Multi-Tier Search für E-Commerce: Schluss mit Poor Recall durch gouvernierte Mehr-Ebenen-Retrieval-Strategien

🔗 Serie: Governed Search Patterns – Teil 4: Elasticsearch Percolator für Policy-Driven Search Governance ← aktuell: Teil 5 → Teil 6: Personalisierte E-Commerce-Suche mit Kaufhistorie und User Cohorts

Semantische Suche ist großartig – aber sie allein rettet nicht den E-Commerce. Denn während Algorithmen Bedeutungen verstehen, bleiben stabile UI-Elemente wie Facetten und Paginierung oft auf der Strecke. Die Lösung: ein mehrstufiger Retrieval-Ansatz, der semantische Tiefe mit bewährter Shop-Funktionalität verbindet.

Jeder E-Commerce-Manager kennt das Szenario: Ein Kunde sucht nach „roten Sneakern“. Die semantische Suche versteht die Absicht – und liefert 200 Ergebnisse. Darunter sind rote Sneaker, aber auch rot-blaue und Sneaker-ähnliche Schuhe in anderen Farben. Die Facette „Farbe: Rot“ zeigt 150 Treffer an. Doch zwischen den Seiten der Paginierung gehen die wirklich relevanten Produkte verloren.

Das Problem heißt Poor Recall – zu viele irrelevante Ergebnisse, die die wirklich passenden Treffer überlagern. Besonders kritisch wird es, wenn:

• Semantische Ähnlichkeiten die exakte Übereinstimmung verwässern
• Facetten zwar viele Produkte zeigen, aber die gefundenen Treffer falsch aggregieren
• Paginierung und Sortierung inkonsistente Ergebnisse über mehrere Seiten liefern

Multi-Tier Retrieval: Die governed Lösung für stabilen Recall

Ein Multi-Tier-Ansatz unterteilt die Suche in mehrere, klar getrennte Retrieval-Phasen. Jede Phase hat eine spezifische Aufgabe und wird durch die Control Plane gesteuert – genau wie in den vorherigen Teilen dieser Serie beschrieben.

Tier 1: Präzises exaktes Matching

Die erste Stufe nutzt boolesche Filter und exakte Keyword-Matches. Sie stellt sicher, dass grundlegende Shop-Funktionen wie Facetten und Paginierung stabil funktionieren. Wer nach „Größe 42″ sucht, soll ausschließlich Produkte dieser Größe sehen – keine semantisch ähnlichen Alternativen.

Tier 2: Semantische Erweiterung

Die zweite Stufe reichert die Ergebnisse mit semantischen Ähnlichkeiten an – aber nur innerhalb des durch Tier 1 gesteckten Rahmens. So werden relevante Alternativen wie ähnliche Modelle oder ergänzende Produkte gefunden, ohne die Filterlogik zu verlassen.

Tier 3: Kontextuelles Boosting & Personalisierung

Die dritte Stufe boostet basierend auf Geschäftslogik: Marge, Popularität, saisonale Relevanz oder Kundensegment (mehr dazu in den Teilen 6 und 7 dieser Serie). Diese Regeln werden durch den Elasticsearch Percolator aus Teil 4 gesteuert.

Warum dieser Ansatz Poor Recall behebt

Der entscheidende Vorteil: Jede Tier hat einen klar definierten Einflussbereich. Die exakte Suche in Tier 1 liefert stabile Facetten und konsistente Paginierung. Die semantische Suche in Tier 2 operiert innerhalb dieses Rahmens. Das verhindert, dass semantische Ähnlichkeiten die Kern-Strukturen der Shop-UI aufweichen.

Konkret bedeutet das:

• Facetten bleiben stabil: Ein Filter auf „Farbe: Blau“ zeigt auch nach der semantischen Erweiterung nur blaue Produkte
• Paginierung wird konsistent: Seite 1, 2 und 3 folgen einer logischen Reihenfolge, die sich nicht durch semantische Streuung verschiebt
• Recall verbessert sich: Mehr relevante Produkte werden gefunden, ohne dass irrelevante Ergebnisse die Liste überfluten
• Governance bleibt intakt: Alle Regeln der Control Plane gelten für alle Tiers gleichermaßen

Technische Umsetzung mit Elasticsearch

Die Multi-Tier-Architektur lässt sich mit Elasticsearch über verschachtelte Queries und Rescore-Funktionen abbilden:

{
  "query": {
    "bool": {
      "must": [
        { "term": { "category": "schuhe" } },
        { "term": { "farbe": "rot" } }
      ]
    }
  },
  "rescore": {
    "window_size": 100,
    "query": {
      "rescore_query": {
        "more_like_this": {
          "fields": ["name", "beschreibung"],
          "like": "rote Sneaker",
          "min_term_freq": 1
        }
      },
      "query_weight": 0.7,
      "rescore_query_weight": 0.3
    }
  }
}

Erklärung: Der bool-Query (Tier 1) stellt exakte Übereinstimmungen sicher, während der rescore (Tier 2) semantische Ähnlichkeiten innerhalb der gefilterten Ergebnisse gewichtet. Das dritte Tier (Boosting nach Marge, Popularität etc.) wird durch die Control Plane als zusätzlicher Weight-Faktor hinzugefügt.

Wie Cybereiche Multi-Tier-Suche für E-Commerce realisiert

Die Implementierung einer Multi-Tier-Architektur erfordert fundierte Kenntnisse der Elasticsearch-Query-Mechanik und der spezifischen E-Commerce-Anforderungen. Falsch konfigurierte Rescore-Fenster oder falsche Weightings können die Suchergebnisse verschlechtern statt verbessern.

Die Experten von Cybereiche haben umfangreiche Erfahrung im Aufbau mehrstufiger Retrieval-Systeme für Online-Shops. Ob die Integration von semantischen Rescore-Strategien, die Anbindung an RAG-Pipelines für kontextuelles Verständnis oder die Kombination mit KI-Chatbot-Lösungen für interaktive Produktsuche – Cybereiche liefert die passende Architektur für jedes Anforderungsprofil.

Fazit – und wie Sie Cybereiche kontaktieren

Multi-Tier Search ist der Schlüssel zu stabilen, gouvernierten Suchergebnissen im E-Commerce. Durch die klare Trennung von exaktem Matching, semantischer Erweiterung und geschäftslogischem Boosting werden sowohl Recall als auch Nutzererfahrung verbessert – ohne die bewährten Shop-UI-Elemente zu beeinträchtigen.

Semantische Tiefe und stabile Facetten müssen kein Widerspruch sein – mit der richtigen Multi-Tier-Architektur nicht.

Haben Sie Fragen zur Optimierung Ihrer E-Commerce-Suche? Die Experten von Cybereiche beraten Sie gerne – von der Analyse Ihrer aktuellen Retrieval-Performance bis zur produktiven Umsetzung einer Multi-Tier-Architektur. Vereinbaren Sie ein unverbindliches Gespräch und erfahren Sie, wie Sie Poor Recall in Ihrem Shop nachhaltig beheben.