Typesense für E-Commerce: Facettensuche, Kataloge und Personalisierung

Die Produktsuche entscheidet im E-Commerce oft darüber, ob ein Nutzer kauft oder abspringt. Das gilt besonders im B2B: Große Sortimente, komplexe Artikelnummern, kundenspezifische Preise und technische Produktdaten stellen deutlich höhere Anforderungen an Suchsysteme als klassische B2C-Shops.

Typesense hat sich in den letzten Jahren zu einer leistungsfähigen Open-Source-Suchengine für moderne Commerce-Stacks entwickelt. Facettensuche, Typo-Tolerance, Synonyme und seit Version 0.25 auch Vector Search laufen in einer einzigen Engine — ohne zusätzliche Such- oder KI-Infrastruktur.

Dieser Beitrag zeigt, wie Typesense im E-Commerce eingesetzt wird, welche Besonderheiten B2B-Shops mitbringen und wann Typesense die richtige Wahl ist.

Warum Suche im E-Commerce ein Conversion-Hebel ist

Wer die interne Suche nutzt, hat meist bereits eine konkrete Kaufabsicht.

Im B2B verstärkt sich dieser Effekt zusätzlich:

• Einkäufer suchen direkt nach Artikelnummern
• technische Spezifikationen müssen filterbar sein
• große Sortimente lassen sich kaum per Navigation erschließen
• Suchfehler führen unmittelbar zu Umsatzverlust

Eine gute Commerce-Suche muss deshalb gleichzeitig:

• schnell
• fehlertolerant
• filterbar
• skalierbar
• personalisierbar

sein.

 

Was bringt Typesense für E-Commerce mit?

Typesense deckt die wichtigsten Suchfunktionen moderner Shops nativ ab.

Facettensuche

Filter nach:

• Marke
• Kategorie
• Material
• Preis
• Verfügbarkeit
• technischen Merkmalen

werden direkt unterstützt.

Besonders wichtig im B2B: Multi-Select-Facetten für komplexe Produktauswahl.

 

Typo Tolerance

Typesense korrigiert Tippfehler automatisch.

Das ist besonders relevant bei:

• langen Produktnamen
• technischen Begriffen
• Herstellercodes
• Artikelnummern

Beispiel: „DIN912 M8x40“ findet trotzdem Ergebnisse bei Schreibfehlern.

 

Synonyme und Suchintelligenz

Synonyme ermöglichen:

• Schraube ↔ Innensechskantschraube
• Akku ↔ Batterie
• SDS ↔ Schnellspannsystem

Das verbessert Trefferqualität und Conversion.

Vector Search und semantische Suche

Seit v0.25 unterstützt Typesense native Vector Search.

Dadurch werden möglich:

• semantische Produktsuche
• „ähnliche Produkte“
• KI-gestützte Suche
• Hybrid Search aus BM25 + Vektor-Suche

Besonders relevant:

• große Ersatzteilkataloge
• technische Produktsuche
• KI-Assistenten im Commerce

 

Warum B2B-Suche anders funktioniert als B2C

Viele Search-Setups scheitern daran, dass B2B wie B2C behandelt wird.

Die Unterschiede sind fundamental.

Artikelnummern-Suche

Im Großhandel suchen Nutzer oft direkt nach:

• Hersteller-Codes
• DIN-Normen
• internen SKUs
• technischen Nummern

Hier zählt:

• exaktes Matching
• Typo-Tolerance
• schnelle Antwortzeiten

Semantische Suche allein reicht nicht.

 

Kundenspezifische Sortimente

B2B-Shops arbeiten häufig mit:

• Kundengruppen
• Rollen
• individuellen Preisen
• eingeschränkten Sortimenten

Das bedeutet:
Suchergebnisse müssen dynamisch gefiltert werden.

 

Facettensuche richtig modellieren

Die Qualität der Suche hängt stark vom Datenmodell ab.

Ein häufiger Fehler:
Zu viele oder falsch modellierte Facetten.

 

Typische E-Commerce-Facetten

Facette	Beispiel
Kategorie	Werkzeuge
Marke	Bosch
Material	Edelstahl
Norm	DIN 912
Verfügbarkeit	sofort lieferbar
Größe	M8
Spannung	230V

 

Hierarchische Kategorien

Hierarchien werden typischerweise als Pfade modelliert:

• Werkzeuge
• Werkzeuge > Handwerkzeuge
• Werkzeuge > Schraubendreher

Dadurch funktionieren:

• Drill-Down
• Breadcrumbs
• Facettennavigation

sehr performant.

 

Personalisierung und kundenspezifische Preise

Sichtbarkeit pro Kundengruppe

Ein typisches B2B-Muster:

• Händler A sieht Sortiment X
• Händler B sieht Sortiment Y
• OEM-Kunden sehen Spezialartikel

Das lässt sich in Typesense über Filter-Felder lösen.

Ranking und Boosting

Sortierung kann kombiniert werden aus:

• Relevanz
• Marge
• Lagerbestand
• Kundengruppe
• Bestseller
• Individualranking

Dadurch entstehen personalisierte Suchergebnisse ohne separate Recommendation Engine.

 

Integration in Headless-Commerce-Architekturen

Typesense funktioniert besonders gut als eigenständiger Search-Layer.

Typischer Datenfluss: ERP → PIM → Typesense → Storefront

 

Typesense mit OroCommerce integrieren

OroCommerce basiert auf Symfony und eignet sich gut für Event-basierte Indexierung.

Typische Architektur:

• Doctrine Events triggern Updates
• Symfony Messenger queued Re-Indexing
• Kundengruppen werden als Facetten indexiert

Besonders stark:

• B2B-Großhandel
• kundenspezifische Preise
• komplexe Produktstrukturen

 

Typesense mit BigCommerce integrieren

BigCommerce ist API-First.

Typischer Ablauf:

• Webhook bei Produktänderung
• Middleware lädt Produktdaten
• Bulk-Import nach Typesense

Ideal für:

• Headless Commerce
• composable Architektur
• moderne React-/Next.js-Frontends

 

Typesense mit Shopware integrieren

Shopware 6 bietet:

• Entity Events
• Plugin-System
• API-Zugriff

Typische Integration:

• Subscriber auf Produktänderungen
• Queue-basiertes Re-Indexing
• Facettenaufbau aus Produktattributen

Wichtig: Bei komplexen B2B-Sortimenten sollte ein PIM vorgeschaltet sein.

 

Search-as-You-Type und Autocomplete

Autocomplete ist heute Pflicht.

Besonders wichtig:

• unter 50 ms Antwortzeit
• Debouncing
• mobile Optimierung
• Vorschläge während der Eingabe

 

Typische Optimierungen

Optimierung	Zweck
Debouncing	weniger Requests
Prefix Search	schnelle Treffer
CDN-Caching	geringere Latenz
kleine Resultsets	bessere UX
Query-Priorisierung	relevante Treffer zuerst

 

Wann Typesense nicht die richtige Wahl ist

Typesense ist stark, aber nicht für jedes Szenario optimal.

Sehr komplexe Enterprise-Personalisierung

Wenn benötigt werden:

• Predictive Ranking
• Collaborative Filtering
• Recommendation Engines
• Deep Behavioral AI

sind Algolia oder spezialisierte Plattformen oft weiter.

Search + Log Analytics

Wenn Suche und Observability kombiniert werden sollen:

• Elasticsearch
• OpenSearch

häufig die bessere Wahl.

Kein eigenes Engineering-Team

Typesense ist entwicklerfreundlich — aber kein „No-Code“-Produkt.

Wer:

• keine Entwickler
• keine API-Kompetenz
• keine Betriebsressourcen

hat, sollte Managed-Alternativen prüfen.

 

Typische Architektur für moderne B2B-Suche

Ebene	Aufgabe
ERP	Preise, Bestand
PIM	Produktdaten
Typesense	Suche
Storefront	UI
Middleware	Synchronisation

Der entscheidende Punkt: Die Qualität der Suche hängt fast immer stärker vom Datenmodell als von der Suchengine ab.

 

Fazit

Typesense ist eine ernstzunehmende Commerce-Suchengine:

• Open Source
• performant
• API-first
• facettenstark
• vectorfähig

Besonders im Headless-Commerce-Umfeld bietet Typesense eine moderne Alternative zu Elasticsearch oder Algolia — vor allem für:

• B2B-Großhandel
• Ersatzteilshops
• technische Sortimente
• API-first-Commerce

Der größte Erfolgsfaktor bleibt jedoch nicht die Suchengine selbst, sondern:

• saubere Produktdaten
• sinnvolle Facetten
• gute Indexierungs-Pipelines
• ein realistisches Verständnis der B2B-Suchlogik

FAQ

Unterstützt Typesense Facettensuche?

Ja. Typesense unterstützt native Facettensuche mit Multi-Select-Filtern und hierarchischen Kategorien.

Kann Typesense kundenspezifische Preise abbilden?

Ja. Über Kundengruppen-Felder und Filter lassen sich individuelle Preis- und Sortimentssichten realisieren.

Unterstützt Typesense Vector Search?

Ja. Seit Version 0.25 unterstützt Typesense native Vector Search und Hybrid Search.

Ist Typesense für B2B-Shops geeignet?

Ja. Besonders bei technischen Sortimenten, Ersatzteilen und großen Produktkatalogen ist Typesense sehr leistungsfähig.

Welche Shop-Systeme lassen sich integrieren?

Typische Integrationen:

• OroCommerce
• BigCommerce
• Shopware 6
• Magento
• Headless-Commerce-Stacks

Wie groß kann ein Typesense-Katalog werden?

Je nach RAM und Architektur mehrere Millionen Produkte. Große B2B-Kataloge benötigen typischerweise 16-64 GB RAM.

Brauche ich Elasticsearch zusätzlich?

Nein. Viele Projekte nutzen Typesense als eigenständige Search-Plattform.

Wann ist Algolia die bessere Wahl?

Wenn starke Enterprise-Personalisierung, Recommendation Engines oder Managed Enterprise-SLAs im Vordergrund stehen.