Elasticsearch-Relevanz mit echter Geschäftslogik verfeinert
Eine geschäftsspezifische Boost-Schicht über die Elasticsearch-gestützte Onsite-Suche von endress.com gelegt, statt deren Relevanz-Engine zu ersetzen.
Problem
Die Onsite-Suche von endress.com läuft auf Elasticsearch, dessen Relevanz-Scoring auf Textübereinstimmung ausgelegt ist und kein eingebautes Verständnis für die Geschäftssignale hat, die tatsächlich bestimmen, ob ein Listing für einen B2B-Käufer im jeweiligen Moment relevant ist: Lebenszyklus-Phase, Segmentierung, Lagerverfügbarkeit oder ob das Produkt im Markt des Kunden überhaupt verfügbar ist.
Vorgehen
Statt die Relevanz-Engine von Elasticsearch zu ersetzen, initiierte und leitete ich die Konzeption einer Boost-Schicht darüber: ein Berechnungsmodell, das jedes Produkt nach Lebenszyklus-Phase (neu, aktiv, auslaufend), Segmentierung, Lagerverfügbarkeit und Marktverfügbarkeit bewertet und daraus Boosts und Abwertungen ableitet, die auf den nativen Relevanz-Score von Elasticsearch angewendet werden. Elasticsearch übernimmt weiterhin das, was es am besten kann – Matching und Ranking nach Suchintention –, während die Boost-Schicht den Geschäftskontext ergänzt, den es standardmässig nicht kennt.
Ergebnis
Suchergebnisse und Produktlisten auf endress.com spiegeln nun sowohl wider, wonach ein Kunde sucht, als auch, was gerade tatsächlich relevant zum Kauf ist, ohne das zugrunde liegende Relevanzmodell von Elasticsearch zu verwerfen – eine Boost-Schicht, die weiter wachsen kann, sobald neue Geschäftssignale relevant werden.
Verwandtes Wissen
Arbeiten Sie an etwas Ähnlichem?
Lassen Sie uns über daten- und KI-getriebene Produktentscheidungen für Ihr Team sprechen.
Kontakt aufnehmen