Semantische Suche vs Volltext-Suche: Der Unterschied erklärt für E-Commerce-Verantwortliche

Semantische Suche und Volltextsuche lösen dasselbe Problem auf unterschiedliche Weise: Sie helfen Nutzern, Produkte im Onlineshop zu finden. Der Unterschied liegt darin, wie die Suche versteht, was gemeint ist.

Volltextsuche vergleicht Wörter und Zeichenketten. Semantische Suche vergleicht Bedeutungen. Wer im Shop nach „Backrohr“ sucht, aber eigentlich „Backofen“ meint, scheitert bei einer rein klassischen Volltextsuche häufig. Eine semantische Suche erkennt dagegen, dass beide Begriffe inhaltlich nah beieinander liegen.

Gerade im B2B-E-Commerce ist dieser Unterschied relevant. Fact-Finder berichtet, dass die Suchfunktion für B2B-Einkäufer zu den wichtigsten Shop-Funktionen zählt. Je komplexer Sortiment, Fachsprache und Produktdaten werden, desto wichtiger wird die Frage: Reicht Volltextsuche noch aus – oder braucht der Shop eine semantische Schicht?

Das Wichtigste auf einen Blick

• Volltextsuche vergleicht Begriffe, Tokens und Zeichenketten.
• Semantische Suche vergleicht Bedeutungen über Vektor-Embeddings.
• Volltextsuche ist stark bei Artikelnummern, SKUs und exakten Produktnamen.
• Semantische Suche ist stark bei Synonymen, Umgangssprache und natürlichsprachlichen Anfragen.
• Im B2B ist reine semantische Suche selten ausreichend.
• Der beste Ansatz ist meistens Hybrid Search: Volltext plus semantische Suche.
• Produktdatenqualität bleibt auch bei semantischer Suche entscheidend.

 

Was ist Volltextsuche im Onlineshop?

Volltextsuche durchsucht Produktdaten nach Begriffen, die im Suchindex vorkommen.

Sie arbeitet typischerweise mit:

• Produktnamen
• Beschreibungen
• Kategorien
• Artikelnummern
• Herstellerangaben
• technischen Attributen

Technisch basiert Volltextsuche häufig auf:

• MySQL Fulltext
• Elasticsearch
• OpenSearch
• Solr
• plattformeigenen Suchindizes

Beispiel

Produkttext: „Einbaubackofen mit Heißluftfunktion“

Suchanfrage: „Backofen“

Die Volltextsuche findet das Produkt, weil der Begriff „Backofen“ im Produkttext enthalten ist.

 

Wo Volltextsuche stark ist

Volltextsuche ist stark bei:

• Artikelnummern
• SKUs
• GTINs
• Herstellernummern
• exakten Produktnamen
• technischen Normen

Beispiel: „DIN 912 M8x40“

Hier ist keine Interpretation gewünscht. Der Nutzer erwartet den exakten Treffer.

 

Wo Volltextsuche an Grenzen stößt

Volltextsuche kennt zunächst keinen Kontext. Sie findet nur, was im Index steht oder durch Regeln abgebildet wurde.

Typische Probleme:

• Synonyme fehlen
• regionale Begriffe werden nicht erkannt
• Umgangssprache passt nicht zur Produktbeschreibung
• Nutzer beschreibt ein Problem statt ein Produkt
• Tippfehler führen zu Null-Treffern

Beispiel

Produkttext: „Einbaubackofen“

Suchanfragen:

• Backofen
• Backrohr
• Herd-Ofen
• Ofen zum Backen

Eine klassische Volltextsuche findet zuverlässig „Backofen“. Bei „Backrohr“ oder „Herd-Ofen“ hängt alles davon ab, ob Synonyme gepflegt wurden.

 

Was ist semantische Suche im E-Commerce?

Semantische Suche erkennt Bedeutungszusammenhänge.

Statt nur Zeichenketten zu vergleichen, wandelt sie Suchanfragen und Produktdaten in numerische Vektoren um. Diese Vektoren bilden Bedeutung ab.

Begriffe mit ähnlicher Bedeutung liegen im Vektorraum nah beieinander.

Beispiel:

• Backofen
• Backrohr
• Einbaubackofen
• Ofen zum Backen

Diese Begriffe sind unterschiedlich geschrieben, meinen aber etwas Ähnliches.

 

Wie funktioniert semantische Suche technisch?

Der Ablauf:

1. Produktdaten werden durch ein Sprachmodell verarbeitet.
2. Für jedes Produkt entsteht ein Embedding.
3. Die Suchanfrage wird ebenfalls in ein Embedding umgewandelt.
4. Die Suche vergleicht die Nähe der Vektoren.
5. Ähnliche Produkte werden ausgegeben.

Das Ergebnis: Die Suche findet Produkte auch dann, wenn die Suchbegriffe nicht exakt in den Produktdaten vorkommen.

 

Volltextsuche vs semantische Suche im Vergleich

Beispiel: Backofen, Backrohr und Herd-Ofen

Ein Shop führt einen Einbaubackofen.

Im Produktdatensatz steht:

„Einbaubackofen mit Heißluftfunktion“

Drei Nutzer suchen:

• Backofen
• Backrohr
• Herd-Ofen

 

Ergebnis mit Volltextsuche

• „Backofen“ findet den Artikel.
• „Backrohr“ findet ihn nur, wenn ein Synonym gepflegt wurde.
• „Herd-Ofen“ findet ihn nur, wenn entsprechende Begriffe im Index oder Synonymwörterbuch stehen.

 

Ergebnis mit semantischer Suche

Die semantische Suche erkennt die Bedeutungsnähe.

Sie kann den Einbaubackofen auch dann anzeigen, wenn „Backrohr“ oder „Herd-Ofen“ nicht exakt in den Produktdaten stehen.

Das reduziert Null-Treffer und erhöht die Wahrscheinlichkeit, dass Nutzer passende Produkte finden.

 

Wann reicht Volltextsuche aus?

Volltextsuche reicht häufig aus, wenn:

• Nutzer über Artikelnummern suchen
• Produktnamen eindeutig sind
• das Sortiment klein ist
• Kunden die Fachbegriffe kennen
• Synonyme gepflegt sind
• technische Normen dominieren

Typische Beispiele:

• Ersatzteilbestellung über SKU
• Wiederbestellung im B2B-Shop
• Stammkunden mit klarer Produktkenntnis
• kleine Spezialsortimente

In solchen Fällen ist eine gut konfigurierte Volltextsuche oft wirtschaftlicher als ein semantisches Setup.

 

Wann lohnt sich semantische Suche?

Semantische Suche lohnt sich, wenn:

• viele Null-Treffer auftreten
• Nutzer uneinheitliche Begriffe verwenden
• Produktdaten und Kundensprache auseinanderfallen
• Sortiment und Synonyme schwer zu pflegen sind
• Produkte erklärungsbedürftig sind
• Nutzer natürlichsprachlich suchen
• internationale Begriffe eine Rolle spielen

Typische Beispiele:

• technische Handelsplattformen
• Ersatzteilshops
• DIY- und Werkzeugshops
• B2B-Großhandel
• Beratungsprodukte
• After-Sales-Portale

 

Warum Hybrid Search in der Praxis gewinnt

In der Praxis ist die beste Lösung meist keine Entweder-oder-Entscheidung.

Hybrid Search kombiniert Volltextsuche und semantische Suche.

Der Ablauf:

1. Die Volltextsuche sucht exakte Treffer.
2. Die semantische Suche sucht bedeutungsnahe Treffer.
3. Ein Ranking-Modell führt beide Ergebnislisten zusammen.
4. Exakte Treffer werden priorisiert, semantische Treffer ergänzen.

 

Warum das besonders im B2B wichtig ist

B2B-Shops müssen zwei sehr unterschiedliche Suchmuster bedienen:

• exakte Suche nach Artikelnummern
• unscharfe Suche nach Problembeschreibungen

Beispiel: „DIN 912 M8x40“

muss exakt gefunden werden.

„Schraube für Metallgehäuse mit Innensechskant“

sollte semantisch interpretiert werden.

Hybrid Search verbindet beide Welten.

 

Entscheidungsmatrix: Welche Suche passt zu welchem Fall?

Situation	Empfehlung
Nutzer suchen hauptsächlich Artikelnummern	Volltextsuche
Viele Null-Treffer durch Synonyme	Semantische Suche ergänzen
Große technische Sortimente	Hybrid Search
Kleine Sortimente unter 500 Produkten	Volltextsuche
Beratungsintensive Produkte	Semantische Suche
B2B-Wiederbestellung	Volltextsuche
Neue Kunden ohne Fachwissen	Semantische Suche
Ersatzteilshop mit SKUs und Beschreibungen	Hybrid Search

 

Typische Fehler bei semantischer Suche

Volltextsuche zu früh ersetzen

Semantische Suche sollte die klassische Suche ergänzen, nicht ersetzen.

Artikelnummern semantisch suchen

SKUs, GTINs und Herstellernummern müssen exakt verarbeitet werden.

Schlechte Produktdaten ignorieren

Auch semantische Suche braucht gute Beschreibungen und Attribute.

Keine Erfolgsmessung einführen

Ohne A/B-Test ist nicht klar, ob sich die Trefferqualität verbessert.

Latenz unterschätzen

Vektor- und Hybrid-Suche brauchen saubere Architektur, damit Suchergebnisse schnell bleiben.

 

Checkliste: Brauchen Sie semantische Suche?

• Ihre Null-Treffer-Rate ist hoch.
• Kunden verwenden andere Begriffe als Ihre Produktdaten.
• Synonympflege wird zu aufwendig.
• Das Sortiment ist groß oder technisch komplex.
• Nutzer suchen zunehmend in ganzen Sätzen.
• Die Suche nach Artikelnummern funktioniert bereits zuverlässig.
• Produktdaten enthalten ausreichend Beschreibungen und Attribute.
• Sie können Suchqualität per A/B-Test messen.

Wenn mindestens vier Punkte zutreffen, lohnt sich ein Pilot für semantische Suche oder Hybrid Search.

 

So unterstützt Unit M dabei

Unit M analysiert bestehende Such-Logs, Null-Treffer-Muster und Produktdatenqualität in B2B-Shops. Daraus entsteht eine Empfehlung, ob Volltextsuche, semantische Suche oder ein hybrider Ansatz sinnvoll ist.

Wir betrachten dabei nicht nur die Suchtechnologie, sondern auch:

• Produktdaten
• Synonyme
• Artikelnummernlogik
• Filterstruktur
• Plattformarchitektur
• Betriebskosten
• Datenschutz

Das Ziel ist keine KI um der KI willen, sondern eine bessere Produktsuche mit messbarem Ergebnis.

Häufige Fragen zur semantischen Suche (FAQ)

Was ist der wichtigste Unterschied zwischen Volltextsuche und semantischer Suche?

Volltextsuche vergleicht Wörter und Zeichenketten. Semantische Suche vergleicht Bedeutungen und erkennt dadurch auch verwandte Begriffe, Synonyme und Umschreibungen.

Ersetzt semantische Suche die Volltextsuche?

Nein. Semantische Suche ergänzt die Volltextsuche. Besonders bei Artikelnummern, SKUs und technischen Normen bleibt Volltextsuche unverzichtbar.

Funktioniert semantische Suche auch bei Artikelnummern?

Nur eingeschränkt. Artikelnummern haben keine semantische Bedeutung. Für SKUs, GTINs und Herstellernummern ist klassische Volltextsuche besser geeignet.

Was ist Hybrid Search?

Hybrid Search kombiniert Volltextsuche und semantische Suche. Exakte Treffer werden durch bedeutungsnahe Treffer ergänzt.

Wann lohnt sich semantische Suche im Onlineshop?

Wenn Kunden andere Begriffe verwenden als die Produktdaten, viele Null-Treffer auftreten oder das Sortiment groß und erklärungsbedürftig ist.

Ist semantische Suche teurer als Volltextsuche?

Ja, meistens. Sie benötigt Embeddings, Vektorindex und zusätzliche Infrastruktur oder einen spezialisierten Anbieter.

Wie lange dauert die Einführung?

Ein Pilot dauert typischerweise vier bis acht Wochen, wenn Produktdaten und Suchlogs verfügbar sind.

Welche Produktdaten brauche ich?

Mindestens Produktnamen, Beschreibungen, technische Attribute, Kategorien und Synonyme. Je besser die Daten, desto besser die semantischen Treffer.

Ist semantische Suche für B2B geeignet?

Ja, besonders bei technischen Sortimenten, Ersatzteilen und erklärungsbedürftigen Produkten. Sie sollte aber immer mit klassischer Suche kombiniert werden.

Was ist der erste Schritt?

Die Analyse der Suchanfragen und Null-Treffer der letzten 90 Tage. Daraus wird sichtbar, ob semantische Suche tatsächlich einen Hebel bietet.