Suchanalytik im Shop: was Sie protokollieren und welche Null-Treffer-Fixes zuerst kommen

Die meisten Shops protokollieren, dass eine Suche stattgefunden hat. Deutlich weniger protokollieren, ob sie funktioniert hat. Die Messung, die das leistet, ist eine Schleife: Jede Suche schreibt ein Ereignis mit Suchbegriff, Filtern, Trefferzahl und einem Verknüpfungsschlüssel; jeder Klick schreibt ein Folgeereignis, das auf diesen Schlüssel zeigt; und einmal pro Woche liest jemand die Anfragen, die nichts lieferten oder nicht angeklickt wurden, und macht daraus eine Maßnahme. Dieser Artikel beschreibt diese Schleife: das Ereignisschema, fünf Kennzahlen mit Definitionen und ersten Maßnahmen, eine Korrektur des Positionsbias, eine Methode zur Gruppierung von Fehlschlägen und die Grenzen dessen, was Sie erheben sollten.

Die Schleife ersetzt keine Retrieval-Arbeit. Matching, Query-Umformulierung und ein sauberer Katalog bestimmen, was eine Suche finden kann; semantische Produktsuche im B2B behandelt diese Seite. Die Analytik zeigt, welche dieser Probleme Kunden tatsächlich treffen. Die Kennzahlendefinitionen unten folgen der Dokumentation von Algolia zu seinem Analytics-Produkt, und die Ereignisform folgt der offenen User Behavior Insights (UBI) Spezifikation, sodass das Design nicht an einem Anbieter hängt.

Was sollten Sie zuerst beheben?

Schließen Sie zuerst die Lücken beim Protokollieren, dann die Null-Treffer-Anfragen, dann die Suchen ohne Klick und erst danach das Ranking. Jede andere Zahl ist nur so gut wie die Ereignisse dahinter, deshalb kommt das Protokollieren zuerst. Null-Treffer-Anfragen folgen, weil sie die günstigsten Fehler zum Finden sind und viele Wortschatzlücken mit bekannter Lösung darstellen. In den ersten zwei Wochen einer nachträglichen Einführung ist das Ziel kein Dashboard. Das Ziel ist eine vollständige Woche Ereignisse, die Sie exportieren, lesen und auswerten können.

Eine praktikable Reihenfolge für einen Shop ohne Suchanalytik sieht so aus. Ergänzen Sie ein Suchereignis und ein Klickereignis, die eine query_id teilen. Exportieren Sie eine Woche Null-Treffer-Anfragen und lesen Sie sie von Hand. Setzen Sie drei bis fünf Synonym- oder Weiterleitungsfixes um. Ergänzen Sie die Ansicht ohne Klick. Starten Sie ein Experiment erst, wenn die Baseline einige Wochen stabil war. Jeder Schritt ist für sich nützlich, daher muss die vollständige Instrumentierung nicht fertig sein, bevor Sie etwas lernen.

Wann führt Suchanalytik in die Irre?

Suchanalytik führt in die Irre, wenn der Traffic zu dünn ist, um einen Unterschied zu zeigen, wenn eine einzelne Quote als Urteil gelesen wird, wenn Saisonalität ignoriert wird und wenn einige wiederkehrende Fachhändler mit allen anderen gemittelt werden. Jeder dieser Punkte ist in B2B-Shops üblich, in denen eine kleine Kundengruppe oft den größten Teil der Suchen ausführt, mit Artikelnummern und gespeicherten Warenkörben.

• Zu wenig Traffic. Eine Änderung, die eine Quote um wenige Punkte bewegt, braucht pro Variante genug Suchen, bevor das Ergebnis etwas bedeutet. Bei einer Kategorie mit einigen hundert Suchen pro Woche rechnen Sie in Wochen statt in Tagen und akzeptieren Sie, dass manche Fragen offen bleiben.
• Klickrate als Urteil. Ein Klick zeigt Interesse, nicht Erfolg. Ein Kunde, der das erste Ergebnis anklickt, das falsche Teil sieht und geht, hat einen Klick und eine gescheiterte Suche erzeugt.
• Saisonalität. Null-Treffer-Quoten bei saisonaler Ware oder Ersatzteilen bewegen sich mit dem Kalender. Vergleichen Sie also dieselben Wochen im Jahresvergleich oder Gleiches mit Gleichem, nicht die letzte Woche mit einer ruhigen.
• Verzerrung durch B2B-Traffic. Wiederkehrende Kunden, die nach Artikelnummer suchen, können die Durchschnitte dominieren. Wo Ihre Daten es erlauben, segmentieren Sie nach Kontotyp, bevor Sie eine Quote als shopweites Ergebnis lesen.
• Protokolle, die Sie nicht führen sollten. Manche Felder helfen der Schleife nicht und erhöhen das rechtliche Risiko. Der Abschnitt zum Datenschutz erklärt, welche Sie weglassen sollten.

Was sollte ein Suchereignis enthalten?

Ein Suchereignis hält die Anfrage und den Kontext fest, in dem sie lief. Separate Ereignisse halten fest, was der Kunde danach getan hat, und beide werden über eine query_id verbunden, die der Suchdienst mit jeder Antwort zurückgibt. Die UBI-Spezifikation nennt die Felder, die ein Suchprotokoll verknüpfbar machen: query_id, den Suchtext, Filter, Seite, eine client_id, die beim Wechsel von anonym zu angemeldet stabil bleibt, die Position bei Klickereignissen und die Objektkennung wie eine Artikelnummer. Die UBI-Spezifikation verwendet als Beispiel einen Artikelklick auf eine Artikelnummer. Eine Skizze der beiden Ereignisse für einen Shop sieht so aus:

// search event
{
  "query_id": "3f9c0b7e-6d2a-4c1e-9a55-2b8f1d7e4a10",
  "client_id": "c-7b1e44",
  "user_query": { "query": "m8x25 hex bolt a2" },
  "filter": ["in_stock:true"],
  "page": 1,
  "result_count": 0
}

// click event, same query_id
{
  "query_id": "3f9c0b7e-6d2a-4c1e-9a55-2b8f1d7e4a10",
  "client_id": "c-7b1e44",
  "event_attributes": { "position": 3 },
  "object": { "object_id": "SKU-100234", "object_id_field": "sku" }
}

Die query_id und die client_id tragen das System. Ohne sie können Sie einen Klick nicht der Suche zuordnen, die ihn ausgelöst hat, und nicht erkennen, ob ein Kunde dieselbe Frage verfeinert hat. Die Felder Filter und Seite zeigen, ob eine Null-Treffer-Suche überfiltert war, was oft das eigentliche Problem ist. Die Position macht die Klickdaten für die Bias-Korrektur weiter unten in diesem Artikel brauchbar. Speichern Sie die beiden Ereignistypen in getrennten Tabellen und halten Sie den rohen Suchtext in einer eigenen Spalte, damit er nach Zeitplan gelöscht werden kann, ohne die Aggregate zu verlieren.

Welche fünf Kennzahlen sollten Sie verfolgen?

Fünf Kennzahlen decken den größten Teil der Schleife ab. Die Definitionen folgen dem Wortlaut der Hersteller, damit sich Ihre Zahlen mit der Dokumentation vergleichen lassen, und jede Zeile nennt das Ereignisfeld dahinter, damit sich eine sich bewegende Zahl auf ihre Ereignisse zurückführen lässt. Die Konzepte der Algolia-Analytik führen dieselbe Familie von Ansichten auf, einschließlich Suchen ohne Ergebnis und Suchen ohne Klick, und dort beginnt die wöchentliche Prüfung.

Bei den Zielwerten ist die öffentliche Evidenz dünn. Der einzige Richtwert hier ist eine Herstelleraussage von Hello Retail vom Februar 2026, die die durchschnittliche Null-Treffer-Quote auf 10 bis 15 % der Suchen und ein Ziel unter 5 % ansetzt. Es ist ein Blogbeitrag des Herstellers, keine Studie, also verwenden Sie ihn als Linie zum Prüfen, nicht als Ziel. Für Klick- und Nicht-Klick-Quoten gibt es keinen verlässlichen öffentlichen Durchschnitt. Legen Sie Ihre eigene Baseline aus vier bis sechs Wochen Protokollen fest und ändern Sie sie erst, wenn eine Änderung getestet wurde.

Warum täuscht die rohe Klickrate nach Position?

Die rohe Klickposition beschreibt vor allem, wo Ergebnisse standen, nicht wie gut sie waren. Kunden klicken das oberste Ergebnis häufiger an, weil es oben steht. Das WSDM-2018-Paper von Google zum Positionsbias hält fest, dass diese Propensities durch Randomisierung der Ergebnisse zu schätzen „nicht erwünscht [ist], weil Ergebnisrandomisierung das Sucherlebnis der Nutzer negativ beeinflussen kann“, und schlägt stattdessen vor, sie aus regulären Klickdaten zu schätzen (Google Research).

Die SPIRE-2019-Arbeit von eBay geht weiter und schätzt Klick-Propensities direkt aus E-Commerce-Paaren aus Anfrage und Dokument, die auf unterschiedlichen Rängen erscheinen, ohne Live-Eingriff und ohne Relevanzmodell, bis Rang 500 (arXiv). Die meisten Shops werden das nicht bauen. Die praktische Regel ist einfacher: Lesen Sie kein Diagramm der Klickrate nach Position als Relevanzdiagramm. Nutzen Sie es, um zu sehen, wo sich Klicks konzentrieren, und bewerten Sie Ranking-Änderungen mit einer Methode, die nicht von der Positionskurve abhängt.

Interleaving ist diese Methode. Sie mischt die Ergebnisse zweier Ranker in eine Liste und rechnet jeden Klick dem Ranker zu, der das angeklickte Ergebnis geliefert hat. Chapelle, Joachims, Radlinski und Yue berichteten, dass Interleaving die Zahl der benötigten Anfragen gegenüber klickbasierten Signalen um mehr als eine Größenordnung senkte und dass ein bewertetes Paar aus Anfrage und Dokument etwa so viel Empfindlichkeit lieferte wie ein oder zwei Anfragen mit Klicks (Chapelle et al., TOIS 2012). Ein klassischer A/B-Test beantwortet weiterhin Geschäftsfragen wie Conversion und Umsatz und ist das richtige Werkzeug für große Änderungen. Bei Ranking-Änderungen kommt Interleaving mit deutlich weniger Traffic zu einer Antwort.

Wie gruppieren Sie Null-Treffer-Anfragen?

Gruppieren Sie in Stufen, die günstigste zuerst. Regeln fangen die offensichtlichen Fälle, etwa einen falsch geschriebenen Markennamen oder ein Fragment einer Artikelnummer. Normalisierung erledigt Groß- und Kleinschreibung, Trennzeichen, Einheitenschreibweisen und Pluralformen. Was übrig bleibt, geht durch ein Embedding-Modell und einen Clustering-Schritt. BERTopic beschreibt das Standardrezept: die Dokumente mit einem vortrainierten Transformer einbetten, die Einbettungen clustern und die Themen mit klassenbasiertem TF-IDF benennen (arXiv). Ein Sprachmodell benennt danach jeden Cluster und ordnet ihm ein Label zu.

Das Label-Vokabular ist wichtiger als die Werkzeuge. Der Shopping Queries Dataset von Amazon bewertet Paare aus Anfrage und Produkt als Exact, Substitute, Complement oder Irrelevant. Er umfasst rund 130.000 eindeutige Anfragen und 2,6 Millionen manuelle Bewertungen auf Englisch, Japanisch und Spanisch und wurde für den KDD Cup 2022 veröffentlicht (arXiv). Die Daten brauchen Sie nicht, um das Vokabular zu übernehmen. Für die Sichtung lässt sich ein Null-Treffer-Cluster meist einer von drei Lücken zuordnen: einer Katalogslücke, wenn das Produkt nicht im Shop ist; einer Wortschatzlücke, wenn das Produkt unter anderen Worten existiert; oder einer Absichtslücke, wenn der Kunde etwas verlangt, das der Shop nicht als Produkt fasst, etwa eine Kompatibilitätsfrage.

Der Benennungsschritt ist absichtlich günstig. Er sieht Clusternamen und einige Beispielanfragen statt jeder Suche, daher folgen seine Kosten der Größe der Clusterzusammenfassung und nicht dem Traffic des Shops. Wenn der Wochenexport nur einige Dutzend verschiedene Null-Treffer-Anfragen enthält, lesen Sie sie von Hand. Clustering lohnt sich, wenn die Liste lang ist.

Wie sieht die wöchentliche Prüfung aus?

Die Schleife läuft einmal pro Woche und endet mit einer Änderung. Exportieren Sie die Null-Treffer- und Nicht-Klick-Anfragen der Woche. Clustern und benennen Sie sie. Entscheiden Sie, welche Lücke jeder Cluster darstellt. Setzen Sie eine Maßnahme um, tragen Sie sie in ein Änderungsprotokoll ein und messen Sie die folgende Woche, oder testen Sie die Maßnahme, wenn sie riskant ist. Wenn Sie die Schleife mit jeweils einer Änderung schließen, bleibt die Zurechnung sauber.

Die Maßnahmen fallen in vier Gruppen, und die Lücke entscheidet, welche Sie wählen.

• Synonym für eine Wortschatzlücke. Der dokumentierte Ablauf von Algolia beginnt bei der Suchanalytik und ergänzt Synonyme verschiedener Art: reguläre, einseitige, alternative Korrekturen und Platzhalter. Synonyme wirken nicht kaskadierend, und die Dokumentation warnt davor, sie zu überstrapazieren (Algolia).
• Weiterleitung für eine Anfrage mit einem klaren Ziel, etwa eine Kategorieseite oder eine Kampagnen-Landingpage.
• Boost oder Anheften für ein Produkt, das die Anfrage bereits trifft, aber unter schwächeren Ergebnissen rangiert.
• Datenkorrektur für eine Katalogslücke. Wenn das Produkt existiert, aber Name oder Attribute nicht das Wort tragen, das der Kunde benutzt hat, gehört die Korrektur dem Katalogverantwortlichen. Datenqualität im Katalog beschreibt, wie diese Arbeit zugewiesen wird.

Cluster, die in Wahrheit Navigationsprobleme sind, etwa ein fehlender Kategorielink, sind keine Suchprobleme. Leiten Sie sie aus der Schleife heraus und halten Sie sie als verworfen fest, damit derselbe Cluster nicht jede Woche wiederkommt.

Der Experimentschritt schließt den Kreislauf. Setzen Sie jeweils eine Änderung um, halten Sie ihr Datum und den Cluster fest, auf den sie zielte, und lesen Sie die Zahlen der folgenden Woche gegen dieses Datum. Nutzen Sie einen A/B-Test für eine große Änderung bei ausreichend Traffic. Nutzen Sie Interleaving für Ranking-Änderungen, wenn Sie schneller eine Antwort brauchen. Die Umformulierungsmechanik hinter vielen dieser Maßnahmen beschreibt Query-Umformulierung in der Konversationssuche; die wöchentliche Prüfung zeigt, welche Umformulierungen sich lohnen.

Wie lange sollten Suchprotokolle aufbewahrt werden?

Behalten Sie nur die Felder, die die Schleife nutzt, und nur so lange, wie die Schleife sie braucht. Nach der DSGVO gelten Datenminimierung (Artikel 5 Absatz 1 Buchstabe c) und Speicherbegrenzung (Artikel 5 Absatz 1 Buchstabe e) für Suchprotokolle wie für jedes personenbezogene Datum, und Artikel 32 nennt Pseudonymisierung und Verschlüsselung unter den Sicherheitsmaßnahmen (EUR-Lex).

In der Praxis heißt das: pseudonyme Sitzungskennungen statt Kontonummern, roher Suchtext in einer eigenen Tabelle mit eigener Aufbewahrungsfrist und keine IP-Adressen nach der Aufnahme. Der Standard ist hier wichtig. Algolia nutzt IP-Adressen, um Nutzer zu unterscheiden, sofern Sie kein userToken übergeben, und warnt, dass Backend-Suchen sonst alle Nutzer unter der IP des Servers gruppieren (Algolia). Eine IP-Adresse ist ein personenbezogenes Datum, das Sie besser durch eine pseudonyme Kennung ersetzen, bevor es ins Protokoll gelangt.

Wenn Protokolle namentlich benannte Beschäftigte erreichen können, ändert sich die Frage. In Österreich macht § 96 Abs. 1 Z 3 des Arbeitsverfassungsgesetzes die Einführung von Kontrollmaßnahmen und technischen Systemen zur Überwachung von Arbeitnehmern dort, wo die Menschenwürde berührt ist, von der Zustimmung des Betriebsrats abhängig (RIS). Ein internes Suchprotokoll, das sich auf einen namentlich genannten Beschäftigten zurückführen lässt, ist der Fall, den Sie zuerst prüfen; das sichere Design hält den Verknüpfungsschlüssel pseudonym und die Auswertung aggregiert.

Aufbewahrungsfristen sind eine Richtlinienentscheidung für Ihr Unternehmen, kein Standardwert des Herstellers. Schreiben Sie die Frist in die Schema-Dokumentation und setzen Sie sie mit einer geplanten Löschung durch, damit der Wochenexport weiter funktioniert, ohne dass die Rohhistorie unbegrenzt wächst. Wenn Sie das für einen B2B-Shop bauen, deckt meine B2B-E-Commerce-Arbeit neben der Suche auch die Katalogseite ab.

Quellen

1. Algolia: search analytics concepts (metrics and definitions)
2. Algolia: query aggregation and userToken
3. User Behavior Insights (UBI) specification 1.3.0
4. Google Research: position bias estimation for unbiased learning to rank in personal search (WSDM 2018)
5. eBay: click propensity estimation for e-commerce search (SPIRE 2019)
6. Chapelle, Joachims, Radlinski, Yue: interleaved search evaluation (TOIS 2012)
7. Shopping Queries Dataset (ESCI), KDD Cup 2022
8. BERTopic: neural topic modeling with class-based TF-IDF
9. Hello Retail: ecommerce search statistics (24 Feb 2026)
10. Algolia: adding synonyms
11. Regulation (EU) 2016/679 (GDPR), EUR-Lex
12. Arbeitsverfassungsgesetz § 96, RIS (consolidated text)