissen um 91 % – ein Beweis dafür, dass im modernen Einzelhandel der Unterschied zwischen einem Absprung und einem Kauf oft darauf beruht, dass man versteht, was die Kunden wirklich wollen, und nicht nur, was sie sagen.