Autocomplete im E-Commerce: Warum 50 Kategorievorschläge die Conversion killen

Wenn das Dropdown 50 Vorschläge zeigt und keiner klickt

Eine Kundin tippt im Suchfeld eines mittelgroßen Mode-Shops die Buchstaben "ho". Die Autocomplete-Box klappt auf und zeigt 12 Kategorien, 18 Produkte und 6 Suchbegriffe untereinander. Insgesamt 36 Vorschläge in einem Dropdown, das die untere Hälfte des Smartphone-Bildschirms ausfüllt. Die Tastatur blockiert die Hälfte des Viewports, der Daumen hängt unentschlossen über den ersten drei Einträgen. Nach drei Sekunden tippt sie weiter und sucht stattdessen direkt "Hose" zu Ende. Die Autocomplete hat technisch funktioniert. Geklickt hat trotzdem niemand auf einen Vorschlag.

In einem zweiten Shop läuft die gleiche Suche anders. "Ho" liefert vier Produktvorschläge, zwei Kategorien und einen einzigen prominent platzierten Suchterm. Sieben Einträge insgesamt. Die Kundin klickt auf das oberste Produkt und ist nach zwei weiteren Tipps im Checkout. Beide Shops verkaufen die gleichen Marken, beide nutzen ein modernes Suchsystem. Der Unterschied liegt nicht in der Technologie, sondern in der Frage, wie viele und welche Vorschläge die Autocomplete zeigt und wie sie gerankt sind.

Wer Autocomplete im E-Commerce als reines Komfort-Feature versteht, lässt jede Woche Conversion liegen. Wer den Dropdown als zweite Produktseite versteht, holt sich messbare Klick- und Umsatzgewinne. Dieser Artikel zeigt, warum 50 Kategorievorschläge die Conversion strukturell killen, was die UX-Forschung zur richtigen Vorschlagsanzahl sagt, wie Sie Produkt-, Kategorie- und Suchterm-Vorschläge intelligent mischen und wie eine semantische Schicht die Auswahl dynamisch reduziert.

Was Autocomplete im E-Commerce wirklich macht

Autocomplete ist die Funktion, die während der Eingabe in das Suchfeld eines Online-Shops eine Liste an Vorschlägen einblendet. Im Englischen und in der Devblog-Sprache treffen sich dort mehrere Begriffe, die nicht identisch sind, aber oft synonym verwendet werden. Wer Klarheit braucht, sollte die feinen Unterschiede kennen, weil sie die UX-Entscheidungen prägen.

Autosuggest beschreibt die reine Vorschlags-Logik: das System schlägt Begriffe vor, die der Nutzer übernehmen kann. Search-as-you-type und Type-ahead bezeichnen die Live-Eingabe, bei der jede Tastatureingabe sofort neue Vorschläge nachlädt. Instant Search geht einen Schritt weiter und zeigt nicht nur Vorschläge, sondern direkt eine vollständige Ergebnisseite, die sich mit jedem getippten Zeichen aktualisiert. Predictive Search schließlich versucht, die wahrscheinlichste Sucheingabe oder das wahrscheinlichste Produkt zu prognostizieren, bevor der Nutzer den vollständigen Begriff getippt hat.

Im operativen Shop-Alltag sind alle vier Konzepte ineinander verflochten. Eine ausgereifte Autocomplete kombiniert Autosuggest (Terme), Type-ahead (Live-Aktualisierung) und Predictive (Ranking nach Wahrscheinlichkeit) in einer einzigen Dropdown-Komponente. Genau diese Kombination entscheidet darüber, ob die Box dem Kunden hilft oder ihn überfordert.

Drei Arten von Vorschlägen tauchen in praktisch jeder modernen Autocomplete auf: Suchterm-Vorschläge (zum Beispiel "Hose blau", "Hose Damen", "Hose kurz"), Kategorievorschläge (zum Beispiel "Hosen / Damen / Sommer") und Produktvorschläge (konkrete Artikel mit Bild und Preis). Wie diese drei Typen gewichtet werden, ist die zentrale Frage in jedem Audit, das wir bei BatteryIncluded für Mid-Enterprise-Shops im DACH-Raum durchführen. Wir kommen weiter unten zur konkreten Tabelle.

Wer mit klassischen Open-Source-Suchindizes wie Elasticsearch, OpenSearch oder Solr arbeitet, kennt die zugrundeliegenden Bausteine: den completion suggester für Vorschlagskandidaten, den edge n-gram tokenizer für Prefix-Matching und ein zusätzliches Ranking auf Basis von Häufigkeit, Klick-Daten oder einer separaten Signal-Liste. Die Bausteine liefern Vorschläge. Wie viele und in welcher Reihenfolge, entscheidet jedoch die Anwendungslogik darüber. Genau dort entstehen die Conversion-Probleme.

Choice Overload: Hick's Law und der Jam-Effekt im Shop

Die UX-Forschung hat zur Frage "wie viele Optionen sind genug" zwei robuste Befunde, die sich direkt auf die Autocomplete-Box übertragen lassen.

Hick's Law wurde 1952 von William Edmund Hick formuliert und besagt, dass die Reaktionszeit eines Menschen logarithmisch mit der Anzahl der zur Wahl stehenden Optionen wächst. In einem Dropdown mit zehn Vorschlägen klickt der Nutzer schneller als in einem Dropdown mit 30 Vorschlägen, selbst wenn alle 30 relevant sind. Das ist kein Komfort-Problem. Es ist ein kognitives Limit, das auf die Conversion-Wahrscheinlichkeit pro Sekunde durchschlägt.

Noch markanter wird der Effekt im sogenannten Jam Study Experiment von Sheena Iyengar und Mark Lepper aus dem Jahr 2000. Die beiden Forschenden boten Supermarktkunden an einem Tag sechs verschiedene Marmeladen zum Probieren an, am anderen Tag 24 Sorten. Der Aufmerksamkeitswert war beim 24-Sorten-Stand höher, gestoppt haben mehr Kunden, aber gekauft haben siebenmal weniger. Die Conversion-Rate brach von 30 Prozent auf 3 Prozent ein, sobald die Auswahl zu groß war. Mehr Vorschläge sind nicht besser. Mehr Vorschläge sind oft strukturell schlechter.

Im E-Commerce-Kontext ist dieser Befund mehrfach repliziert worden. Studien des Baymard Institute (USA) und des Nielsen Norman Group zeigen, dass die Click-Through-Rate auf Autocomplete-Vorschläge ab etwa zehn Einträgen pro Spalte rapide abfällt. Auf dem Smartphone sind es noch weniger: ab sechs sichtbaren Vorschlägen beginnt der durchschnittliche Nutzer zu scrollen oder bricht die Vorschlagsauswahl ab. Eine Box mit 50 Kategorievorschlägen ist aus dieser Perspektive kein Service. Sie ist ein Conversion-Killer.

Genau hier liegt der häufigste Standard-Fehler in deutschen Mid-Enterprise-Shops. Wer Autocomplete out-of-the-box aktiviert, bekommt oft eine Liste, die alle Kategorien zeigt, deren Name den getippten String enthält. Bei einem Sortiment mit 200 Kategorien und einem populären Suchbegriff wie "Schwarz" sind das schnell 40 oder mehr Treffer. Die Implementierung ist technisch sauber. Die UX-Folge ist eine sinkende Conversion-Rate, sichtbar in den Analytics als hohe Bounce-Rate auf der Such-Eingabe und niedrige Klickrate auf Vorschläge.

Drei Vorschlagstypen, drei Conversion-Wirkungen

Wer Autocomplete optimieren will, muss zuerst verstehen, dass die drei Vorschlagstypen unterschiedlich performen.

Produktvorschläge sind in der Regel der stärkste Conversion-Hebel. Ein Bild, ein Preis, ein kurzer Titel reichen, damit der Kunde direkt aus der Autocomplete in den Produkt-Detail-Layer springt. Click-Through-Raten auf Produktvorschläge liegen in unseren Audits typisch zwischen 18 und 30 Prozent. Die Conversion-Rate dieser Klicks ist nochmal überdurchschnittlich, weil der Kunde mit einer klaren Intention klickt: er hat das Produkt visuell erkannt und will mehr sehen.

Kategorievorschläge sind ambivalent. Sie helfen, wenn der Kunde noch nicht weiß, welches konkrete Produkt er sucht, und sich orientieren will. Sie schaden, wenn sie zu zahlreich werden und die Box visuell dominieren. Eine Faustregel aus unseren Audits: maximal drei bis fünf Kategorievorschläge, sortiert nach Conversion-Wahrscheinlichkeit, nicht alphabetisch und nicht nach Treffermenge. Sortierung nach Treffermenge sieht logisch aus, drängt aber die spezifischen, conversionstärkeren Kategorien nach unten.

Suchterm-Vorschläge sind der dritte Hebel. Sie schlagen vollständige Suchbegriffe vor, oft basierend auf häufigen Suchanfragen anderer Nutzer ("Hose blau Damen", "Hose Sommer"). Diese Vorschläge sind besonders auf Mobile wertvoll, weil sie Tippaufwand reduzieren. Click-Through-Raten liegen typisch bei 8 bis 15 Prozent, mit überdurchschnittlicher Conversion-Rate, weil der getroffene Suchbegriff bereits von anderen Käufern verifiziert wurde. Achtung: Suchterm-Vorschläge ohne Qualitätskontrolle können auch problematische Anfragen enthalten ("Hose für Halloween-Kostüm", obwohl das Sortiment keine Halloween-Hosen führt). Die Quelle der Vorschlagsliste muss regelmäßig auf Null-Treffer-Anteile geprüft werden.

Die Mischung der drei Typen entscheidet über die Conversion-Wirkung. Ein Setup, das in unseren Audits in Mid-Enterprise-Shops am besten performt, sieht so aus:

| Vorschlagstyp | Anzahl Desktop | Anzahl Mobile | Sortier-Logik |
|---|---|---|---|
| **Produktvorschläge** | 4 bis 6 | 3 bis 4 | Vektorbasiertes Intent-Ranking, dann Verfügbarkeit, dann Verkaufszahlen |
| **Kategorievorschläge** | 2 bis 4 | 1 bis 2 | Conversion-Wahrscheinlichkeit, nicht Treffermenge |
| **Suchterm-Vorschläge** | 3 bis 5 | 2 bis 3 | Häufigkeit gewichtet mit Conversion-Historie |
| **Gesamt sichtbar** | 9 bis 15 | 6 bis 9 | Hick's-Law-Korridor |

Diese Zahlen sind ein Startpunkt, kein Dogma. Je nach Sortiment, Brand-Architektur und Mobile-Anteil müssen sie A/B-getestet werden. Was sie aber zeigen: kein Setup hat 50 Kategorievorschläge. Wer eine solche Liste live hat, hat keine Autocomplete-Strategie, sondern eine Default-Konfiguration aus dem Shopsystem-Backend.

Ein Kunde formuliert die operative Erfahrung mit einem strukturierten Autocomplete so:

"Ein hervorragender Dienstleister mit einem wirklich starken Tool. Der Kundensupport reagiert außergewöhnlich schnell, meist noch am selben Tag oder spätestens am nächsten Morgen. Besonders überzeugt hat uns die leistungsstarke Suchfunktion, mit der sich Synonyme, Kampagnen und viele weitere Optionen flexibel einstellen lassen. Zudem ist der Umgang stets freundlich, hilfsbereit und absolut seriös. So fühlt man sich als Kunde bestens betreut."

Solit Group AG

Die Flexibilität in der Konfiguration ist genau der Hebel, mit dem die Vorschlags-Mischung pro Shop, pro Saison und pro Endgerät angepasst werden kann.

Wie viele Vorschläge sind genug? Magic Numbers aus der Praxis

Die kürzeste ehrliche Antwort auf "wie viele Vorschläge sollte ein Autocomplete-Dropdown anzeigen" lautet: weniger, als Sie aktuell zeigen. Die ausführliche Antwort hängt vom Endgerät und vom Vorschlagstyp ab.

Auf dem Desktop mit einem Viewport von 1.440 Pixel Breite lassen sich komfortabel drei Spalten visualisieren: Suchterme links, Kategorien mittig, Produkte rechts mit Bild. Die Gesamtzahl der sichtbaren Vorschläge liegt bei etwa 12 bis 15, ohne dass die Box den Viewport optisch erschlägt. Mehr braucht es selten. In unseren Audits korreliert eine Reduktion von 25 auf 12 sichtbare Einträge typisch mit einem Anstieg der Klickrate auf Vorschläge um 20 bis 35 Prozent.

Auf dem Tablet mit Hochformat-Viewport von 768 bis 1.024 Pixel funktioniert eine zwei-Spalten-Logik besser: Suchterme links, Produkte rechts, Kategorien als Header oder eingefärbte Pille. Gesamtzahl: 8 bis 10 sichtbare Einträge.

Auf dem Smartphone mit 360 bis 414 Pixel Breite und einer Tastatur, die 40 bis 55 Prozent des Viewports einnimmt, ist Platz das knappste Gut. Hier funktionieren maximal 6 bis 9 sichtbare Vorschläge in einer einzigen Spalte. Mehr scrollt der Nutzer nicht ab. Wer auf Mobile dieselbe Anzahl wie auf Desktop ausspielt, verschenkt jeden zweiten Tap auf einen weiter unten liegenden Vorschlag.

Die Empfehlung des Baymard Institute aus mehreren E-Commerce-UX-Studien deckt sich mit unseren Beobachtungen: Desktop-Autocomplete sollten zwischen 10 und 14 Vorschläge zeigen, Mobile-Autocomplete maximal 8. Wer darüber hinausgeht, profitiert nicht. Wer deutlich darunter bleibt, verschenkt das Hilfsmittel.

Ein weiterer Praxispunkt: die vertikale Reihenfolge zählt. Auf dem Smartphone werden die ersten zwei bis drei Einträge in 80 Prozent der Fälle gesehen, der Rest deutlich seltener. Das heißt, die ersten Vorschläge müssen die statistisch besten Treffer sein. Eine alphabetische Sortierung ist hier strukturell suboptimal. Das Ranking sollte auf Intent (semantische Nähe zur Eingabe), Verfügbarkeit (kein Out-of-Stock im Vorschlag) und Conversion-Wahrscheinlichkeit (historische Klickrate) basieren. Wer das nicht hat, hat eine zufällige Reihenfolge mit dem Aussehen einer Logik.

Mobile-First: Wenn die Tastatur 50 Prozent des Viewports frisst

Mehr als die Hälfte aller Shop-Suchanfragen im DACH-Raum kommen 2026 vom Smartphone. Trotzdem entwerfen viele Teams Autocomplete-Dropdowns nach Desktop-Logik und passen sie nachträglich für Mobile an. Das funktioniert nicht, weil sich die Voraussetzungen fundamental unterscheiden.

Auf einem typischen Smartphone mit iOS oder Android nimmt die Software-Tastatur 280 bis 380 Pixel vertikalen Raum ein, das sind 40 bis 55 Prozent des sichtbaren Viewports. Über der Tastatur bleibt für die Autocomplete eine Zone von etwa 320 bis 420 Pixel Höhe. In diese Zone passen, abhängig von der Schriftgröße und dem Vorschlags-Layout, maximal sechs bis neun Einträge ohne Scrollen. Jeder Eintrag braucht typisch 44 bis 52 Pixel Höhe, weil die Touch-Targets nach iOS Human Interface Guidelines und Material Design mindestens 44 Pixel hoch sein müssen.

Daraus folgen drei harte mobile-spezifische Regeln.

Erstens: Keine Bilder neben jedem Produktvorschlag, weil sie horizontal weniger Raum für Text lassen und die vertikale Höhe pro Eintrag erhöhen. Ein einzelnes Mini-Bild pro Produktvorschlag ist okay, eine Bilder-Spalte mit Galerie-Logik ist nicht okay.

Zweitens: Kategorievorschläge maximal als zwei oder drei kompakte Chips am oberen Rand der Box, nicht als eigenständige Liste. Auf Desktop können Kategorien eine Spalte einnehmen, auf Mobile lohnt sich der Platz nicht.

Drittens: Type-Ahead-Vorschläge zuerst, Produktvorschläge danach. Auf Mobile spart der Tap auf einen Suchterm Tippzeit, das ist der Hauptgewinn. Direkt aus der Autocomplete auf ein Produkt zu klicken funktioniert auch, ist aber unter Daumen-Bedingungen risikobehafteter (Touch-Fehler) als der Sprung in eine kompakte Ergebnisseite über einen Suchterm-Klick.

Die Praxis zeigt, dass mobile-optimierte Autocomplete typisch fünf bis zehn Prozent Conversion-Lift bringt, ohne dass am Sortiment, am Frontend-Design oder am Checkout etwas geändert wurde. Das ist eine direkte Folge der Tatsache, dass auf Mobile jeder vermiedene Tipp eine zusätzliche Conversion-Chance ist.

Semantisches Ranking statt alphabetischer Liste

Die meisten Standard-Autocomplete-Implementationen ranken Vorschläge nach einer von drei Logiken: alphabetisch, nach Häufigkeit der Sucheingaben oder nach Anzahl der Suchtreffer. Alle drei haben strukturelle Schwächen.

Alphabetisch ist die schwächste Variante. Sie ignoriert Intent komplett. Wenn ein Kunde "Ho" tippt, sind "Hochzeit Deko" und "Holz Halterung" alphabetisch fast gleich, semantisch aber kommt es darauf an, welches Sortiment der Shop schwerpunktmäßig führt und welche Kategorie der Kunde mit hoher Wahrscheinlichkeit meint.

Nach Suchhäufigkeit ist besser, hat aber das Problem, dass populäre Vorschläge dominieren, auch wenn sie für den konkreten Kunden nicht relevant sind. Ein Möbel-Shop mit "Bett" als häufigster Suchanfrage schlägt jedem Kunden "Bett" vor, der mit "B" beginnt, auch wenn der konkrete Kunde nach "Bürostuhl" sucht.

Nach Treffermenge ist die unintuitivste schlechte Variante. Sie sortiert Vorschläge nach der Anzahl der dahinterliegenden Treffer, was die generischsten Kategorien nach oben spült. "Kleidung" hat in einem Mode-Shop 5.000 Treffer, "Sommerkleid Damen" 230. Beide passen zur Eingabe "Klei...", aber "Sommerkleid Damen" hat eine deutlich höhere Conversion-Wahrscheinlichkeit, weil der Begriff präziser ist.

Die strukturelle Antwort heißt semantisches Ranking. Vorschläge werden nicht nach Häufigkeit oder Treffermenge sortiert, sondern nach inhaltlicher Nähe zur Eingabe und nach historischer Conversion-Wahrscheinlichkeit. Technisch passiert das über Embedding-basierte Vektorräume, in denen jeder mögliche Vorschlag als Vektor liegt und die Nähe zur Eingabe (ebenfalls als Vektor) berechnet wird. Wer mit der Mechanik tiefer einsteigen will, findet die Grundlagen in unserem Beitrag Was ist semantische Suche.

Der entscheidende Unterschied: ein semantisches Ranking erkennt, dass "Sommerkleid" und "Kleid Sommer" und "Kleider Sommer" semantisch sehr nahe beieinander liegen, und konsolidiert sie auf einen einzigen, prominenten Vorschlag, statt drei minimal abweichende Varianten gleichzeitig auszuspielen. Das reduziert die Vorschlagsanzahl automatisch und erhöht die Klickrate, ohne dass ein Editor manuell aufräumen muss.

Wer wissen will, wie die zugrundeliegende Tokenisierung funktioniert, findet die Mechanik in unserem Artikel zu Tokenseparatoren in der Shop-Suche. Und wer die typischen Schreibvarianten besser verstehen will (Compound-Splits, Umlaute, Tippfehler), lese parallel den Beitrag zu Fehlertoleranz auf Feldebene. Beide Themen sind die Voraussetzung dafür, dass die Autocomplete überhaupt sinnvolle Vorschläge erzeugt.

Cookieless Personalisierung über Session-Signale

Personalisierung ist im Autocomplete-Kontext heikel. Wer pro Nutzer eine individuelle Vorschlagsliste erzeugt, braucht ein Tracking-System, das den Nutzer wiedererkennt. Das verlangt entweder Login (selten in der Such-Eingabe), persistente Cookies (Consent-pflichtig in der DSGVO) oder Fingerprinting (rechtlich grau). Alle drei Wege haben Nachteile.

Die saubere Alternative ist kontextbasierte Personalisierung über Session-Signale ohne User-Tracking. Das funktioniert mit Informationen, die in der laufenden Session sowieso anfallen: das aufgerufene Endgerät, der Referrer-URL (zeigt, von welcher Kampagne oder welcher externen Seite der Nutzer kommt), die Tageszeit, die bisherigen Klicks innerhalb der Session, die Sortiments-Kategorie, in der der Nutzer aktuell unterwegs ist. Diese Signale können in die Autocomplete-Logik einfließen, ohne dass eine User-ID gespeichert oder ein Cookie gesetzt werden muss.

Ein konkretes Beispiel: ein Nutzer kommt über eine Google-Kampagne zum Stichwort "Winterjacke Herren" auf den Shop, klickt sich durch die Kategorie "Outdoor-Bekleidung" und tippt anschließend "Ho" ins Suchfeld. Eine personalisierungsfähige Autocomplete kann aus dem Session-Kontext schließen, dass der Nutzer wahrscheinlich Herren-Sortiment im Winterbereich sucht. Statt zehn Kategorievorschläge zu Hosen ohne Filter zu zeigen, ranked sie Winterhosen und Herren-Sortiment nach vorne. Der Nutzer findet schneller, klickt schneller, kauft mit höherer Wahrscheinlichkeit. Und das alles ohne ein einziges Cookie, ohne CMP-Consent, ohne User-Tracking.

Die DSGVO-Konformität dieser Logik ist deutlich besser als bei klassischen tracking-basierten Personalisierungs-Tools. Das AI Data Discovery Framework sorgt zusätzlich dafür, dass auch bei vager Eingabe relevante Produktvorschläge auftauchen, statt eine leere Vorschlagsliste zu zeigen.

Für DACH-Shops, die regelmäßig DSGVO-Audits durchlaufen oder mit kritischen Datenschutz-Fragen ihrer Kunden konfrontiert sind, ist dieser Unterschied nicht nur juristisch wichtig, sondern auch ein direktes Trust-Signal. Wer Personalisierung anbietet, ohne Tracking zu betreiben, kann das im Cookie-Banner und in der Datenschutz-Kommunikation aktiv ausspielen.

A/B-Testbare Metriken: Was Sie messen sollten

Autocomplete-Optimierung ohne Messung ist Geschmackssache. Mit Messung ist sie eine systematische Disziplin. Fünf Metriken sind in unseren Audits die zuverlässigsten Indikatoren.

Erstens: Suggest-CTR. Wie viel Prozent aller Suchanfragen klicken auf einen Vorschlag in der Autocomplete (statt die Suche per Enter abzuschicken)? Gesunde Werte liegen bei 25 bis 45 Prozent. Unter 15 Prozent zeigt entweder ein zu langes Dropdown oder schwache Vorschlags-Qualität an.

Zweitens: Time-to-First-Product. Wie lange dauert es vom ersten Tastenanschlag im Suchfeld bis zum ersten Klick auf ein Produkt? Diese Metrik ist auf Mobile besonders aussagekräftig. Werte unter 4 Sekunden sind exzellent, über 10 Sekunden ist die Autocomplete vermutlich überfordert.

Drittens: Suggest-to-PDP-Conversion. Wie viele Klicks auf einen Autocomplete-Vorschlag landen auf einer Produkt-Detail-Page? Gesunde Werte: 60 bis 75 Prozent für Produktvorschläge, 30 bis 45 Prozent für Kategorievorschläge (die einen Zwischenschritt benötigen).

Viertens: Null-Vorschlag-Quote. Wie oft sieht der Nutzer eine leere oder fast leere Autocomplete-Box? Sollte unter 2 Prozent liegen. Höhere Quoten zeigen Probleme im Index-Mapping (zum Beispiel Tippfehler-Intoleranz, siehe Fehlertoleranz auf Feldebene).

Fünftens: Conversion-Delta von Such-Sessions mit und ohne Autocomplete-Klick. Sessions, in denen der Nutzer auf einen Vorschlag klickt, sollten eine deutlich höhere Conversion-Rate haben als Sessions, in denen er die Suche per Enter abschickt. Ein Delta von +20 bis +60 Prozent ist üblich. Kleinere Deltas zeigen, dass die Autocomplete nicht zur Conversion beiträgt, sondern nur ein Suchhilfe ist.

Wer diese fünf Metriken im wöchentlichen Reporting hat, kann strukturierte A/B-Tests fahren: erst die Vorschlagsanzahl variieren, dann den Mix der Vorschlagstypen, dann das Ranking-Modell, dann die Mobile-Layoutregeln. In dieser Reihenfolge sind die Hebel mit dem größten Effekt zuerst dran.

Ein konkretes Conversion-Beispiel aus einem Kundenprojekt: ein DACH-Shop mit 38.000 Produkten reduzierte die durchschnittliche Vorschlagsanzahl von 28 auf 11 und konsolidierte Kategorievorschläge von 18 auf maximal 3. Effekt: Suggest-CTR stieg von 19 auf 33 Prozent, die Conversion-Rate der gesamten Such-Sessions stieg um 11 Prozent über vier Wochen. Kein Inventory wurde verändert, kein Frontend gerelauncht.

Wie Hybrid LLM Search die Vorschlagsmenge dynamisch reduziert

Klassische Autocomplete-Systeme arbeiten mit festen Schwellwerten: zeige maximal X Kategorievorschläge, Y Produktvorschläge, Z Suchterm-Vorschläge. Diese Konfiguration ist statisch. Sie funktioniert für den Durchschnittsfall, scheitert aber an den Rändern. Bei einer hochspezifischen Eingabe ("iPhone 15 Pro Max Titan") sind drei Produktvorschläge zu wenig. Bei einer vagen Eingabe ("Ge") sind drei Produktvorschläge eine Verschwendung des Layouts, weil keiner davon wirklich gemeint sein wird.

Volt Search® von BatteryIncluded verfolgt einen anderen Ansatz. Statt feste Schwellwerte zu setzen, kombiniert die Hybrid LLM Search drei Schichten in einer entkoppelten Infrastruktur:

1. Klassisches Token-Matching sortiert die Kandidaten-Liste nach Prefix-Treffer und exaktem Match. Diese Schicht liefert die Grundmenge der möglichen Vorschläge.
2. Vektorsuche über Embeddings sortiert die Kandidaten nach semantischer Nähe zur Eingabe. "Hose Damen" und "Damenhose" und "Hose für Damen" werden auf einen einzigen Top-Vorschlag konsolidiert, statt drei Varianten einzeln auszuspielen.
3. LLM-basierte Intent-Verarbeitung entscheidet pro Eingabe, ob der Kunde wahrscheinlich nach einem konkreten Produkt sucht (dann mehr Produktvorschläge), nach einer Kategorie zur Orientierung (dann mehr Kategorievorschläge) oder nach einer noch nicht ausformulierten Idee (dann mehr Suchterm-Vorschläge).

Die Vorschlagsanzahl ist nicht mehr fix, sondern abhängig vom User Intent. Bei einer eindeutigen Produkt-Eingabe zeigt die Autocomplete sechs präzise Produktvorschläge und nichts weiter. Bei einer vagen Eingabe zeigt sie drei Suchterm-Vorschläge und zwei Kategorien, statt überfüllter Produktlisten. Die Box wirkt aufgeräumt, weil sie nicht versucht, jeden möglichen Treffer zu zeigen, sondern den wahrscheinlichsten.

Genau diese dynamische Reduktion ist mit klassischen Open-Source-Indizes wie Elasticsearch und Solr nicht ohne erheblichen Engineering-Aufwand möglich. Sie verlangt eine Vektorsuche-Pipeline, ein Embedding-Modell, eine LLM-Schicht für die Intent-Klassifikation und eine Anwendungslogik, die alles zusammenführt. Wer das selbst aufbaut, rechnet mit 50 bis 100 Personentagen Initial-Aufwand und einem dauerhaften Search-Engineer im Team. Eine tiefere Betrachtung der Build-vs-Buy-Frage finden Sie im Beitrag zu SaaS-Suche vs. Open Source und im breiteren Anbietervergleich unter E-Commerce Suchmaschine im Vergleich.

Ein weiterer struktureller Vorteil betrifft den Betrieb. Sie müssen keinen eigenen Suchcluster mehr betreuen, keine Suggest-Indizes pflegen, keine Vorschlags-Listen kuratieren. Volt Search® läuft als entkoppelte Infrastruktur, die per API an Shopware, Magento, Custom-Frontends oder Headless-Setups angebunden wird. Cookieless, DSGVO-konform, gehostet in Deutschland. Wer die Stellschrauben in Shopware besser verstehen will, findet die Hintergründe im Leitfaden zu Shopware Suche optimieren und zu Shopware Suche funktioniert nicht.

Ein CTO formuliert die Praxiserfahrung mit einer Hybrid LLM Search Autocomplete so:

"BatteryIncluded.ai ist genau das, was man sich von moderner E-Commerce-Technologie wünscht: blitzschnelle Suche auch bei über 50.000 Produkten, volle Anpassbarkeit für komplexe Anforderungen, und ein Support, der nicht nur reagiert, sondern wirklich versteht. Stabil, skalierbar, zukunftssicher."

Österreichischer Bundesverlag Schulbuch GmbH & Co. KG

Volle Anpassbarkeit bei Anzeige-Logik und gleichzeitig schnelle Antwortzeiten sind im Autocomplete-Kontext besonders wichtig, weil jede Verzögerung in der Vorschlagsanzeige als Performance-Problem wahrgenommen wird. Antwortzeiten unter 100 Millisekunden sind das Minimum, unter 50 Millisekunden das angestrebte Ziel.

Was Sie tun können, bevor Sie die Architektur wechseln

Nicht jeder Shop muss sofort auf eine Hybrid LLM Search umstellen, um die Autocomplete zu verbessern. Wenn Sie mit einem klassischen Suchindex arbeiten, lohnt sich diese Reihenfolge.

Schritt 1: Vorschlagsanzahl messen und reduzieren. Zählen Sie die aktuelle durchschnittliche Anzahl der angezeigten Vorschläge pro Suchanfrage. Wenn der Wert über 15 auf Desktop oder über 9 auf Mobile liegt, ist der erste Hebel die Reduktion. Setzen Sie harte Caps pro Vorschlagstyp und messen Sie die Suggest-CTR vor und nach der Reduktion.

Schritt 2: Mobile-spezifische Konfiguration einbauen. Wenn Ihre Mobile-Autocomplete die gleiche Anzahl und das gleiche Layout wie Desktop zeigt, ist hier der zweite große Hebel. Maximal 8 Vorschläge, eine Spalte, Suchterme zuerst, kompakte Kategorie-Chips, kleinere Produktvorschläge mit minimalem Bild.

Schritt 3: Ranking-Logik prüfen. Wenn die ersten drei sichtbaren Vorschläge im Mobile-Dropdown nicht die statistisch besten Treffer sind, optimieren Sie das Ranking. Häufigkeit allein reicht nicht, eine Kombination aus Häufigkeit, Verfügbarkeit und Conversion-Wahrscheinlichkeit ist besser.

Schritt 4: Kategorievorschläge kuratieren. Wenn Ihre Autocomplete jede passende Kategorie ausspielt, definieren Sie eine Whitelist der wichtigsten 30 Kategorien, die überhaupt als Vorschlag erscheinen dürfen. Reduzieren Sie die maximale Anzahl angezeigter Kategorien auf drei bis fünf. Sortieren Sie nach Conversion-Wahrscheinlichkeit, nicht nach Treffermenge.

Schritt 5: Suchterm-Liste pflegen. Wenn Ihre Suchterm-Vorschläge aus historischen Sucheingaben kommen, prüfen Sie diese Liste regelmäßig auf Null-Treffer-Anfragen. Schlechte Vorschläge müssen ausgeschlossen werden, sonst leiten sie Nutzer in leere Ergebnisseiten. Detaillierte Empfehlungen finden Sie in unserem Beitrag zu Keine Suchergebnisse vermeiden.

Schritt 6: A/B-Test mit den fünf Metriken aufsetzen. Mit einem Setup, das Suggest-CTR, Time-to-First-Product, Suggest-to-PDP-Conversion, Null-Vorschlag-Quote und Conversion-Delta wöchentlich misst, können Sie strukturierte Verbesserungen fahren statt geschmacksbasierte Anpassungen.

Diese sechs Schritte können Sie auch dann gehen, wenn Sie später auf eine Hybrid LLM Search wechseln. Die Erkenntnisse aus der Vorschlags-Analyse und der A/B-Test-Pipeline helfen bei jeder Migration. Was sie nicht ersetzen können, ist die semantische Schicht und das dynamische Ranking, das eine echte LLM-basierte Lösung mitbringt.

Häufige Fragen (FAQ)

Was ist Autocomplete im E-Commerce?

Autocomplete bezeichnet die Funktion, die während der Eingabe in das Suchfeld eines Online-Shops eine Liste an Vorschlägen einblendet. Diese Vorschläge können vollständige Suchbegriffe (Suchterm-Vorschläge), Produktkategorien (Kategorievorschläge) oder konkrete Artikel mit Bild und Preis (Produktvorschläge) sein. Im Englischen werden dafür synonym die Begriffe Autosuggest, Type-ahead, Search-as-you-type, Predictive Search und Instant Search verwendet, die sich im Detail unterscheiden, im operativen Shop-Alltag aber häufig kombiniert sind. Eine gut konfigurierte Autocomplete ist einer der stärksten Conversion-Hebel im E-Commerce, weil sie Tippzeit spart, Orientierung gibt und den Nutzer schneller zum Produkt führt.

Wie viele Vorschläge sollte ein Autocomplete-Dropdown anzeigen?

Auf dem Desktop liegt der ideale Korridor bei 10 bis 14 sichtbaren Vorschlägen, aufgeteilt auf maximal drei Spalten (Suchterme, Kategorien, Produkte). Auf dem Smartphone reduziert sich der Wert auf 6 bis 9, weil die Software-Tastatur 40 bis 55 Prozent des Viewports einnimmt. Mehr Vorschläge führen nach Hick's Law und der Iyengar-Lepper-Forschung nicht zu mehr Klicks, sondern zu mehr Abbrüchen. Die Faustregel: maximal vier bis sechs Produktvorschläge, zwei bis vier Kategorievorschläge und drei bis fünf Suchterm-Vorschläge auf Desktop. Auf Mobile jeweils etwa die Hälfte.

Wie funktioniert Predictive Search in einem Online-Shop?

Predictive Search ist die Logik, die nicht nur die aktuelle Tasteneingabe matched, sondern die wahrscheinlichste vollständige Suchanfrage prognostiziert. Technisch passiert das über Modelle, die historische Suchdaten, aktuelle Trends und semantische Nähe der eingegebenen Zeichen zu möglichen Suchbegriffen bewerten. Ein modernes System nutzt dafür Embeddings und ein Ranking, das nicht nur die häufigsten, sondern die kontextuell wahrscheinlichsten Begriffe nach oben zieht. In einem Online-Shop bedeutet Predictive Search praktisch: nach den ersten zwei oder drei Zeichen zeigt die Autocomplete bereits den vermutlich gemeinten Suchbegriff prominent an, sodass der Nutzer mit einem Tap dort landet statt den Begriff komplett zu tippen.

Wie unterscheidet sich Autocomplete von Instant Search?

Autocomplete zeigt während der Eingabe eine Liste an Vorschlägen (Suchterme, Kategorien, Produkte) in einem Dropdown unter dem Suchfeld an. Instant Search geht einen Schritt weiter und blendet während der Eingabe direkt eine vollständige Ergebnisseite mit Filtern und Sortierung ein, die sich mit jedem getippten Zeichen aktualisiert. Autocomplete ist im DACH-Raum das gängigere Pattern und in der Regel besser für Mobile geeignet, weil weniger Platz benötigt wird. Instant Search funktioniert gut auf Desktop bei klar definierten Sortimenten, kann auf Mobile aber den Viewport überfordern. Viele moderne Setups kombinieren beides: Autocomplete-Dropdown plus die Möglichkeit, mit einem Klick in eine Instant-Search-Übersicht zu wechseln.

Wie konfiguriere ich Autocomplete in Shopware?

Shopware liefert in der Standardkonfiguration eine einfache Autocomplete, die Suchbegriffe und Kategorien aus dem aktiven Sortiment vorschlägt. Die Vorschlagsanzahl, das Ranking und die Aufteilung zwischen Suchtermen, Kategorien und Produkten lassen sich im Backend nur begrenzt steuern. Wer eine differenzierte Vorschlagslogik braucht (semantisches Ranking, dynamische Anzahl pro Intent, mobile-spezifische Layoutregeln), kommt mit dem Standard nicht weit und muss entweder in das Such-Backend (Elasticsearch oder OpenSearch) eingreifen oder eine spezialisierte Such-Infrastruktur anbinden. Eine Übersicht der Stellschrauben finden Sie im Beitrag zu Shopware Suche optimieren.

Wie verbessere ich die Conversion-Rate über die Autocomplete?

Drei Hebel haben in unseren Audits die größte Wirkung. Erstens: die Vorschlagsanzahl reduzieren und einen klaren Mix aus drei bis fünf Suchtermen, zwei bis vier Kategorien und vier bis sechs Produkten pro Eingabe etablieren. Zweitens: die Mobile-Konfiguration eigenständig auslegen, mit maximal 8 sichtbaren Vorschlägen und Suchtermen vor Produktvorschlägen. Drittens: das Ranking auf eine Kombination aus Häufigkeit, Verfügbarkeit und Conversion-Wahrscheinlichkeit umstellen, statt alphabetisch oder nach Treffermenge zu sortieren. Diese drei Schritte erzielen typisch eine Steigerung der Suggest-CTR um 20 bis 35 Prozent und einen Conversion-Lift der Such-Sessions um 5 bis 12 Prozent.

Welche Rolle spielen Kategorievorschläge bei Mobile?

Eine deutlich kleinere als auf Desktop. Während Kategorievorschläge auf Desktop eine eigene Spalte einnehmen können und vier bis fünf Einträge sinnvoll sind, ist auf Mobile der Platz zu knapp. Maximal ein bis zwei Kategorievorschläge, idealerweise als kompakte Chips am oberen Rand der Autocomplete-Box, nicht als eigene Listenzeile. Wer auf Mobile die Desktop-Logik 1:1 übernimmt und sechs oder acht Kategorien anbietet, verdrängt damit die hochwertigeren Produkt- und Suchterm-Vorschläge aus dem sichtbaren Bereich.

Bereit für eine Autocomplete, die weniger zeigt und mehr verkauft?

Vorschlagsanzahl, Vorschlagstypen, Mobile-Layout und Ranking sind die vier Stellschrauben, die in der Praxis über die Conversion-Wirkung Ihrer Autocomplete entscheiden. Wer sie manuell tunt, gewinnt einige Prozentpunkte Klickrate. Wer sie strukturell löst, gewinnt zweistellige Conversion-Lifts. Volt Search® von BatteryIncluded kombiniert klassisches Token-Matching, Vektorsuche und LLM-basierte Intent-Verarbeitung in einer entkoppelten Infrastruktur. Finden statt Suchen, cookieless, DSGVO-konforme KI, Made in Germany, ohne dass Sie Suggest-Indizes pflegen oder Vorschlags-Listen kuratieren müssen.

Auch der direkte Conversion-Effekt ist in Kundenprojekten dokumentiert:

"Seit wir BatteryIncluded einsetzen, sehen wir spürbare Verbesserungen: bereits nach zwei Monaten stieg unsere Conversion Rate um 10 Prozent, und nach vier Monaten konnten wir einen Zuwachs von 19 Prozent verzeichnen."

B&W Handelsgesellschaft mbH

Zu Ihrer kostenlosen Demo und erleben Sie live an Ihren eigenen Produktdaten, wie Volt Search® die Vorschlagsanzahl dynamisch auf den Intent reduziert und wie aus 50 Kategorievorschlägen eine aufgeräumte Auswahl wird, die der Kunde tatsächlich klickt. Ohne Cluster, ohne Tracking, ohne lange Setup-Phase.