Schluss mit Keyword-Raten – RAG-basierte Suche in Magento

Finden Kunden in einem Online-Shop nicht sofort, was sie suchen, sind sie schneller weg, als man „Conversion Rate“ sagen kann. 
Die Standard-Suche? Nett für Basics, aber überfordert, sobald Nutzer Produkte „umschreiben“.

Die Lösung: Eine RAG-basierte semantische Suche, die versteht, was Nutzer meinen, nicht was sie tippen. Kombiniert mit OpenAI und Pinecone wird aus deiner Magento-Suche ein echtes Verkaufswerkzeug statt eine Frustmaschine.

Der größte Unterschied zur herkömmlichen Suche ist, dass sie versucht zu verstehen, wonach Kunden tatsächlich suchen. Das macht die Suche deutlich flexibler und intuitiver. Semantische Suche konzentriert sich also auf Bedeutung und Nutzerintention, anstatt lediglich zu prüfen, ob ein Suchbegriff exakt in Produktnamen oder Beschreibungen vorkommt.

Wie genau ist das zu verstehen: Ein Kunde sucht z.B. nach „bequemen Schuhen für Langstreckenläufe“. Eine klassische Keyword-Suche scheitert schnell, wenn genau diese Formulierung nicht in den Produktdaten enthalten ist. Semantische Suche erkennt hingegen, dass "Langstreckenläufe" meist Marathon- oder Straßenlauf bedeutet und „bequem“ in diesem Kontext ein Hinweis auf gute Polsterung und Halt ist.

Auf Basis dieses Verständnisses liefert das System relevante Laufschuhe, selbst wenn die Produktbeschreibungen andere Begriffe verwenden. Das Kundenverständnis reduziert Suchabbrüche, erhöht die Treffergenauigkeit und ermöglicht Kunden, Produkte so zu finden, wie sie natürlich danach suchen.

Retrieval-Augmented Generation (RAG) ist ein KI-Pattern, das Suche und Textgenerierung miteinander kombiniert. Anstatt Antworten ausschließlich auf Basis seiner Trainingsdaten erzeugen zu lassen, stellt RAG sicher, dass die KI mit echten, aktuellen Daten aus deinem Magento-Shop arbeitet.

Der Ablauf ist klar strukturiert:
Zunächst werden über semantische Suche relevante Produkte oder Inhalte aus Magento abgerufen. Diese Ergebnisse werden anschließend an ein Sprachmodell übergeben, das daraus eine Antwort generiert.

Da das Modell ausschließlich mit den zuvor abgerufenen Magento-Daten arbeitet, sind die Ergebnisse präziser, nachvollziehbarer und deutlich verlässlicher.

In Magento lässt sich RAG unter anderem einsetzen, um Suchergebnisse zu erklären, passende Produkte zu empfehlen oder Kundenfragen natürlich und kontextbezogen zu beantworten.

Statt Keywords zu erraten, suchen Kunden so, wie sie denken und sprechen. Das spart Frust, fühlt sich intuitiv an und funktioniert besonders gut auf Mobile. Kunden sparen sich das  „Suchmaschinen-Bingo“ und auch technisch unversierte Nutzer kommen einfacher an ihr Wunschprodukt.

Aber auch für das Business zahlt es sich wortwörtlich aus. Bessere Treffer bedeuten schneller gefundene Produkte, längere Sessions und höhere Conversion Rates. Gleichzeitig kann RAG viele Standardfragen direkt über die Suche oder einen Chat beantworten. Das entlastet den Support, bevor überhaupt ein Ticket entsteht.

Kurz gesagt: Weniger Frust für Nutzer, mehr Umsatz fürs Business.

Im Kern funktioniert das System, indem es Magento-Inhalte zunächst in ein Format übersetzt, das Maschinen verstehen und vergleichen können. Produktbeschreibungen, CMS-Seiten und andere Inhalte werden in numerische Repräsentationen, sogenannte Embeddings, umgewandelt. Statt nur die Wörter zu begreifen, erfassen Embeddings die Bedeutung eines Textes.

Bei einer Suche wird auch die Anfrage in ein Embedding übersetzt und mit einer Vektor-Datenbank abgeglichen. Die relevantesten Treffer werden zurückgegeben und bei Bedarf von einem Sprachmodell zu einer verständlichen Antwort zusammengeführt.

Text wird somit zu Bedeutung und Bedeutung zu relevanten Ergebnissen.

Der erste technische Schritt: Textdaten aus Magento sammeln.
Dazu gehören Produktnamen, Beschreibungen, Attribute, Kategorietexte, CMS-Seiten und FAQ-Inhalte. Also kurz gesagt: Alles, was den Produkten Kontext und Bedeutung gibt.

Ziel ist es, so viel bedeutungsvolle Information wie möglich festzuhalten. Pro Produkt werden die relevanten Texte zu einem sauberen, strukturierten Textblock gebündelt. Es werden zum Beispiel Name, Beschreibung und zentrale Attribute zusammengeführt. Dieser Text bildet später die „Bedeutung“ des Produkts für die semantische Suche.

Wie immer gilt: Je besser diese Vorbereitung, desto besser die Ergebnisse. Denn auch die semantische Suche ist nur so gut wie die Texte, mit denen sie gefüttert wird.

Sind die Magento-Daten vorbereitet, geht es an den spannenden Teil: Embeddings erzeugen. Dafür werden die Texte an OpenAI übergeben, das daraus numerische Vektoren erstellt, welche die Bedeutung der Inhalte abbilden. Texte, die inhaltlich nah beieinanderliegen, liegen auch im Vektorraum dicht beisammen.

Genau darin liegt der große Vorteil. Das System vergleicht nun Bedeutung statt Begriffe. Jedes Produkt, jede CMS-Seite und jeder FAQ-Eintrag bekommt sein eigenes Embedding und wird für spätere Suchanfragen gespeichert. Neu berechnet werden diese Vektoren nur dann, wenn sich Inhalte ändern. Daraus ergibt sich ein effizientes System, welches selbst für große Produktkataloge gut geeignet ist.

Wurden die Embeddings erstellt, werden sie in Pinecone gespeichert. Pinecone ist eine speziell für schnelle und präzise Ähnlichkeitssuche entwickelte Vektor-Datenbank. Sie ermöglicht es dem System, in kürzester Zeit Inhalte zu finden, die semantisch zu einer Suchanfrage passen.

Neben den Embeddings speichert Pinecone auch Metadaten wie Produkt-IDs, SKUs oder Kategorien. Diese Informationen sind entscheidend, um Ergebnisse zu filtern und sauber mit Magento zu verknüpfen. Selbst bei sehr großen Datenmengen liefert Pinecone Ergebnisse in Millisekunden.

Suchen Kunden im Magento-Store, wird die Suchanfrage genauso behandelt wie die Produktdaten. Ihr Text wird in ein Embedding umgewandelt. Dieses Embedding landet bei Pinecone, wo es mit den gespeicherten Vektoren verglichen wird. Die Inhalte, deren Bedeutung der Suchanfrage am nächsten kommen, werden herausgesucht – schnell, präzise und unabhängig davon, welche Wörter konkret verwendet wurden.

Das System ruft die passenden Produkte oder Inhalte ab. Da die Suche auf Bedeutung statt auf Keywords basiert, sind die Ergebnisse in der Regel deutlich relevanter als bei klassischen Suchmechanismen und unabhängig von perfekt treffenden Formulierungen. Die Suche versteht, was gemeint ist und liefert genau das.

Verabschiede dich von der einfachen Produktauflistung. Sobald relevante Produkte oder Informationen erfasst wurden, wird die Information an ein Sprachmodell weitergegeben um eine natürliche Antwort für den Kunden zu erzeugen.

Für das Joggingschuh-Beispiel bedeutet dies: Das System zeigt nicht einfach nur eine Produktliste, sondern kann zusätzlich erklären, welches Produkt für das Marathon-Training am besten ist und wieso. Das schafft ein persönlicheres, interaktiveres Einkaufserlebnis und hilft Kunden, fundierte Entscheidungen zu treffen.

Egal ob KI-gesteuerte Suchzusammenfassungen, Chatbots und geführte Produktauswahl. Der Ansatz funktioniert überall, wo Suche mehr sein soll als Trefferlisten. Statt Listen gibt es echte Empfehlungen.

RAG-basierte semantische Suche hebt Magento auf ein neues Level.
Aus Keyword-Raten wird echtes Verstehen. Kunden suchen so, wie sie denken und bekommen, dank der Kombination von Magento-Daten, OpenAI-Sprachmodellen und Pinecone-Vektorsuche, relevante Ergebnisse und klare Erklärungen.

Das Ergebnis: Weniger Frust, bessere Entscheidungen und mehr Abschlüsse. Die Magento-Suche wird vom simplen Suchfeld zum intelligenten Einkaufsassistenten, der Nutzer begeistert und Business-Ziele ganz nebenbei mitzieht.

Kontaktiere uns, um mehr über die mögliche Einbindung der RAG-basierten semantischen Suche in deinem Magento-Shop zu erfahren.