Open Source Search Engines im E-Commerce Einführung

Solr is the popular, blazing-fast, open source enterprise search platform built on Apache Lucene™.

Der Fokus dieser Engines liegt auf grundliegenden Funktionalitäten wie Import von Dokumenten, Analyse der Texte und Durchsuchen der Daten. Die Integration in bestehende Systeme – sowohl der Export der Daten in Richtung des Searchframeworks als auch die Darstellung der Ergebnisse – liegen in der Verantwortung des Betreibers.

Die Suchfunktion und Relevanzberechnungen sind bewusst sehr generisch gehalten, um möglichst breit einsetzbar zu sein. Ein Finetuning für spezielle Einsatzzwecke kann hierbei nicht geleistet werden. Auf der einen Seite müssen bei einem CMS längere Texte sinnvoll gewichtet werden, auf der anderen Seite ist in einem Online-Shop eine zuverlässige Suche nach Artikelnummern entscheidend.

Spezialisierte Suchanbieter können gezielt auf diese Bedürfnisse eingehen und fertige Lösungen liefern. Diese beinhalten bereits Schnittstellen für den Export der Daten aus bestehenden Systemen sowie die Integration der Suche und Ausgabe der Ergebnisse entsprechend dem Design der Seite. Auch ist die Relevanzberechnung natürlich bereits für den jeweiligen Einsatzzweck optimiert.

In einem direkten Vergleich zwischen Open Source Search Engines und FINDOLOGIC werden markante Unterschiede deutlich:

Open Source Engines in a nutshell:

Aus technischer Sicht sind für den Einsatz erhebliche Vorbereitungen und laufende Arbeiten nötig:

• Es müssen Server für den Betrieb installiert und gewartet werden, die Erreichbarkeit und Performance der Suche muss rund um die Uhr überwacht werden; bei entsprechendem Wachstum muss das System mit weiteren Servern skaliert werden
• Updates auf neue Versionen müssen manuell eingespielt werden, bei Sicherheitslücken muss dies sehr zeitnah passieren; jedes Update birgt die Gefahr eines Ausfalls der Suche mit entsprechenden Umsatzverlusten
• Der Import der Artikeldaten, die Anbindung an die Suche, die Darstellung der Ergebnisse und das Generieren von Reports muss manuell vorgenommen werden
• Die Suchlogik und Relevanzberechnung müssen an den jeweiligen Einsatzzweck angepasst und laufend optimiert werden, um auf veränderte Artikelbestände und wechselndes Benutzerverhalten einzugehen
• Das Anpassen der Relevanzberechnung birgt eine extrem große Gefahr, dass ein einzelnes Suchergebnis verbessert, aber viele andere unwissend verschlechtert werden

Eine kostenlose Weiterentwicklung über die Open Source Community: Damit ist zwar sichergestellt, dass der Code immer frei verfügbar sein wird und sich ausgeglichen weiterentwickelt, aber qualitativer, kommerzieller Support ist in diesem Umfeld schwierig zu erhalten, insbesondere wenn hierzu E-Commerce Erfahrung gewünscht bzw. vorausgesetzt wird.FINDOLOGIC als SaaS Anbieter hat sich diesen Anforderungen bereits angenommen und entlastet somit seine Kunden. Zur Integration der Suche reicht es, ein Javascript Snippet einzubinden – Hosting, Wartung, Updates und Skalierung werden von FINDOLOGIC übernommen.

FINDOLOGIC in a nutshell:

• Die Suche ist das Ergebnis von über 10 Jahren Erfahrung im Vertical E-Commerce und wurde genau auf diesen Zweck abgestimmt, die Suchlogik und Relevanzberechnung entsprechend auf eine Produktsuche optimiert
• Die Suche kann zusätzlich noch weiter pro Branche optimiert werden, so gibt es z.B. vorgefertigtes branchenspezifisches Vokabular und Synonyme
• Ohne Aufwand des Kunden ist FINDOLOGIC stets auf dem neuesten technischen Stand und erweiterte Product Discovery Features wie Navigation und Guided Shopping können von einem einzelnen Anbieter bezogen werden, was wiederum die Komplexität verringert
• Für viele Shopsysteme gibt es fertige Plugins, so dass die Integration nur wenige Klicks benötigt
• Für die Eigenintegration stehen standardisierte, speziell auf den E-Commerce-Kontext zugeschnittene Schnittstellen zur Verfügung
• Es stehen umfangreiche für den E-Commerce relevante Funktionen wie Produktfilter und Merchandising zur Verfügung
• FINDOLOGIC bietet von Haus aus Antwortzeiten im Bereich von Millisekunden
• Über eingebaute Reports können z.B. Suchbegriffe mit schwacher Conversion-Rate identifiziert und verbessert werden
• Es gibt bereits Schnittstellen zu Drittanbietern, z.B. um die Suchergebnisse zu personalisieren oder die Verwendung der Suche über Google Analytics zu tracken
• Eine Wissensdatenbank wird im Knowledge Layer spezifiziert und laufend seit 10 Jahren weiterentwickelt. Zudem wird hierin verhindert, dass einzelne Optimierungen sich negativ auf andere Suchanfragen auswirken
• Es gibt kommerziellen Support, Hilfe beim Finetuning der Suche und Trainings für die Mitarbeiter des Unternehmens

Kostenrahmen zu Open Source Projekten

Erfahrungsgemäß belaufen sich die Kosten einer eigenen, ernsthaften Implementierung von Open Source Search Engines für einen Online-Shop in etwa wie folgt:

• 3 Entwickler * 3 Monate = 180 Manntage zur Integration und Individualisierung = 45.000€ einmalig
• 1 Entwickler laufend = 250 Manntage / Jahr zur Wartung und Weiterentwicklung = 62.500€ jährlich
• 3 Entwickler * 1 Monat = 60 Manntage bei Versionsupdates und neuen Features = 15.000€ pro Update
• Enthalten sind hier Aufwände für den Export der Daten zum Open Source Searchframework, Einrichtung der benötigten Infrastruktur, Ausgabe der Ergebnisse und Filter im Shop sowie Testen und Finetuning der Relevanz.Diese Rechnung setzt bereits entsprechende Erfahrung mit Engines wie Elasticsearch oder Solr voraus, ansonsten ist ein solches Projekt aufgrund der Komplexität üblicherweise nicht kalkulierbar.
• Die auf den ersten Blick sehr hohen Kosten lassen sich anhand einfacher Beispiele verdeutlichen:
• Auch nach der erfolgten Implementierung muss die Engine permanent gewartet und weiterentwickelt werden, bei einer entsprechenden großen Installation ist hier mit einer Vollzeitstelle zu rechnen. Aufgrund der Komplexität ist das Verständnis der Suchergebnisse oft schwierig, das Finetuning erfordert viel Aufwand und Erfahrung. Dies führt dazu, dass oft nur Einzelfälle auf Kosten anderer Suchanfragen optimiert werden, so dass die Suche immer Schwächen aufweist.

Beispiel 1

Bei Eingabe bestimmter Keywords in der Suche („AGB“, „Versand“) soll auf die entsprechenden Content-Seiten weitergeleitet werden. Hierzu ist es nötig:

• Diese Funktionalität einzubauen
• Entsprechende Eingabemasken zu entwickeln, die auch von den Fachabteilungen benutzt werden können
• Die Mitarbeiter zu schulen
• Bei jeder Weiterentwicklung sicherstellen, dass das Feature funktionsfähig bleibt; dies muss geschehen, bevor die neue Version live geht, um Umsatzeinbußen zu vermeiden
• Der Aufwand ist somit bereits für ein kleines Feature recht hoch. In FINDOLOGIC ist dieses Feature bereits enthalten und wird von tausenden Benutzer regelmäßig verwendet, wodurch eine hohe Usability gewährleistet ist.

Beispiel 2

Um das Ranking der Ergebnisse zu bestimmen wird das Vorkommen der Suchworte unterschiedlich gewichtet. So ist ein Treffer im Titel üblicherweise wichtiger als ein Treffer in der Kategorie.

Je nach Qualität der Texte im Shop kann es daher nötig sein, die Gewichtungen anzupassen. Bei Technik-Shops ist dies z.B. oft der Fall, da ein Smartphone „Samsung Galaxy“ heißt (und in der Kategorie „Smartphone“ ist), ein Zubehör-Artikel dagegen „Smartphone Cover“. Bei der Suche nach „smartphone“ würde nun das Cover zuerst gefunden, da das Suchwort im Titel vorkommt. Ein erster Ansatz ist nun, die Kategorie höher zu gewichten. Was ist aber, wenn das Cover in der Kategorie „Smartphone Zubehör“ ist?

Dieses simple Beispiel zeigt bereits, wie komplex gutes Ranking innerhalb einer Suchfunktion ist. Die Folgen einer Änderung sind kaum abzusehen, da alle Suchanfragen betroffen sind, nicht nur die gerade betrachtete, und werden meistens erst durch Umsatzeinbußen sichtbar.

Um solche Verschlimmbesserungen zu vermeiden, helfen

• Erfahrungswerte der Entwickler
• Analyse des Benutzerverhaltens, um z.B. bei bestimmten Suchbegriffen einen Einbruch der Conversion Rate festzustellen
• Robuste Möglichkeiten zum Debugging von Suchanfragen, die auch für Fachabteilungen nachvollziehbar sind

Alle diese Gegenmittel erfordern viele finanzielle und personelle Ressourcen. Der Knowledge Layer von FINDOLOGIC dagegen deckt mit hunderten von Suchszenarien diese Fälle bereits ab und wird laufend erweitert, um auf Trends im E-Commerce zu reagieren. Auch in komplizierteren, individuellen Fällen stehen die Mitarbeiter von FINDOLOGIC zur Verfügung, die auf die Erfahrung von der Zusammenarbeit mit tausenden Shops zurückgreifen können.

Fazit

Open Source Search Engines bieten eine ebenso mächtige wie komplexe Basis für Suchen. Aufgrund der benötigten Erfahrung und schwierigen Kostenschätzung ist die Integration wirtschaftlich aber nur selten sinnvoll.

Für Großkonzerne, die die nötige Expertise im eigenen Haus bilden können, und Forschungsprojekte kann ein Einsatz u.U. Sinn machen.

In allen anderen Szenarien ist aber der Einsatz eines spezialisierten Anbieters für Suchlösungen zu bevorzugen, da sich das Unternehmen so auf seine Kernkompetenzen konzentrieren und von der Erfahrung des Suchanbieters profitieren kann.

Weiterhin können die Kosten aufgrund der deutlich verringerten Komplexität klar kalkuliert werden. Darüber hinaus führen spezialisierte Suchanbieter nachweislich zu einer Erhöhung der Conversion-Rate um bis zu 25%.

Auch wird Suche heutzutage oft als Funktion wahrgenommen, die „einfach funktionieren“ soll. Suche und Navigation sind aber die wesentlichen Touchpoints eines Besuchers im Shop sind, daher kann eine positive Erfahrung an diesen Stellen die Customer Experience wesentlich verbessern, die Kundenbindung erhöhen und so eine wesentliche Unterscheidung zur Konkurrenz bilden. Mit Unterstützung eines spezialisierten Anbieters kann diese positive Erfahrung erreicht werden.