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-Kunden erwarten, dass sie mit 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 stößt er 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.

Genau vor dieser Herausforderung stand einer der fünf größten Einzelhändler der Welt. Der Bestand bestand aus einer großen Auswahl an verschiedenen Produkten, aber nur einer begrenzten Anzahl von Produkten pro Typ. 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 sie es 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 Menge von Regeln kuratiert werden.

Für das bescheidene Suchteam des Einzelhändlers wurde die Pflege dieses komplexen Regelwerks sehr arbeitsintensiv. Für die Kunden führte die Suche oft zu wenig relevanten oder gar keinen Ergebnissen, was zu Frustration und hohen Absprungraten führte. Und 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-Anfragen auflösen, die Relevanz verbessern und den Aufwand für die manuelle Kuratierung reduzieren würde. 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. Anders als bei der herkömmlichen Suche nach Schlüsselwörtern lernt Never Null aus dem Kundenverhalten, um Suchanfragen mit Produkten zu verknüpfen, die einen ähnlichen Zweck erfüllen - auch 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 auf der Grundlage der semantischen Bedeutung und nicht nur auf der Grundlage von Schlüsselwörtern liefern kann, wodurch die Zahl der „Kein-Ergebnis“-Szenarien drastisch reduziert wird.

Für das Suchteam des Einzelhändlers bedeutete dies die Befreiung von der sich wiederholenden Aufgabe, Ergebnisse zu analysieren und manuell Regeln zu erstellen. Das fortschrittliche maschinelle Lernen des Systems lieferte automatisch relevante Ergebnisse für anspruchsvolle Suchanfragen, 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 wirkliche Test fand während der Cyber Five statt - dem fünftägigen Zeitraum zwischen Thanksgiving und Cyber Monday, der intensivsten Zeit für Online-Einkäufe im Einzelhandel. 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, als das Engagement von einem Tagesdurchschnitt von 15 % vor der Veranstaltung auf 31 % während der Cyber Five anstieg. Die Out-of-the-Box-Modelle von Never Null zeigten selbst bei neuen Käufern ohne Signalhistorie eine beeindruckende Leistung, 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, verfügt der Einzelhändler jetzt über eine Lösung, die sich mit den Bedürfnissen seiner Kunden weiterentwickelt. Da das System in der Lage ist, die Absicht der Kunden zu verstehen und nicht nur die Schlüsselwörter, entdecken die Kunden relevantere Produkte - unabhängig davon, ob sie nach dem genauen Namen fragen oder nicht.

Für einen Einzelhändler mit einer großen Auswahl, aber einer begrenzten 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 deutlich höherer Zahl ab.

Der Erfolg zeigt eine grundlegende Wahrheit in der heutigen digitalen Einzelhandelslandschaft: Die Suche ist nicht nur ein Dienstprogramm, sondern ein entscheidender Umsatztreiber, der eine hochentwickelte 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.