Personalisieren von Sucherlebnissen mit Elastic

Die Erstellung personalisierter Sucherlebnisse ist eine Herausforderung. In diesem Blogeintrag beschreiben wir die notwendigen ersten Schritte, damit Sie Suchergebnisse anhand von Nutzerprofilen priorisieren, relevante Empfehlungen anbieten und Workflows beschleunigen können. Lassen Sie uns zunächst jedoch darüber sprechen, warum personalisierte Sucherlebnisse wichtig sind.

[Whitepaper herunterladen: Ecommerce search personalization on Elastic (Personalisierte E‑Commerce-Suche mit Elastic, in englischer Sprache)]

Auswirkungen einer personalisierten Suche

Auch wenn es Ihnen nicht bewusst ist, basieren die personalisierten digitalen Erlebnisse in Ihrem Alltag auf vorherigen Suchen. Hier sind nur einige Beispiele:

• „Search-as-you-type“ verwendet Ihren Suchverlauf, um Abfragen vorzuschlagen.
• Artikel in Wissensdatenbanken werden anhand Ihrer Abonnementeinstellungen angezeigt.
• Gesundheitsversorger werden auf Basis Ihrer gesundheitlichen Vorgeschichte und Ihres Standorts vorgeschlagen.
• Online-Shoppingempfehlungen werden anhand von Lieblingsprodukten ähnlicher Nutzer und Ihren bisherigen Einkäufen zusammengestellt.

Warum ist diese Personalisierung so allgegenwärtig? Weil sie sich messbar auf das Geschäftsergebnis auswirkt. Eine aktuelle Verbraucherstudie von Wakefield lieferte die folgenden Erkenntnisse: 

• 88 % aller Online-Shopper verweilen mit höherer Wahrscheinlichkeit auf Websites, die ein personalisiertes Erlebnis bieten.
• 84 % gaben an, dass sich die Personalisierung auf ihre Einkaufsentscheidungen auswirkt.
• 68 % haben anhand von personalisierten Empfehlungen schon zusätzliche, ungeplante Artikel gekauft.

Kurz gesagt: Personalisierung steigert die Kundentreue, beeinflusst Entscheidungen und steigert den Ertrag. Daher sind Organisationen und Entwickler, die Sucherlebnisse entwickeln, auf das Thema aufmerksam geworden. 

[Weiterführender Artikel: Personalisierung als Erfolgsfaktor im Online-Handel]

Im Grunde genommen ist die Personalisierung eine Datenherausforderung 

Personalisierungsarchitekturen folgen immer demselben Muster: Dateningestion, Datenanalyse und maßgeschneiderte Erlebnisse für Endnutzer. Daten stehen bei allen Schritten im Mittelpunkt: sie werden gesammelt, analysiert und für ein personalisiertes Erlebnis eingesetzt.

Beim ersten Schritt werden die erforderlichen Kundendaten für eine fundierte Personalisierungsstrategie zusammengestellt. Dazu werden oft auch Kundendaten mit zusätzlichen Datensätzen wie Abfragen, Klicks und der Einkaufshistorie integriert. 

Anschließend werden die Daten aggregiert und analysiert, um die Vorlieben der Endnutzer zu ermitteln und Trends herauszufiltern. Dies kann entweder manuell oder automatisch mithilfe von Machine Learning erfolgen. Die bei dieser Analyse gewonnenen Einblicke dienen als Basis für das personalisierte Suchmodell.

Zuletzt werden die Ergebnisse der Datenanalyse eingesetzt, um ein personalisiertes Sucherlebnis zu gestalten. 

Klingt einfach, oder? Bei Elastic sagen wir gerne: „Das kommt darauf an ...“ 

Elastic als einfacher Weg zu einer personalisierten Suche

Glücklicherweise ist Elastic ein Unternehmen für Datenanalysen mit dem Potenzial der Suche. Daher bieten wir Experten eine Vielzahl an Entwickler-Tools, von vorkonfigurierten Low-Code-Optionen bis hin zu APIs für maximale Kontrolle über das Sucherlebnis. Flexibilität ist fundamental für alle Schritte bei diesem Prozess, da jeder Anwendungsfall im Bereich der Personalisierung definitionsbedingt einzigartig ist und entsprechend angepasst werden muss. 

Was die Dateningestion angeht, können Sie vorab erstellte Connectoren, Frameworks zur Erstellung von Connectoren für benutzerdefinierte Quellen und externe Integrationen verwenden, um relevante Daten in Elastic zu integrieren und zu speichern. 

Für die Datenanalyse können Sie Ihre Daten in Elastic indexieren und mit Kibana analysieren, dem Datenvisualisierungs- und Dashboarding-Tool von Elastic. Außerdem können Sie Aggregationen mit den Elasticsearch-APIs automatisieren. Bei Bedarf können Sie sogar Daten über Cluster hinweg analysieren, um Anforderungen in Bezug auf Datenschutz und Datenresidenz zu erfüllen. Sie können proprietäre Machine-Learning-Modelle verwenden oder Modelle direkt von Hugging Face importieren, um die Analyse zu automatisieren. Mit der nativen Vektorsuche von Elastic können Sie eigene personalisierte Empfehlungsmodule erstellen und ausliefern.

Sobald Sie bereit sind, Ihre personalisierten Einblicke auf die Suche anzuwenden, können Sie die Elastic Enterprise Search APIs nutzen, um Ihr Relevanzmodell mit Boosts oder Feldgewichtungen dynamisch zu justieren. Falls Sie noch mehr Kontrolle über die Reihenfolge der Ergebnisse benötigen, können Sie die Elasticsearch-APIs verwenden. Mit der Elastic Search UI können Sie im Handumdrehen Sucherlebnisse erstellen, indem Sie die Javascript-Bibliothek direkt in Ihre Elastic-Suchmaschine integrieren.

Der nächste Schritt

Personalisierte Suchfunktionen bilden die Basis für die modernen digitalen Erlebnisse, die wir in unserem Alltag erwarten. Personalisierte Erlebnisse liefern Ergebnisse im Hinblick auf Kundenengagement, Umsatz und Kundentreue. 

Personalisierungsstrategien sind für alle Arten von Organisationen wichtig. Falls Sie personalisierte Erlebnisse erstellen, brauchen Sie außerdem eine Datenstrategie, da die Personalisierung davon abhängt, wie Sie Daten ingestieren und analysieren und personalisierte Informationen generieren, um die Bedürfnisse der Endnutzer zu erfüllen. 

Bei Elastic sind wir davon überzeugt, dass Flexibilität der Schlüssel zu personalisierten Sucherlebnissen ist. Von uns erhalten Sie eine Vielzahl an integrierten Funktionen, Entwickler-Tools und Bibliotheken für maximale Kontrolle, damit Sie Ihren Nutzern ein maßgeschneidertes Erlebnis bieten können. 

Eine Live-Coding-Demo für die Anordnung von Suchergebnissen anhand von Klick-Daten und die Anwendung der Vektorsuche zur Personalisierung finden Sie in unserem On-Demand-Webinar How to implement ecommerce search personalization with Elasticsearch (Implementieren personalisierter E-Commerce-Sucherlebnisse mit Elasticsearch, in englischer Sprache). 

Für weitere Details zur Erstellung von Analytics-basierten Personalisierungen mit Elastic Enterprise Search, inklusive Codebeispielen und zusätzlichen Informationen zur nativen Vektorsuche von Elastic und dem offenen und flexiblen Ansatz für Machine Learning laden Sie das Whitepaper herunter.