Im E-commerce spielt die interne Suchfunktion mittlerweile eine extrem wichtige Rolle. Conversionrates in Sessions mit Suche liegen oft um ein Vielfaches höher als in Sessions ohne Suche (laut SDL im Schnitt um 270% höher).
Über die Gründe kann man nur spekulieren. Nahe liegend scheint, dass wir durch die großen Anlaufstellen im Netz – vor allem Google, YouTube und Amazon – gelernt haben, dass eine Suche oft schneller zum gewünschten Ziel führt, als eine noch so gute Navigation. Zumindest wenn die Suche gut funktioniert.

Heatmap aus econda. Rot eingefärbt sind die Bereiche, die häufig geklickt werden. Deutlich sichtbar ist, dass die Suche sehr viel häufiger verwendet wird als die Navigation.
Trotzdem wird die Suchoptimierung von vielen Sitebetreibern sträflich vernachlässigt. Das ist nicht verwunderlich, weil es sich um ein technisch und konzeptionell anspruchsvolles Thema handelt, das oft unterschätzt wird. Meist beschränkt sich die Optimierung auf Design und Anordnung der Suchelemente (z.B. Aufbau der Suchergebnisse, Bildergröße, Button-Labels, etc.). Aber das Kernstück – der Algorithmus, der die Relevanz bestimmt – ist schwerer zu testen. Und weil das so ist, wird die Optimierung der Suchalgorithmen oft durch die Beobachtung von Einzelfällen gesteuert. Was wiederum dazu führt, dass man zwar diese vereinzelten Problemfälle löst, sich aber die Suchqualität insgesamt verschlechtern kann. Die Frage ist also: Wie können wir die Effekte von Änderungen am Suchalgorithmus quantitativ über Tests nachweisen? Darum drehen sich die folgenden Gedanken und Prozessvorschläge: Weiterlesen