Inside AI Search #5: Dynamic Faceting

In der Reihe „Inside AI Search“ zeigt Quasiris, was hinter den einzelnen Funktionen moderner KI gestützter Suche steckt. In diesem Beitrag geht es um Dynamic Faceting, also um Filter, die sich an Suchanfrage, Ergebnismenge und Nutzungskontext anpassen können.

Filter wirken auf den ersten Blick wie ein einfaches Element der Benutzeroberfläche. Bei großen Produktkatalogen oder Informationsbeständen entscheiden sie jedoch häufig darüber, ob Nutzer schnell zum passenden Ergebnis gelangen oder sich durch zahlreiche Treffer und Auswahlmöglichkeiten arbeiten müssen.

Was ist Dynamic Faceting?

Facetten sind Merkmale, mit denen Nutzer eine bestehende Ergebnismenge gezielt eingrenzen können.

In einem Onlineshop können das beispielsweise sein:

• Marke
• Größe
• Farbe
• Preis
• Material
• Verfügbarkeit

Bei einer Unternehmenssuche sind dagegen häufig Dokumenttyp, Sprache, Abteilung, Autor oder Veröffentlichungsdatum relevant.

Bei klassischen Suchlösungen werden solche Filter oft im Voraus definiert und in einer festen Reihenfolge angezeigt. Unabhängig von der konkreten Anfrage sehen Nutzer dadurch häufig dieselben Auswahlmöglichkeiten.

Dynamic Faceting verfolgt einen anderen Ansatz.

Das System bewertet, welche Facetten für die aktuelle Suche sinnvoll sind und kann deren Auswahl oder Reihenfolge entsprechend anpassen.

Eine umfassende Analyse von 170 Publikationen zu Dynamic Faceted Search beschreibt genau diese Aufgabe als Weiterentwicklung klassischer Facettensysteme. Dynamische Facetten sollen große Ergebnismengen besser strukturieren und Nutzern abhängig von ihrem Informationsbedarf passende Möglichkeiten zur Eingrenzung anbieten.¹

Warum statische Filter schnell an Grenzen stoßen

Stellen wir uns einen großen Onlineshop vor.

Bei der Suche nach:

„Fernseher“

sind Bildschirmgröße, Auflösung und Display Technologie wahrscheinlich wichtige Kriterien.

Bei:

„Gesichtscreme“

spielen dagegen Hauttyp, Inhaltsstoffe und Anwendungsbereich eine größere Rolle.

Eine einzige feste Filterreihenfolge kann beiden Situationen kaum gleichermaßen gerecht werden.

Auch innerhalb derselben Kategorie kann sich die Relevanz einzelner Facetten abhängig von der Anfrage verändern.

Wer nach:

„leichter Laptop für Geschäftsreisen“

sucht, interessiert sich möglicherweise zuerst für Gewicht, Akkulaufzeit und Displaygröße.

Bei:

„Gaming Laptop unter 1.500 Euro“

werden dagegen Grafikkarte, Prozessor, Arbeitsspeicher und Preis wichtiger.

Dynamic Faceting versucht deshalb nicht nur zu beantworten:

Welche Attribute existieren in unserem Datenbestand?

Sondern:

Welche dieser Eigenschaften helfen bei der aktuellen Suche tatsächlich weiter?

Die Reihenfolge der Filter ist Teil der Suchqualität

Nicht nur die verfügbaren Facetten sind relevant. Auch ihre Reihenfolge beeinflusst, wie einfach sich eine Ergebnismenge erschließen lässt.

Eine Übersicht über bestehende Verfahren zum Facet Ranking zeigt, dass die Priorisierung beispielsweise anhand von Anfrage, Datenbestand, Nutzerkontext und semantischen Beziehungen erfolgen kann. Die Auswahl und Sortierung von Facetten ist damit ein eigenes Rankingproblem innerhalb der Suche.²

Das ist besonders bei großen Sortimenten wichtig.

Wenn zehn oder zwanzig mögliche Filter angezeigt werden, müssen Nutzer selbst herausfinden, welche davon für ihre aktuelle Aufgabe relevant sind. Eine kontextbezogene Priorisierung kann diesen Aufwand reduzieren.

Dynamic Faceting wird damit zu einem Teil der intelligenten Nutzerführung.

Kontext entscheidet darüber, welche Filter sinnvoll sind

Eine Suche besteht nicht nur aus dem eingegebenen Text.

Auch die aktuelle Ergebnismenge kann wichtige Hinweise liefern.

Angenommen, ein Nutzer sucht nach:

„wasserdichte Wanderschuhe“

und alle gefundenen Produkte sind bereits wasserdicht.

Ein zusätzlicher Filter „wasserdicht“ bietet dann kaum noch einen Mehrwert.

Größe, Einsatzgebiet, Gewicht oder Preisklasse könnten dagegen wesentlich hilfreicher sein.

Dynamic Faceting kann solche Beziehungen berücksichtigen und die Navigation an die tatsächlich vorhandenen Ergebnisse anpassen.

Dadurch wird vermieden, dass Nutzer mit Filtern konfrontiert werden, die zwar technisch existieren, für die aktuelle Entscheidung aber wenig beitragen.

Von dynamischen zu generierten Facetten

Mit generativer KI entsteht eine weitere Möglichkeit: Facetten müssen nicht ausschließlich aus einer vorab festgelegten Liste ausgewählt werden.

Ein 2026 vorgestellter Ansatz für E Commerce Search verbindet die automatische Generierung kontextbezogener Facetten mit einer Anpassung der Suchanfrage. Das System erzeugt Navigationsmöglichkeiten auf Basis der aktuellen Suchabsicht und nutzt die Auswahl anschließend wiederum zur Präzisierung des Retrievals.

In den dort durchgeführten Online Tests stieg die Klickrate auf Facetten relativ um 42 Prozent, während die Conversion Rate um 2 Prozent zunahm. Diese Ergebnisse beziehen sich auf den untersuchten Anwendungsfall und lassen sich nicht pauschal auf andere Shops übertragen. Sie zeigen jedoch, welches Potenzial in einer engeren Verbindung von Query Understanding, Facetten und Retrieval liegen kann.³

Damit entwickelt sich Dynamic Faceting perspektivisch von der automatischen Sortierung vorhandener Filter hin zu einer stärker kontextbezogenen Navigation.

Datenqualität bleibt die Grundlage

Auch intelligente Filter benötigen verlässliche Daten.

Wenn beispielsweise das Gewicht eines Produkts bei einem Teil des Sortiments in Kilogramm, bei einem anderen in Gramm und bei weiteren Produkten gar nicht hinterlegt ist, kann ein System daraus nur eingeschränkt sinnvolle Filter erzeugen.

Das Gleiche gilt für unvollständige Kategorien oder uneinheitliche Bezeichnungen.

Wichtige Grundlagen sind deshalb:

• konsistente Produktattribute
• einheitliche Einheiten
• klare Kategorien
• vollständige Metadaten
• aktuelle Informationen

Dynamic Faceting kann vorhandene Informationen intelligenter auswählen und priorisieren. Es kann eine unzureichende Datenbasis jedoch nicht vollständig ausgleichen.

Dynamic Faceting ist nicht nur für E Commerce relevant

Facetten werden häufig mit Onlineshops verbunden. Das Prinzip funktioniert jedoch ebenso bei Enterprise Search und Wissenssuche.

Bei einer Anfrage zu einer technischen Störung könnten zum Beispiel folgende Facetten wichtig werden:

Produktmodell, Fehlercode, Dokumenttyp und Version

Bei einer Suche nach einer internen Richtlinie dagegen:

Standort, Fachbereich, Gültigkeit und Sprache

Die verfügbaren Filter verändern sich abhängig davon, welche Informationen gerade gesucht werden.

Gerade bei heterogenen Unternehmensdaten kann das Nutzern helfen, große Informationsbestände schneller zu strukturieren.

Nutzerverhalten kann zusätzliche Signale liefern

Neben Anfrage und Datenbestand können auch Interaktionen dabei helfen, sinnvolle Facetten zu erkennen.

Wird bei bestimmten Suchanfragen regelmäßig derselbe Filter verwendet, kann dies darauf hindeuten, dass dieses Merkmal für die Entscheidung besonders relevant ist.

Solche Signale sollten allerdings nicht isoliert betrachtet werden.

Die Position eines Filters beeinflusst beispielsweise selbst, wie häufig er genutzt wird. Häufige Interaktionen bedeuten deshalb nicht automatisch, dass eine Facette objektiv wichtiger ist.

Sinnvoller ist eine Kombination aus:

Suchkontext, Datenstruktur, Nutzungssignalen und fachlichen Regeln.

So bleibt die Filterlogik steuerbar und kann gleichzeitig aus dem tatsächlichen Suchverhalten lernen.

Dynamic Faceting braucht Geschäftslogik

Nicht jede Entscheidung sollte vollständig automatisiert werden.

In bestimmten Anwendungsfällen gibt es Facetten, die unabhängig vom Nutzungsverhalten wichtig bleiben.

In einem technischen Ersatzteilkatalog kann beispielsweise die Kompatibilität entscheidend sein. Bei sensiblen Dokumenten können Dokumenttyp oder Gültigkeitsstatus eine feste Bedeutung besitzen.

Dynamic Faceting sollte solche Anforderungen berücksichtigen.

Automatische Priorisierung und fachliche Regeln schließen sich daher nicht aus. Eine leistungsfähige Suche verbindet beide Ansätze.

Wie lässt sich der Nutzen messen?

Der Erfolg von Dynamic Faceting sollte nicht allein anhand der Zahl der Filterklicks bewertet werden.

Wichtiger ist, ob Nutzer einfacher zum passenden Ergebnis gelangen.

Mögliche Kennzahlen sind beispielsweise:

• Nutzung relevanter Facetten
• Zahl notwendiger Suchschritte
• Zeit bis zum passenden Ergebnis
• Suchabbrüche
• Klickrate auf relevante Treffer
• Conversion im E Commerce
• erfolgreiche Aufgabenabschlüsse bei Enterprise Search

Besonders hilfreich sind kontrollierte Tests, bei denen eine statische und eine dynamische Variante miteinander verglichen werden.

So lässt sich feststellen, ob die veränderte Filterlogik tatsächlich einen Mehrwert schafft.

Fazit: Gute Filter passen sich der Suche an

Facetten sind mehr als eine Seitenleiste neben der Trefferliste.

Dynamic Faceting verbindet Filter mit Suchanfrage, Datenbestand und Nutzungskontext. Dadurch können genau die Auswahlmöglichkeiten hervorgehoben werden, die Nutzern bei ihrer aktuellen Suche weiterhelfen.

Besonders bei großen Produktkatalogen und heterogenen Informationsbeständen reduziert dieser Ansatz die Notwendigkeit, sich durch zahlreiche statische Filter zu arbeiten.

Die Qualität hängt jedoch weiterhin von einer guten Datenbasis und klaren fachlichen Regeln ab.

Die Quasiris Search Cloud unterstützt Dynamic Faceting und kann relevante Filter abhängig von Suchanfrage und Kontext bereitstellen.

Sie möchten herausfinden, welche Facetten Nutzer in Ihrer Suche tatsächlich benötigen? Sprechen Sie mit den Search Experten von Quasiris über Ihren Anwendungsfall.