Verbesserung der Walmart-Suche: Zeitersparnis für Millionen von Kunden

Walmart.com, eine führende E-Commerce-Plattform, verbessert kontinuierlich seine Suchmaschine, um das Kundenerlebnis zu verbessern. Dieser Artikel untersucht, wie Walmart maschinelles Lernen und KI einsetzt, um relevantere Produkte für komplexe Suchanfragen zu liefern und so Millionen von Kunden wertvolle Zeit zu sparen und die Konversionen zu steigern.

Die Herausforderung der Tail-Queries

Tail-Queries leiden naturgemäß unter begrenztem Traffic und geringer Nutzerinteraktion. Dies erschwert es, sich auf traditionelle Signale für Recall- und Ranking-Systeme zu verlassen. Um dies zu überwinden, hat sich Walmart marktführenden Strategien und Technologien in der Sprachverarbeitung und im Deep Learning zugewandt. Ihre Bemühungen konzentrierten sich auf zwei Schlüsselbereiche:

1. Verbesserung des Such-Recalls: Nutzung der neuesten Techniken des maschinellen Lernens (ML), um relevante Artikel aufzudecken, die möglicherweise zuvor nicht angezeigt wurden.
2. Verbesserung der Such-Ranking-Systeme: Einsatz von ML und KI, um die relevantesten Artikel an die obersten Suchpositionen zu bringen.

Diese Initiativen haben bereits zu erheblichen Verbesserungen der Suchrelevanz geführt und Millionen von Walmart-Kunden Zeit gespart. Beispielsweise können E-Commerce-Websites mit erweiterten Suchfunktionen Konversionsraten erzielen, die fast doppelt so hoch sind wie die mit einfacher Suche, wobei einige Studien zeigen, dass Website-Sucher 2,4-mal häufiger kaufen und 2,6-mal mehr auf Mobilgeräten und Desktops ausgeben ¹.

Implementierung und Innovationen

Walmarts Weg umfasste die Optimierung der Logik zur Übereinstimmung von Produkttypen und die Verfeinerung des Verständnisses für die Bedeutung einzelner Wörter (Token) in Suchanfragen. Ursprünglich waren ihre Such-Subsysteme für "Head"- oder Top-Queries optimiert, die einen erheblichen Teil des Umsatzes ausmachen. Die Anwendung dieser strengen Logik auf Tail-Queries filterte jedoch häufig relevante Produkte heraus. Durch die Aufhebung der strengen Produkttypfilterung und die Nutzung der Produkttyp-Verstärkung haben sie eine Verbesserung der Suchrelevanz um über 1,5 % festgestellt, was zu einer stärkeren Kundenbindung führte. Darüber hinaus können sie durch die Zuweisung von Wichtigkeitswerten zu jedem Token in einer Suchanfrage die Kundenabsicht besser extrahieren und verstehen, was zu einer Verbesserung der Suchrelevanz um 4,8 % und einer erhöhten Kundenbindung und Konversion führte. Dieser Prozess der Zuweisung von Wichtigkeit zu Token und des Verständnisses der zugrunde liegenden Absicht ist ein grundlegender Schritt zur Erstellung von Daten, die von fortschrittlichen KI-Modellen, die auf strukturierten und semantisch reichen Informationen basieren, leichter konsumiert werden können. Ihre Investition in Ranking-Systeme, einschließlich der Stärkung der Produkttyp-Übereinstimmung im First-Round-Ranker und der Verbesserung des Re-Rankers, hat die Suchrelevanz ebenfalls um über 4,5 % gesteigert.

¹: Quelle: algolia.com, luigisbox.com

Die Zukunft der E-Commerce-Suche und der Generative Engine Optimization

Mit Blick auf die Zukunft konzentriert sich Walmart weiterhin auf die kontinuierliche Verbesserung des Sucherlebnisses. Dazu gehören die Nutzung von Deep Learning für ein verbessertes Suchverständnis, die Verbesserung von Recall-Engines mit fortschrittlichen Techniken für Long-Tail-Artikel und die Entwicklung neuer Funktionen und Signale für Reranking-Systeme.

Dieses kontinuierliche Streben nach Suchexzellenz im E-Commerce unterstreicht die breitere Bedeutung der Generative Engine Optimization (GEO). Da Kunden zunehmend auf anspruchsvolle Suchfunktionen angewiesen sind und KI eine größere Rolle bei der Produktentdeckung spielt, wird die Optimierung für diese fortschrittlichen Systeme von größter Bedeutung. Plattformen wie alloia.ai entstehen, um die innovativen Tools und Erkenntnisse bereitzustellen, die erforderlich sind, um E-Commerce-Plattformen und Content-Erstellern zu helfen, zu verstehen, wie generative KI Produktinformationen und Kundenabsichten interpretiert. Durch die Nutzung von Technologien, die Daten in für KI konsumierbaren Formaten wie Daten-Graphen und vektorisierten Darstellungen strukturieren, und durch die Einhaltung neuer Protokolle wie MCP/ACP können Unternehmen sicherstellen, dass ihre Produkte nicht nur auffindbar, sondern auch hochrelevant und prominent in der sich entwickelnden Landschaft der KI-gestützten E-Commerce-Suche angezeigt werden, was letztendlich den Kunden Zeit spart und die Konversionen steigert.

Walmarts Engagement, die Suche zu vereinfachen und den Kunden Zeit zu sparen, ist ein Beweis für die Kraft der kontinuierlichen Optimierung im digitalen Einzelhandel.

Für ein umfassendes Verständnis der Generative Engine Optimization lesen Sie unseren Hauptleitfaden: Generative Engine Optimization: Der Schlüssel zur vollen Entfaltung des KI-Potenzials

---

Dieser Artikel wurde von "Improving Walmart Search to help our customers save time!" auf Medium inspiriert.

Source: https://medium.com/walmartglobaltech/improving-walmart-search-to-help-our-customers-save-time-e9fcd1f03e94