Kunden suchen aber selten nach Teilenummern, sondern formulieren Anliegen in Alltagssprache – zum Beispiel: „Ich brauche eine Befüllanlage für viskose Medien im Reinraumeinsatz.“ Klassische Shop-Filter scheitern an solchen Freitextfragen. Doch auch eine reine KI-Vektorsuche greift oft zu kurz, weil im B2B exakte technische und kaufmännische Grenzwerte eingehalten werden müssen.
Die Lösung: Hybrides RAG mit strukturierten Metadaten
Ein Retrieval-Augmented Generation (RAG) System verbindet unstrukturierte Dokumente (wie Handbücher) mit strukturierten Produktdaten aus ERP- oder PIM-Systemen. Damit das verlässlich funktioniert, werden die Produktdaten zweigeteilt:
- Freitext-Chunks: Fließtexte und Beschreibungen fließen in die Vektorsuche ein, damit die KI das allgemeine Anliegen versteht.
- Metadaten als harte Filter: Technische Grenzwerte, Preise, ISO-Zertifizierungen oder Lieferzeiten werden als strukturierte Metadaten hinterlegt und dienen als Vorfilter.
Wie das System unterschiedliche Zielgruppen bedient
Eine vorgeschaltete Analyse erkennt aus der Formulierung der Anfrage, wer gerade sucht – und gibt passgenaue Antworten für unterschiedliche Rollen im Unternehmen:
1. Der Ingenieur sucht nach technischen Parametern
Kunde: „Wir befüllen hochviskose Creme (ca. 12 Pa·s) in ISO-7-Reinräumen. Passt die Fill-Master V3?“
System: Ja. Ausgelegt bis 15 Pa·s, nach ISO Class 7 zertifiziert und mit moderner Standard-SPS ausgestattet. Qualifizierungsprotokolle stehen als PDF bereit.
2. Der Einkauf prüft kaufmännische Rahmendaten
Kunde: „Gebrauchtgeräte bergen Risiken. Welche Argumente sprechen gegen einen Neukauf?“
System: 12 Monate Garantie, 45.000 € netto statt 110.000 € Neupreis (59 % Ersparnis) und nur 5 Werktage Lieferzeit gegenüber monatelangen Wartezeiten bei Neuanlagen.
Fazit
Im B2B-E-Commerce reicht reine Textgenerierung nicht aus. Erst wenn unstrukturierte Beschreibungen mit harten Metadaten kombiniert werden, entsteht ein verlässlicher digitaler Beratungsprozess, der sowohl Technikern als auch Einkäufern präzise Antworten liefert.
Hier das ausführliche Whitepaper downloaden: rag_metadaten_b2b_ecommerce_v3