Suche mit russischsprachigen Markensynonymen
Luxus-Optiker
Einleitung
Unsere Analysen zeigten: Nutzer suchten nach Begriffen wie „Гуччи“ (Gucci), „Диор“ (Dior) oder „Версаче“ (Versace), aber das System erwartete eine exakte Übereinstimmung in lateinischer Schreibweise – und lieferte keine Ergebnisse. Das wirkte sich direkt auf die Konversionsrate und das Nutzererlebnis aus: Ein Teil der Zielgruppe erreichte schlichtweg nie die Produktseite.
Aus geschäftlicher Sicht war die Aufgabe klar – russischsprachige Schreibweisen von Markennamen zu erkennen und passende Produkte anzuzeigen.
Doch unser Team betrachtete das Problem aus einer breiteren Perspektive. Uns war klar: Die Suche nur um Synonyme zu erweitern, würde nicht ausreichen. Sie musste skalierbar, schnell und technisch robust sein – bei jedem Traffic-Level. Deshalb stellten wir neben den Geschäftsanforderungen auch gleich Fragen zur Architektur, Performance und Systemzuverlässigkeit.
Systembeschreibung
Es handelt sich um eine moderne E-Commerce-Plattform auf Basis von Laravel. Der Produktkatalog umfasst 194 Marken und 34.000 Produkte. Die ursprüngliche Struktur war klassisch: Produkte sind Marken zugeordnet, alles ist über Pivot-Tabellen verbunden. Die Plattform war auf die Anzahl der Produkte ausgelegt, aber nicht auf flexible Sprachvarianten oder massentaugliche Textfilter vorbereitet.
Beim Versuch, russischsprachige Synonyme in die bestehende Struktur zu integrieren, zeigte sich: Jeder Suchvorgang führte zu aufwändigen JOIN-Operationen. Für 100 Suchanfragen wurden bis zu 1.500 SQL-Queries ausgeführt. Unter hoher Last führte das zu deutlich spürbaren Verzögerungen.
Zudem fehlte ein zentraler Mechanismus zur Pflege der Synonyme. Die manuelle Eingabe über das Admin-Panel war unpraktisch und ließ keine Qualitätssicherung zu.
Problem Nr. 1: Nutzer suchen, wie es ihnen passt!
Wenn ein Nutzer „гуччи“ eingibt, erwartet er Produkte der Marke Gucci. Das ist ein typisches Verhalten auf jeder modernen E-Commerce-Plattform.
Wir haben eine vollwertige Synonymverwaltung für Marken implementiert. In der ersten Phase generierte ein KI-Sprachmodell eine Liste von Transliterationen, umgangssprachlichen und häufig genutzten Formen. In der zweiten Phase wurde diese Liste manuell vom Content-Team geprüft und verfeinert, sodass die Vollständigkeit und Genauigkeit der Ergebnisse gewährleistet ist.
Der Import der Synonyme erfolgte über CSV-Dateien – einfach, zentralisiert und ohne Eingriff von Entwicklern. Administratoren konnten die Daten schnell ergänzen.
Problem Nr. 2: Die Sucharchitektur belastet die Datenbank
Wir erkannten, dass die wachsende Datenmenge bei gleichbleibender Struktur unweigerlich zu Leistungseinbußen führen würde.
Wir trafen die strategische Entscheidung zur Denormalisierung. Die Synonyme wurden direkt im Produktmodell gespeichert. Die Suche erfolgt nun in der Haupt-Produkttabelle. JOINs wurden damit überflüssig und die Datenbanklast sank um ein Vielfaches.
Außerdem erfolgt die Synchronisation der Synonyme zwischen Marken und Produkten asynchron über Laravel-Events und Queues, was die Stabilität auch bei Lastspitzen sicherstellt.
Problem Nr. 3: Massenupdates müssen produktionstauglich sein
Das Aktualisieren von Synonymen darf den Shop weder verlangsamen noch unterbrechen. Alles muss für den Endnutzer unsichtbar im Hintergrund ablaufen.
Updates werden als Hintergrundprozess durchgeführt. Bei Änderungen an den Markensynonymen wird ein Event ausgelöst, das eine Queue zur Aktualisierung aller zugehörigen Produkte startet. Die Systemlast wird gleichmäßig verteilt, ohne Einfluss auf die Performance.
| Kennzahl | Vor der Optimierung | Nach der Optimierung |
|---|---|---|
| SQL-Anfragen pro 100 Suchen | ~1500 | ~100 |
| Durchschnittliche Antwortzeit | ~800 ms | <120 ms |
| Konversionsrate über die Suche | ~2,5 % | >4,1 % |
| Skalierbarkeit | eingeschränkt | hoch |
SQL-Anfragen pro 100 Suchen
~1500
~100
Durchschnittliche Antwortzeit
~800 ms
<120 ms
Konversionsrate über die Suche
~2,5 %
>4,1 %
Skalierbarkeit
eingeschränkt
hoch
Wir haben nicht nur die Synonymsuche implementiert, sondern sie stabil, schnell und zukunftsfähig gemacht. Diese Lösung löste nicht nur das akute Problem des Kunden, sondern schuf auch eine technologische Grundlage für weiteres Wachstum.
Fazit
Dieses Projekt zeigt, wie eine klare Zieldefinition gepaart mit Eigeninitiative des Tech-Teams zu einem Ergebnis führt, das die ursprünglichen Erwartungen übertrifft.
Der nächste Schritt: Predictive Search und eine erweiterte Logik zur Verarbeitung von Nutzeranfragen.
Das Ergebnis: Die Suche ist präziser, die Plattform stabiler und das Kundenteam unabhängiger in der Datenpflege.