Bild-Schulung-NiFi

Autosuggest meets Signals

Johannes Brucher

…ist nicht nur auf dem Gebiet Search & Analytics Spezialist, sondern fühlt sich ebenso im Bereich SHI Publishing Solutions zuhause. Geboren 1981 in Bayern, studierte er Bioinformatik mit Schwerpunkt Softwareengineering an der FH Weihenstephan in Freising. Seit über 10 Jahren bereichert er SHI mit seinen Fachkenntnissen, die er bei SHI von „Junior Consultant“ zum „Senior Technical Consultant“ ausbaute. Lieblings-Dateiformat: WAV, MOV, jar

Eine Autosuggest Funktion ist heutzutage für Webseiten aller Art nicht mehr wegzudenken. Zu viele Vorteile bietet diese Funktionalität bezüglich Navigation und direktem Produkteinstieg.

Allerdings variiert die Güte der angezeigten Vorschläge stark. Heutzutage gilt es meist nicht mehr, „nur“ Treffer basierend auf dem eingegeben Suchterm darzustellen – relevante aber auch trendbasierte Vorschläge sind der De-Facto-Standard in heutigen Onlineshops.

Ihre Kunden geben den Trend vor, welche Inhalte gerade angesagt sind. Diese Informationen sollten in ein smartes Autosuggest einfließen, um relevante Suchvorschläge anzuzeigen.

Aber was bedeutet eigentlich Relevanz im Bereich Autosuggest?
Wie immer lässt sich diese Frage nicht eindeutig beantworten, da die Antwort vom jeweiligen Anwendungsfall abhängt. Suchvorschläge können beispielsweise relevant sein, wenn sie:

  • Möglichst viele Treffer zurückgeben
  • In möglichst vielen Kategorien vorkommen
  • Basierend auf Suchanfragen anderer Kunden bestehen
  • Zu einem Kauf geführt haben

In diesem Blog zeigen wir Ihnen, wie Sie Suchanfragen anderer Kunden in das Trefferbild Ihrer Autosuggest-Funktion mit einfließen lassen und somit Ihr Autosuggest „smarter“ gestalten können.

Kernstück dieses Features ist ein eigener Suchindex, welcher aus getätigten Suchanfragen aller Nutzer (sogenannter Signals) besteht.

Ein Signal besteht in unserer Definition aus folgenden Feldern (pro Signals-Dokument):

  1. Die getätigte Suchanfrage eines Nutzers
  2. Die erhaltene Trefferanzahl für die Suchanfrage
  3. Etwaig verwendete Filter
  4. Eine eindeutige ID

Jede getätigte Suchanfrage muss nun in ein Signal überführt und anschließend indexiert werden.
Der daraus entstehende Index bildet die Grundlage für unseren nächsten Schritt, denn unser Ziel ist es, die relevantesten Suchvorschläge zu präsentieren.

Als Relevanzkriterium definieren wir „die meist getätigten Suchanfragen der letzten 2 Wochen“.
Um diese Information zu erhalten, bilden wir einen zweiten Index. Dieser Index enthält die aggregierten Informationen unseres initialen Signal-Indices. Die Aggregation basiert auf dem Feld „getätigte Suchanfrage“, die zu mindestens einem Treffer führte und nicht älter als 2 Wochen ist.
Das Ergebnis dieser Aggregation besteht aus folgenden Informationen:

  1. Die getätigte Suchanfrage
  2. Die Häufigkeit der Suchanfrage (Wie oft wurde nach diesem Begriff gesucht)

Dieser sogenannte Aggregation-Signals-Index ist nun die Grundlage für unser Autosuggest und beinhaltet die häufigsten Suchbegriffe anderer Nutzer der letzten 2 Wochen. Auf diese Weise ist sichergestellt, dass unsere Vorschläge stets die aktuellen Trends und Interessen der Kunden wiederspiegeln.

Zusätzliche Erweiterungen

In dem gezeigten Szenario haben wir uns rein auf Suchanfragen gestützt, die jeweils Treffer erzeugen bzw. zurückgeben. Eine weitere Ausbaustufe könnte sein, Suchanfragen stärker zu gewichten, welche letztlich zu einem Kauf geführt haben. Dazu müsste der Signals-Index entsprechend um diese Information erweitert werden, bevor eine Aggregierung ausschließlich solche Dokumente (neben einer Aktualität von <= 2 Wochen) berücksichtigen kann.

Übrigens, Signals ist ein Konzept, welches nicht nur für Autosuggest Anwendung findet.
Mit Signals lassen sich alle Arten von Informationen in einen Suchindex überführen.
Ein ausgezeichnetes Werkzeug, welches die Verarbeitung von Signals in seinem gesamten Umfang unterstützt, ist Lucidworks Fusion.

Haben Sie weiterführende Fragen?