Was ist Suchrelevanz?

Der Begriff „Suchrelevanz“ bezieht sich auf die Relevanz der von der Suchfunktion zurückgegebenen Ergebnisse und gibt an, wie gut diese Suchergebnisse zur Suchanfrage und Absicht der Nutzer:innen passen. Die Qualität der Suchergebnisse lässt sich daran messen, wie genau die angezeigten Informationen den Erwartungen der Nutzer:innen entsprechen.

Für die Verbesserung der Relevanz der Suchergebnisse und der Performance der Suchfunktion müssen linguistische Analysen, Ranking-Algorithmen und kontextbezogene Faktoren berücksichtigt werden, wie z. B. die Analyse des Nutzerverhaltens, Standortdaten, Beliebtheit und Suchverlauf. Die Suchrelevanz ist ein extrem wichtiger Faktor für die Customer Experience, und mit der richtigen Balance kann die Suche so optimiert werden, dass sie sowohl die Bedürfnisse eines Unternehmens als auch die seiner Nutzer:innen erfüllt.

Die Relevanz von Suchergebnissen ist abhängig von komplexen Algorithmen, die Informationen bewerten, verarbeiten, abrufen und ranken. Diese Algorithmen dekodieren die Semantik der Suchbegriffe (Keywords) und der Nutzerabsicht (Intent), bewerten die Zuverlässigkeit von Quellen und entschlüsseln Signale wie Interaktion, geografischer Standort und persönliche Vorlieben.

Zu den gängigsten Algorithmen im Zusammenhang mit der Suche gehören die folgenden:

TF-IDF (Term Frequency-Inverse Document Frequency) wird verwendet, um die Wichtigkeit von Suchbegriffen zu bewerten, wobei Begriffe „belohnt“ werden, die mehr oder weniger nur in den Zieldokumenten vorkommen, in anderen Dokumenten aber nicht vertreten sind.

RankBrain ist ein von Google entwickelter KI-gestützter Algorithmus, der Machine Learning nutzt, um Suchanfragen zu interpretieren und zu verarbeiten, sodass klar wird, welche Absicht die Nutzer:innen mit ihrer Suchanfrage verfolgen – diese kann oft nuanciert oder zweideutig sein.

Vektorraummodelle stellen Dokumente und Suchanfragen als Vektoren im dimensionalen Raum dar und ermöglichen so das Vergleichen und das Ranking.

Die latente semantische Analyse identifiziert die latenten Beziehungen zwischen Begriffen mithilfe eines statistischen Ansatzes, um zueinander gehörende Wörter und Wortgruppen zu verarbeiten.

NLP (Natural Language Processing) ist eine Technik des Machine Learnings, die es Suchmaschinen ermöglicht, den Kontext und die Semantik der in der Suche verwendeten menschlichen Sprache besser zu verstehen.

Zu den Schlüsselfaktoren für die Suchrelevanz gehören Signale, die von der Suchbegriffdichte bis hin zu Interaktionsmetriken reichen. Suchmaschinen suchen nach Inhalten und Links („crawlen“), sammeln und indexieren die Daten und ordnen jeder Seite Relevanz zu, indem sie die Ergebnisse anhand einer Vielzahl von Kriterien bewerten, sortieren und ranken. Anschließend müssen sie die Zusammenhänge von Schlüsselwörtern und Sprache analysieren, um das zu liefern, wonach tatsächlich gesucht wurde.

Zu den Schlüsselfaktoren für die Relevanz der Suchergebnisse gehören:

• Textanalyse und Relevanz der Suchbegriffe
  Der Prozess des Abgleichs von Suchbegriffen mit dem Inhalt von Artikeln, Seiten, Dokumenten und Produktangeboten ist für die Ermittlung der Relevanz ganz entscheidend. Erschwert wird diese Aufgabe durch die Komplexität der natürlichen Sprache, Synonyme, Wortvarianten, Rechtschreibfehler, regionale Schreibvarianten und phonetische Schreibweisen, um nur einige zu nennen.
• Qualität der Inhalte
  Inhalte aus zuverlässigen Quellen, also Quellen, die als glaubwürdig und korrekt angesehen werden, erhalten in der Regel eine bessere Ranking-Position. Dabei spielt auch die Aktualität der Inhalte eine Rolle: Bei bestimmten Suchanfragen werden neuere Inhalte als relevanter erachtet als ältere.
• Gewichtung der Begriffe
  Bei der Entscheidung, welche Suchbegriffe Vorrang haben sollen, werden jedem Begriff numerische Werte zugewiesen. Diese Werte sind für die Treffsicherheit der Ergebnisse entscheidend.
• Nutzerabsicht
  Algorithmen helfen dabei, das eigentliche Ziel der Nutzer:innen zu bestimmen, indem sie sowohl die explizite Suchanfrage als auch den hinter ihr stehenden semantischen Kontext berücksichtigen.
• Personalisierung und Lokalisierung
  Die kontextbezogene Relevanz ermöglicht es Suchmaschinen, die Ergebnisse auf der Grundlage nutzerspezifischer Faktoren wie geografischer Standort, Sprache, Gerätetyp sowie Browsing- und Suchverlauf anzupassen.
• Metriken zur Nutzerinteraktion
  Click-through-Rate-Werte helfen, die Nutzerinteraktion zu messen. Angaben zu ergebnislosen Suchvorgängen und/oder Suchergebnissen ohne Klicks geben Aufschluss darüber, wie zufrieden die Nutzer:innen mit den Suchergebnissen waren.

Die Suchrelevanz ist ein wichtiger Faktor für die Nutzerzufriedenheit. Wenn Nutzer:innen schnell und effizient finden, wonach sie suchen, hat dies einen deutlich positiven Einfluss auf ihr Nutzungserlebnis. Je nach Art des Geschäfts kann das bedeuten, dass mehr lediglich Interessierte zu tatsächlichen Kund:innen oder mehr Gelegenheitsbesucher:innen zu regelmäßigen Leser:innen oder Konsument:innen werden oder dass mehr Teammitglieder in die Lage versetzt werden, Aufgaben zu erledigen und wichtige Entscheidungen zu treffen.

43 % der Nutzer:innen¹ gehen nach dem Öffnen einer Website direkt zur Suchleiste, und deren Konversionsrate liegt dreimal höher als die derjenigen, die die Suchfunktion nicht nutzen. Für Unternehmen ist die Suche oft der erste Punkt der Interaktion mit potenziellen Kund:innen. Sie ist daher wichtig, um das Vertrauen der Nutzer:innen zu gewinnen, Interaktionen zu erzeugen und Einnahmen zu erzielen. Intern spart die schnelle Bereitstellung relevanter Informationen Zeit und Mühe.

Eine unzureichende Relevanz von Suchergebnissen hat Frustration zur Folge und kann sogar dazu führen, dass die Nutzer:innen die Website verlassen, um es auf einem anderen Kanal zu versuchen – möglicherweise auf Nimmerwiedersehen. Für Online-Einzelhändler bedeutet das, dass Käufer:innen verlorengehen, weil sie die gesuchten Produkte nicht finden können. Relevante Suchergebnisse führen zu höheren Konversionsraten und mehr Umsatz. Online-Einzelhändler können auch Suche-gestützte E‑Commerce-Funktionen wie „Andere kauften auch“ oder „Ähnliche Artikel“ nutzen, um dafür zu sorgen, dass mehr Waren im Einkaufswagen landen.

Für Unternehmen, die Inhalte produzieren, bedeutet eine bessere Suchrelevanz mehr Sichtbarkeit und eine größere Reichweite. Forschenden, Ärztinnen und Ärzten, Studierenden und Expert:innen aller Art helfen korrekte Suchergebnisse, ihre Arbeit besser zu erledigen.

Bedürfnisse und Absichten von Suchenden sind stets sehr individuell. Es ist schwierig, die Relevanz von Suchergebnissen korrekt oder systematisch zu messen. Gewisse Anhaltspunkte bieten Branchen-Benchmarks wie Benchmarking-IR (BEIR), ein vortrainierter Transformator, der Methoden zum Abrufen von Informationen anhand eines Ranking-Systems bewertet. BEIR enthält beispielsweise den Algorithmus MS-MARCO (Microsoft Machine Reading Comprehension), der zur Bewertung der Effektivität einer Suchanfrage einen Frage-Antwort-Datensatz verwendet. Das vermag zwar eine gewisse Vorstellung von der Suchrelevanz zu vermitteln, stellt aber keine absolute Scoring-Methode dar.

Eine Möglichkeit, einen Einblick in die Effektivität Ihrer Suche zu erhalten, besteht darin, nach Trends im Nutzerverhalten Ausschau zu halten und ständig nach Wegen zu suchen, dieses Schritt für Schritt zu verbessern.

Die Sucheffektivität (Effectiveness) lässt sich daran messen, wie viele Eingaben, erneute Eingaben und Änderungen eines Suchbegriffs es braucht, bis die Nutzerin oder der Nutzer die richtigen Informationen findet. Die Sucheffizienz (Efficiency) ist durch den Gesamtaufwand definiert, den die Nutzerin oder der Nutzer aufwendet, um die gewünschte Information zu finden Beide Metriken bieten einen Einblick in die Gesamtrelevanz Ihrer Suchergebnisse. Search Analytics, also der Einsatz von Methoden zur Analyse der Sucheingaben, kann Aufschluss darüber geben, wie oft Ihre Nutzer:innen suchen, wonach sie suchen, und ob sie das Gesuchte finden.

Die Sensitivität (Recall) gibt den Anteil relevanter abgerufener Datensätze im Vergleich zur Gesamtzahl der relevanten Datensätze an. Die Genauigkeit (Precision) gibt das Verhältnis von relevanten Suchergebnissen zur Zahl der irrelevanten und relevanten Datensätze insgesamt an. Sensitivität und Genauigkeit sind zwar wichtige Messgrößen, ihre Bewertung erfordert jedoch häufig ein gewisses Maß an menschlicher Urteilskraft und Überwachung, was kostspielig sein kann. Einen weniger kostspieligen Einblick in die Art und Weise, wie Nutzer:innen die Relevanz von Suchergebnissen wahrnehmen, bietet das Sammeln von Nutzerfeedback durch Umfragen oder interaktive Schaltflächen.

Metriken zum Suchverhaltens bieten indirekte, aber implizite Beurteilungen der Relevanz. Eine dieser wertvollen quantitativen Metriken ist die Click-through-Rate (CTR), die angibt, wie viel Prozent der Nutzer:innen tatsächlich auf ein ihnen angezeigtes Ergebnis klicken. Je höher die CTR ist, desto größer ist die Relevanz. Die Verweildauer (Dwell Time) gibt an, wie viel Zeit die Nutzerin oder der Nutzer auf der Seite verbringt, die sich nach dem Klicken auf einen Link in den Suchergebnissen öffnet. Auch dieser Wert ist ein wichtiger Indikator, da längere Verweildauern auf einen relevanteren und wertigeren Inhalt hindeuten. Das Gegenstück dazu ist die Abwanderungsrate (Bounce Rate), die angibt, wie viel Prozent der Nutzer:innen die Seite wieder verlassen, ohne mit ihr zu interagieren.

Das Verbessern der Relevanz von Suchergebnissen ist ein fortlaufender Prozess. Neben dem Einsatz der neuesten Algorithmen für Machine Learning, NLP-Funktionen zur Verarbeitung natürlicher Sprache und der Erkennung von Entitäten gibt es einige weitere Möglichkeiten, wie sich die Suchrelevanz im Laufe der Zeit verbessern lässt:

• Erweitern des Suchanfrageverständnisses
  Zur Verbreiterung des Umfangs der Suchergebnisse kann es sich lohnen, das Suchanfrageverständnis um zugehörige Begriffe, die durch Definition und Bedeutungsumfang mit dem Suchbegriff verwandt sind, oder um Synonyme, also Wörter oder Wortgruppen, die mehr oder weniger dasselbe bedeuten wie der Suchbegriff, zu erweitern. Außerdem kann angegeben werden, dass auch teilweise Treffer für eine Suchanfrage zurückgegeben werden sollen. Zudem kann auch die automatische Spracherkennung verwendet werden, um Suchanfragevorschläge zu unterbreiten, die aus ähnlichen früheren Suchanfragen abgeleitet wurden.
• Verbessern der Tippfehlertoleranz
  Eine verbesserte Tippfehlertoleranz bedeutet, dass Ihre Nutzer:innen die gewünschten Suchergebnisse auch dann angezeigt bekommen, wenn sie Begriffe bei der Eingabe falsch geschrieben haben. Durch Tippfehlertoleranz werden Suchvorgänge reibungsärmer, da Nutzer:innen ihre Suchanfrage nicht erneut eingeben müssen. Anstatt eine exakte Übereinstimmung zu verlangen, sollten Sie die Toleranz für Rechtschreib- und Tippfehler erhöhen, indem Sie Ihre Autokorrektur- und Rechtschreibprüfungsfunktionen verbessern. Sie können auch mithilfe einer „Meinten Sie?“-Funktion Alternativen vorschlagen und Korrekturvorschläge unterbreiten lassen.
• Verwenden von Facetten und Filtern
  Facetten, auch als „smarte Filter“ bezeichnet, helfen Nutzer:innen, Zahl und Umfang der angezeigten Suchergebnisse einzuschränken. Facetten und Filter sind besonders auf Websites hilfreich, die sehr viele Informationen enthalten. Sorgen Sie dafür, dass Filter automatisch erkannt werden, oder ermöglichen Sie es Nutzer:innen, die Suchergebnisse anhand relevanter Attribute wie Ort, Thema, Preis, Kategorie und Datum einzugrenzen.
• Anpassen von Suchergebnissen durch Personalisierung
  Wenn Suchergebnisse auf der Grundlage von Nutzerpräferenzen, Standort, Such- und Kaufhistorie sowie Verhalten angepasst werden, führt dies zu einer höheren Relevanz. Schneiden Sie die Suchergebnisse auf Ihre Nutzer:innen zu, indem Sie die relevantesten Suchanfragen höher ranken. Die Personalisierung ist auch ein wichtiger Bestandteil der prädiktiven Suche, bei der die zukünftigen Bedürfnisse Ihrer Nutzer:innen anhand ihrer früheren Suchanfragen vorweggenommen werden.
• Berücksichtigen von Nutzer-Feedback
  Wenn Sie Nutzer:innen dazu ermutigen, Feedback zur Qualität der Suchergebnisse zu geben, hilft das Suchmaschinen beim Lernen und Verbessern. Das Feedback der Nutzer:innen ist der beste Maßstab dafür, wie relevant die Ergebnisse für eine Suche tatsächlich sind. Wenn Sie dieses Feedback nutzen, kann Ihre Suchmaschine kontinuierlich besser werden.
• Optimieren der User Experience
  Sorgen Sie stets für eine aufgeräumte Website – bereinigen Sie sie von veralteten Seiten, doppelten Inhalten, ungenutzten Keywords oder Tags und defekten Links. Optimieren Sie Ihr UX-Design, z. B. indem Sie die Suchleiste so präsentieren, dass sie leicht zu finden ist und sich intuitiv bedienen lässt. Strukturieren Sie Ihre Website so, dass Suchmaschinen Ihre Inhalte effektiver durchsuchen und indexieren können.
• Priorisieren hochwertiger Website-Bereiche
  Um die für die Nutzer:innen wertvollsten Ergebnisse zu ermitteln, sollten Sie dafür sorgen, dass Suchergebnisse aus Website-Bereichen mit hochwertigen Inhalten höher gewichtet werden. Das sind z. B. Seiten, die sich durch hohe Interaktionswerte, hohe Kompetenz und Zuverlässigkeit der bereitgestellten Informationen, eine große Zahl von Backlinks und hohe Konversionsraten auszeichnen.

Der Kampf gegen minderwertige Suchergebnisse kann oft recht frustrierend sein und die Lösungen liegen nicht immer offen auf der Hand. Bei der Interpretation von Suchanfragen mit mehreren Bedeutungen wird es immer Mehrdeutigkeiten geben. Die Entschlüsselung der eigentlichen Absichten der Nutzer:innen ohne weitere Anhaltspunkte ist fehleranfällig. Die Bereitstellung wirklich relevanter Suchergebnisse ist ein kognitives Labyrinth, dessen Ausgang selbst die modernste KI noch nicht gefunden hat.

Um auf dem neuesten Stand zu bleiben, müssen sich Suchmaschinen schnell an die ständig wachsende Flut von Inhalten anpassen, die Sekunde für Sekunde auf der ganzen Welt generiert werden – und das in einer vielfältigen und dynamischen Landschaft aus Sprachen, Dialekten, Jargons und regionalen Nuancen. Und obwohl personalisierte Suchergebnisse in hohem Maße zur Relevanz beitragen, können sie auch „Blasen“ erzeugen, die den Blick auf andere Perspektiven einschränken.

Für Organisationen ist die Optimierung der Suchrelevanz oft ein Buch mit sieben Siegeln. Und das winzige Zeitfenster für die Bereitstellung relevanter Suchergebnisse scheint immer kleiner zu werden.

Die Elasticsearch Relevance Engine hilft Nutzer:innen, genau das zu finden, was sie benötigen, um hochgradig relevante, personalisierte, KI-gestützte Sucherlebnisse zu bieten, und zwar out of the box mit modernsten Machine-Learning-Funktionen.

Hinzu kommen unsere umfassenden und per Drag & Drop intuitiv zu bedienenden Relevanzoptimierungstools, mit denen Sie Suchanfragen und Suchergebnisse analysieren, optimieren und personalisieren können, um Ihren Nutzer:innen noch präzisere Ergebnisse zu liefern. Mit adaptiver Relevanz können Sie Ihren am besten performenden Ergebnissen die besten Plätze im Ranking zuweisen und automatisierte, datengestützte Empfehlungen auf der Basis von Search Analytics unterbreiten. Sie können die semantische Relevanz auch mit generativer KI, Vektorsuche, Unterstützung für NLP-Transformationsmodelle und Verwaltungsfunktionen für externe Modelle verbessern.

Die aktuellen Entwicklungen bei Suchverfahren deuten darauf hin, dass sich die Relevanz von Suchergebnissen sehr bald deutlich verbessern wird.

Die semantische Suche interpretiert die eigentliche Bedeutung der Suchanfrage. Es wird nicht nach den Wörtern in der Suchanfrage gesucht, sondern die zurückgegebenen Ergebnisse sind kontextabhängig und richten sich nach der wahrscheinliche Absicht der Nutzerin oder des Nutzers. Die häufig bei semantischen Suchanwendungen eingesetzte Vektorsuche findet ähnliche Daten mit ANN-Algorithmen (Approximate Nearest Neighbor), um relevantere Ergebnisse bereitzustellen. Bei der hybriden Suche kommt eine Kombination aus Vektor- und Suchbegriffsuche zum Einsatz.

In dem Maße, wie sich diese Arten der Suche weiterentwickeln, werden sich auch die Metriken für die Relevanz der Suchergebnisse verändern, um deren Auswirkungen widerzuspiegeln. Die Zukunft der Suchrelevanz wird auch durch andere technologische Innovationen beeinflusst.

In fast allen Bereichen von Kultur und Wirtschaft versprechen KI-gestützte Suchmaschinen eine erhebliche Verbesserung der Suchrelevanz – bei weitaus weniger manuellem Aufwand für die Organisationen. Die KI ermöglicht Funktionen wie die automatische Erkennung von Synonymen, Ranking-Algorithmen, die anhand von Metriken und Feedback selbständig lernen, und die Verfolgung von Nutzeraktivitäten in Echtzeit, sodass vorhergesagt werden kann, was die Kundin oder der Kunde wünscht, bevor sie oder er überhaupt daran denkt, danach zu fragen.

Im E‑Commerce werden intelligente, mehrsprachige Suchleisten, die visuelle Informationen aus Bildern und Videos verarbeiten können, das Einkaufen revolutionieren, da sie genau das Produkt in der Farbe, Marke und Größe vorschlagen können, das die Kundin oder der Kunde tatsächlich haben möchte – das stundenlange Scrollen hat damit ein Ende. Die Suche per Sprachbefehl wird sich immer weiter verbreiten und immer korrektere Ergebnisse erbringen. Und mit zunehmender Treffsicherheit wird generative KI anstelle einer schnöden Ergebnisliste hyperrelevante, kontextbezogene Antworten auf Suchanfragen mit spezifischen, weitaus nützlicheren Empfehlungen liefern. Machine Learning ist bereits dabei, die Suchrelevanz umzukrempeln.

• Elastic-Website zur Relevanz der Suche
• Kibana-Leitfaden zum Thema „Suchrelevanz“
• Blogpost zur Zukunft der Suchrelevanz