Vektordatenbanken speichern Embeddings, das sind Zahlenlisten, die die Bedeutung eines Textes, eines Bildes oder eines Produkts repräsentieren. Für Marketer ermöglichen sie semantische Seitensuche, Content-Empfehlungen, KI-Chat-Assistenten, die aus Unternehmensdokumenten antworten, sowie Tools, die ähnliche Kunden oder ähnliche Seiten finden. Man kauft sie selten direkt; sie befinden sich normalerweise in einem Produkt, das Sie bereits verwenden.
Ein Embedding-Modell, wie die Text-Embedding-Modelle von OpenAI, Googles Gemini Embeddings, Cohere Embed oder offene Modelle wie die der BGE- und E5-Familien, verwandelt Inhalte in einen Vektor. Texte mit ähnlicher Bedeutung landen nah beieinander. Eine Vektordatenbank, wie Pinecone, Weaviate, Qdrant, Milvus, Chroma oder die pgvector-Erweiterung für PostgreSQL, speichert Millionen dieser Vektoren und findet die ähnlichsten schnell.
Was erfasst ein Embedding eigentlich?
Ein Embedding erfasst Bedeutung, nicht exakte Wörter. “Günstige Flüge nach Istanbul” und “preiswerte Flugtickets Istanbul” teilen sich nur wenige Wörter, landen aber nah beieinander. Eine Stichwortsuche würde sie als unterschiedlich behandeln; die semantische Suche behandelt sie als nahe Nachbarn.
Das ist nützlich, hat aber Grenzen. Embeddings können Unterschiede verwischen, die für Ihr Unternehmen wichtig sind, wie “iPhone 15 Hülle” und “iPhone 16 Hülle”. Sie erben auch Verzerrungen und Lücken aus den Daten, mit denen das Modell trainiert wurde. Die meisten Produktionssysteme kombinieren Vektorsuche mit Stichwortsuche, ein Setup namens hybride Suche, um das Beste aus beiden Welten zu erhalten.
Wo begegnen Marketer Vektordatenbanken?
Die meisten Teams nutzen sie bereits, ohne sie beim Namen zu nennen. Zu den häufigen Orten gehören diese.
- Seitensuche: Algolia, Elasticsearch und Shopify-Suchfunktionen nutzen zunehmend Vektor- oder Hybridsuche
- KI-Assistenten auf Websites, die aus Hilfeartikeln antworten, unter Verwendung von Retrieval-Augmented Generation
- Interne Wissenstools, die es Mitarbeitern ermöglichen, Fragen zu Briefings, Berichten und Markenrichtlinien zu stellen
- Content-Empfehlungen, wie “ähnliche Artikel”, die eher nach Bedeutung als nach gemeinsamen Tags ausgewählt werden
- SEO-Tools, die Keywords gruppieren oder ähnliche Seiten für die interne Verlinkung finden
- Kundenanalyse, die Bewertungen oder Support-Tickets nach Themen gruppiert
Wie nutzt Retrieval-Augmented Generation sie?
Retrieval-Augmented Generation, meist als RAG abgekürzt, ist das Muster hinter den meisten “Chat mit Ihren Dokumenten”-Tools. Dokumente werden in Stücke zerlegt, jedes Stück wird eingebettet und gespeichert. Wenn ein Benutzer eine Frage stellt, wird die Frage ebenfalls eingebettet, die nächsten Stücke werden abgerufen und an ein Sprachmodell weitergegeben, das darauf basierend eine Antwort schreibt.
Für das Marketing bedeutet RAG einen Chatbot, der Ihre tatsächliche Rückgaberichtlinie zitiert, anstatt eine zu erfinden, oder einen internen Assistenten, der die Kampagnenergebnisse des letzten Jahres in Sekunden findet. Die Qualität hängt stark von den Quelldokumenten ab. Veraltete PDFs und doppelte Versionen führen zu verwirrten Antworten, egal welche Datenbank darunter liegt.
Was macht RAG-Antworten besser
- Saubere, aktuelle Quelldokumente mit einer Version jeder Richtlinie
- Sinnvolle Stückgrößen, oft ein paar hundert Wörter mit etwas Überlappung
- Metadaten wie Datum, Produkt und Sprache, die zum Filtern von Ergebnissen verwendet werden
- Hybride Suche, damit exakte Begriffe wie Produktcodes nicht übersehen werden
- Eine Anweisung an das Modell, “Ich weiß es nicht” zu sagen, wenn Quellen die Antwort fehlen
Müssen Sie eine Vektordatenbank wählen?
Für die meisten Marketingteams nein. Wenn Sie eine Plattform verwenden, die semantische Suche oder einen KI-Assistenten anbietet, hat der Anbieter für Sie gewählt. Ihre Aufgabe ist es, sie mit gutem Inhalt zu füttern und die Ergebnisse zu messen.
Die Wahl ist wichtig, wenn Sie selbst etwas bauen, zum Beispiel einen internen Assistenten für Agenturberichte. Dann wägen die Optionen Einfachheit und Kontrolle ab. pgvector eignet sich für Teams, die bereits PostgreSQL betreiben und moderate Datenmengen haben. Managed Services wie Pinecone eliminieren Infrastrukturarbeit. Open-Source-Engines wie Qdrant und Weaviate können auf Ihren eigenen Servern laufen, was hilft, wenn Daten in einem bestimmten Land bleiben müssen.
Was sind die Datenschutz- und Datenbedenken?
Embeddings werden aus Inhalten abgeleitet. Wenn der Inhalt personenbezogene Daten enthält, wie Kunden-E-Mails oder Support-Chats, tun dies auch die Vektoren und gespeicherten Stücke. Behandeln Sie die Datenbank so, wie Sie die Originaldaten gemäß DSGVO oder KVKK behandeln würden: Wissen Sie, wo sie gehostet wird, wer darauf zugreifen kann und wie man die Daten einer Person auf Anfrage löscht.
Überprüfen Sie auch, was der Embedding-Anbieter mit Ihrem Text macht. Geschäftspläne großer Anbieter geben normalerweise an, dass API-Daten nicht für das Training verwendet werden, aber lesen Sie die Bedingungen für den Plan, den Sie verwenden, anstatt es anzunehmen.
Wie messen Sie, ob es funktioniert?
Die Messung hängt vom Anwendungsfall ab, aber das Prinzip ist dasselbe: Vergleichen Sie es mit dem, was Sie vorher hatten.
- Seitensuche: Suchabbruchrate, Null-Ergebnis-Suchen, Such-zu-Kauf-Konvertierung
- Chat-Assistenten: Anteil der beantworteten Fragen ohne Übergabe, Benutzerbewertungen, Genauigkeit bei einem Testset
- Empfehlungen: Klickrate und nachgelagerte Konvertierung im Vergleich zu Tag-basierten Empfehlungen
- Interne Tools: Zeit bis zum Finden eines Dokuments, gemessen mit einigen Mitarbeitern bei festgelegten Aufgaben
Erstellen Sie für Assistenten ein Testset von 50 bis 100 echten Fragen mit korrekten Antworten und führen Sie es nach jeder Inhalts- oder Einstellungsänderung aus. Es fängt Regressionen ab, bevor Kunden es tun.
Wie Alien Road Vektordatenbanken und Embeddings anwendet
In einem typischen Engagement bedeutet Discovery, zu untersuchen, wo Suche oder Antworten heute fehlschlagen: Null-Ergebnis-Suchen auf der Seite, wiederholte Support-Fragen oder Mitarbeiter, die vergangene Arbeit nicht finden können. Wir prüfen dann, ob die aktuellen Plattformen des Kunden bereits semantische Suche oder einen Assistenten anbieten, der nur besseren Inhalt benötigt.
Wenn ein benutzerdefinierter Build sinnvoll ist, umfasst das Setup Content-Bereinigung, Chunking und Metadaten, eine hybride Suchkonfiguration und ein Fragentestset. Wir beginnen normalerweise mit pgvector oder einem Managed Service, abhängig von den Hosting- und Datenspeicheranforderungen des Kunden. Die Messung folgt den oben genannten Metriken, und das monatliche Reporting enthält den Testset-Score und eine Liste von Inhaltslücken, die der Assistent aufgedeckt hat.
Wo man diese Woche anfängt
Öffnen Sie Ihren Seitensuchbericht in GA4 oder Ihrem Suchtool und exportieren Sie die Top-Null-Ergebnis-Abfragen des letzten Monats. Viele davon werden Synonyme oder Formulierungen sein, die Ihre Stichwortsuche nicht abgleicht. Diese Liste ist der Business Case für semantische oder hybride Suche.
Wenn Sie bereits einen Chat-Assistenten betreiben, schreiben Sie 30 echte Kundenfragen mit korrekten Antworten und testen Sie ihn. Die Fehler werden zuerst auf Inhaltsprobleme und zweitens auf Technologieprobleme hinweisen.
Weiterlesen: KI-Optimierung · KI-Optimierung