Suche und Matching auf Marktplätzen

Von Brian Tr · Aktualisiert am 7. Oktober 2026

Ein Marktplatz kann viele Käufer und viele Verkäufer haben und trotzdem scheitern, weil der richtige Käufer den richtigen Verkäufer nie trifft. Angebot liegt unsichtbar auf Seite neun. Die Nachfrage tippt eine Suchanfrage ein und bekommt nichts zurück. Beide Seiten sind da, und es kommt keine Transaktion zustande.

Diese Lücke ist die Aufgabe von Suche und Matching. Es ist die Schicht, die aus einem Haufen Angebote und einer Menge Käufer tatsächliche Geschäfte macht. Dieser Artikel behandelt die drei wichtigsten Wege, wie Marktplätze das tun, die Signale, die ins Ranking einfließen, die Forschung hinter dem zweiseitigen Matching, was Plattformen über ihre Rankings sagen müssen und welche Kennzahlen zeigen, ob es funktioniert.

Wir bleiben konzeptionell. Wir sagen Ihnen nicht, welche Ranking-Formel Sie nutzen sollen, denn das hängt von Ihrer Kategorie ab. Wir geben Ihnen das Vokabular, die Belege und die Fragen, die Sie stellen sollten.

Drei Wege, Käufer mit dem Angebot zu verbinden

Die meisten Marktplätze nutzen einen von drei Ansätzen oder eine Mischung.

Suche und Ranking. Der Käufer sagt, was er will, und die Plattform liefert eine geordnete Liste. Die Auswahl trifft der Käufer. Die Suche bei Etsy, Airbnb und Upwork funktioniert so. Der Einfluss der Plattform liegt in Reihenfolge, Filtern und dem, was sie zeigt.

Algorithmisches Matching. Die Plattform wählt für den Käufer das Gegenüber oder eine sehr kurze Liste aus. Das klassische Beispiel ist Ride-Hailing: Der Fahrgast durchsucht keine Fahrer, das System teilt einen zu. Das funktioniert, wenn die Leistungen austauschbar genug sind, sodass dem Käufer Geschwindigkeit und Preis wichtiger sind als die Auswahl.

Gemanagtes Matching. Menschen übernehmen das Matching. Ein Operator liest die Anfrage, wählt Anbieter aus und kalkuliert manchmal den Auftrag. Es kostet pro Transaktion mehr und ist dort üblich, wo die Qualität stark schwankt oder der Auftrag komplex ist. Dieses Modell behandeln wir unter Managed Marketplace (gemanagter Marktplatz).

Diese schließen sich nicht aus. Ein Marktplatz kann Angebote für die meisten Käufer ranken und seine größten oder schwierigsten Anfragen an einen Menschen weiterleiten. Die nützliche Frage ist, welcher Ansatz dazu passt, wie viel Auswahl der Käufer will und wie unterschiedlich das Angebot von Verkäufer zu Verkäufer ist.

Was in ein Ranking einfließt

Ranking ist ein Vorhersageproblem mit angehängtem Geschäftsziel. Die Plattform schätzt, welches Angebot ein bestimmter Käufer am wahrscheinlichsten will, und ordnet die Ergebnisse entsprechend. Die Signale lassen sich meist in wenige Familien einteilen.

• Relevanz. Wie gut das Angebot zu Suchanfrage, Kategorie, Terminen oder genannten Bedürfnissen passt.
• Qualität. Rezensionen, Abschlusshistorie, Antwortverhalten und ähnliche Belege dafür, dass der Verkäufer liefert.
• Verfügbarkeit. Ob der Verkäufer den Auftrag für die gewünschten Termine, Mengen oder Zeiten tatsächlich erledigen kann.
• Entfernung. Bei lokalen oder gelieferten Waren, wie nah das Angebot am Käufer ist.
• Preis und Passung. Ob der Preis in dem Bereich liegt, den der Käufer offenbar will.
• Kommerzielle Faktoren. Gebühren, Aktionen oder bezahlte Platzierung, auf die wir weiter unten zurückkommen.

Airbnb hat dazu mehr Details veröffentlicht als die meisten Unternehmen. Das Papier von 2018, Applying Deep Learning to Airbnb Search, beschreibt die Aufgabe so, einem Gast eine geordnete Liste von einer Handvoll Angeboten aus Tausenden verfügbaren zu liefern. Es sagt, das erste Suchranking sei eine von Hand gebaute Bewertungsfunktion gewesen, und deren Ersatz durch ein Gradient-Boosted-Decision-Tree-Modell habe eine der größten sprunghaften Verbesserungen der Buchungen in der Unternehmensgeschichte gebracht, bevor die Gewinne abflachten. Die Merkmale, die sein neuronales Netz speisten, waren überwiegend einfache Angebotseigenschaften wie Preis, Ausstattung und Zahl bisheriger Buchungen.

Zwei Details dieses Papiers sollten Sie sich merken. Erstens wird das Modell auf Logs trainiert, in denen das gebuchte Angebot das positive Beispiel ist und die übrigen die negativen, sodass das Ranking aus dem lernt, was Käufer tatsächlich gewählt haben, und nicht aus dem, was ein Mensch für relevant hielt. Zweitens sagen die Autoren, dieses Modell sei ein Teil eines Ökosystems, zu dem auch Modelle gehören, die vorhersagen, ob ein Gastgeber eine Anfrage annimmt. Auf einem zweiseitigen Marktplatz ist ein Ergebnis, das der Anbieter ablehnen würde, nicht wirklich ein gutes Ergebnis.

Dieser zweite Punkt unterscheidet Marktplatz-Ranking von gewöhnlicher Websuche. Eine Suchmaschine optimiert für den Suchenden. Ein Marktplatz muss sich um beide Seiten kümmern.

Beide Seiten ausbalancieren

Das Airbnb-Papier von 2023, Optimizing Airbnb Search Journey with Multi-task Learning, benennt das Problem direkt. Gäste verbringen oft Wochen mit Erkunden und Vergleichen, bevor sie eine Anfrage stellen, eine Reservierungsanfrage kann dann vom Gastgeber abgelehnt oder storniert werden, und das Modell muss die Präferenzen von Gast und Gastgeber ausbalancieren. Die Antwort bestand darin, positive und negative Zwischenaktionen des Gastes als Meilensteine zu nutzen, die den Gast zu einer erfolgreichen Buchung führen.

Ein anderes Papier derselben Gruppe, Learning to Rank Diversely at Airbnb, stellt eine weitere verbreitete Annahme infrage. Traditionelles Ranking schätzt die Buchungswahrscheinlichkeit jedes Angebots unabhängig. Die Autoren argumentieren, dass Ähnlichkeiten zwischen Angeboten die Entscheidungen der Nutzer beeinflussen und dass das Verringern von Redundanz zwischen ähnlichen Ergebnissen die Vielfalt verbessert, was sie in A/B-Tests im Produktivbetrieb bestätigt haben.

Und Improving Deep Learning for Airbnb Search gliedert seine Arbeit in Architektur, Verzerrung (Bias) und Kaltstart (Cold Start). Positionsverzerrung (Menschen klicken höhere Ergebnisse auch deshalb, weil sie höher stehen) und Kaltstart (neue Angebote haben keine Historie) sind Probleme, auf die jedes Marktplatz-Ranking trifft.

Diese Papiere beschreiben das System eines einzelnen Unternehmens. Sie belegen, was möglich ist und wie die Probleme aussehen, sind aber keine Vorlage. Ein Marktplatz mit 500 Angeboten braucht keinen neuronalen Ranker. Er muss aber entscheiden, wofür er optimiert.

Zweiseitiges Matching: die Wurzeln in der Forschung

Die Idee des Matchings in einem Markt hat eine tiefe akademische Geschichte, die dem Internet vorausgeht.

Der Wirtschaftsnobelpreis 2012 ging an Alvin Roth und Lloyd Shapley, und die Pressemitteilung der Königlich Schwedischen Akademie beschreibt ihr Thema als zentrales ökonomisches Problem: wie sich verschiedene Akteure möglichst gut zusammenbringen lassen. Ihre Beispiele sind Studierende und Schulen sowie Organspender und Patienten, die eine Transplantation brauchen.

Mehrere Ideen aus der Mitteilung sind für Marktplätze wichtig.

Stabilität. Ein Matching ist stabil, wenn keine zwei Akteure einander ihren aktuellen Gegenübern vorziehen würden. Die Mitteilung würdigt Shapley und Kollegen für Methoden, „insbesondere den sogenannten Gale-Shapley-Algorithmus“, die stets ein stabiles Matching erzeugen. Sehen Sie es als Test: Wenn Käufer und Verkäufer beide besser dastünden, wenn sie ihre zugewiesenen Partner füreinander verließen, wird das Match zerfallen, und das System hat das Problem nicht wirklich gelöst.

Manipulation. Die Mitteilung sagt, diese Methoden begrenzten auch die Anreize der Akteure, den Matching-Prozess zu manipulieren. Das ist in jedem Markt wichtig, in dem Teilnehmer ihre Angaben beschönigen können.

Welche Seite profitiert. Sie ergänzt, Shapley habe gezeigt, wie das konkrete Design einer Methode systematisch eine Marktseite gegenüber der anderen begünstigen kann. Designentscheidungen sind nicht neutral. Wer vorschlägt, wer annimmt und wer rankt, verschiebt jeweils die Ergebnisse.

Praxis. Roth erkannte, dass diese Theorie reale Märkte erklären kann. Er und Kollegen zeigten empirisch, dass Stabilität der Schlüssel zum Verständnis des Erfolgs bestimmter Marktinstitutionen ist, und er half, Institutionen für das Zusammenbringen neuer Ärzte mit Krankenhäusern, Studierender mit Schulen und Organspender mit Patienten neu zu gestalten. Die Mitteilung vermerkt, dass diese Reformen auf dem Gale-Shapley-Algorithmus beruhten, angepasst an besondere Umstände und ethische Beschränkungen wie den Ausschluss von Ausgleichszahlungen.

Wie viel davon lässt sich auf einen kommerziellen Marktplatz übertragen? Ehrlich gesagt weniger, als man hoffen würde. Bei diesen zentralisierten Zuordnungen geben typischerweise beide Seiten Präferenzlisten ab, und eine Verrechnungsstelle löst sie in einem Durchgang auf. Die meisten Online-Marktplätze laufen kontinuierlich, Präferenzen sind nicht vollständig angegeben, und Preise bewegen sich. Übertragbar ist die Sichtweise. Matching ist ein Designproblem, Stabilität ist ein nützlicher Maßstab, und die Regeln des Mechanismus bestimmen, wer gewinnt.

Suchreibung: warum gute Matches trotzdem verpasst werden

Eine andere Forschungslinie erklärt, warum Angebot und Nachfrage unvermittelt nebeneinander bestehen. Der Nobelpreis 2010 ging, wie die Pressemitteilung der Akademie beschreibt, an Peter Diamond, Dale Mortensen und Christopher Pissarides „für ihre Analyse von Märkten mit Suchreibung“.

Die Kernbeobachtung der Mitteilung ist schlicht. Auf vielen Märkten treten Käufer und Verkäufer nicht sofort in Kontakt. Der Suchprozess braucht Zeit und Ressourcen und erzeugt daher Reibung. Auf solchen Märkten bleiben zugleich manche Nachfragen unerfüllt, während manche Verkäufer nicht so viel verkaufen können, wie sie möchten. Sie vermerkt, dass die Theorie über Arbeitsmärkte hinaus gilt, und nennt den Wohnungsmarkt als ein Beispiel.

Für einen Marktplatzbetreiber ist „Reibung“ ein nützliches Wort. Jedes der folgenden ist eine Reibung:

• Ein Käufer kann nicht in Begriffen beschreiben, was er will, die Ihre Kategorien verstehen.
• Die Ergebnisse sind relevant, aber der Käufer kann nicht erkennen, welcher Verkäufer gut ist.
• Der Kalender oder Bestand eines Verkäufers ist veraltet, sodass das Ergebnis nicht erfüllt werden kann.
• Ein Käufer kontaktiert drei Verkäufer, und zwei antworten nie.

Bessere Suche und besseres Matching verringern die Reibung. Sie beseitigen sie nicht, und manche Reibung ist nützlich: Ein Käufer, der ein wenig vergleicht, trifft oft eine bessere Wahl. Ziel ist es, die vermeidbare Art zu beseitigen. Ein Teil davon ist ein Vertrauensproblem, weshalb Kontrollen der Angebotsqualität in dieselbe Diskussion wie das Ranking gehören.

Was Plattformen über das Ranking sagen müssen

Ranking ist in einigen Regionen auch ein rechtliches Thema. In der Europäischen Union legt die Verordnung (EU) 2019/1150 (oft Platform-to-Business-Verordnung genannt) Transparenzanforderungen für Online-Vermittlungsdienste und Suchmaschinen fest.

Die Verordnung definiert „Ranking“ als die relative Hervorhebung von Waren oder Dienstleistungen, die über Online-Vermittlungsdienste angeboten werden, oder die Relevanz, die Online-Suchmaschinen Suchergebnissen zuweisen. Artikel 5 verlangt dann:

• Vermittlungsdienste müssen in ihren Allgemeinen Geschäftsbedingungen die Hauptparameter darlegen, die das Ranking bestimmen, und die Gründe für ihre relative Gewichtung gegenüber anderen.
• Suchmaschinen müssen eine leicht und öffentlich zugängliche Beschreibung der Hauptparameter des Rankings in klarer und verständlicher Sprache bereitstellen und aktuell halten.
• Bezahlte Einflussnahme muss offengelegt werden. Wo das Ranking durch Zahlung beeinflusst werden kann, muss der Anbieter diese Möglichkeit und die Wirkung der Vergütung auf das Ranking erläutern.

Die Verordnung sagt auch, Anbieter müssten ihre Algorithmen nicht offenlegen und auch keine Informationen, die es ermöglichen könnten, Verbraucher durch Manipulation von Suchergebnissen zu täuschen. Die Pflicht betrifft also die Hauptparameter und ihre relative Gewichtung, nicht die Veröffentlichung des Modells.

Auch wenn Sie nicht in der EU tätig sind, ist das eine gute Vorlage für die Ranking-Erklärung eines Marktplatzes. Verkäufer, die ungefähr verstehen, was Sichtbarkeit antreibt, treffen bessere Entscheidungen zu Fotos, Preisen und Antwortzeiten. Und wenn es bezahlte Platzierung gibt, schützt es das Vertrauen, das auch zu sagen. Wie gesponserte Platzierung kommerziell funktioniert, betrachten wir unter Werbung als Erlösquelle von Marktplätzen.

Kennzahlen für Suche und Matching

Suchqualität ist leicht zu spüren und schwer zu messen. Das sind die Kennzahlen, die Teams üblicherweise verfolgen. Keine hat einen allgemeingültigen Benchmark, legen Sie Ziele also anhand Ihrer eigenen Daten fest.

Die ersten beiden haben eine dokumentierte Definition. Die Analytics-Dokumentation von Algolia definiert die Quote ohne Ergebnisse als den Prozentsatz der Suchen ohne Ergebnisse und definiert die Klickrate als den Prozentsatz der erfassten Suchen mit mindestens einem Klick-Ereignis. Die übrigen Zeilen sind unsere eigenen Arbeitsdefinitionen. „Suche bis Kontakt“ und „Match-Rate“ haben keine einheitliche Standardbedeutung, halten Sie Ihre also schriftlich fest, bevor Sie Zahlen über Teams oder Zeiträume hinweg vergleichen.

Einige Warnungen.

1. Segmentieren Sie die Quote ohne Treffer. Eine gemischte Zahl verbirgt die Suchanfragen, auf die es ankommt. Sehen Sie sich die häufigsten Suchanfragen ohne Treffer an: Sie sind eine kostenlose Liste unerfüllter Nachfrage und ein Anstoß für die Angebotsgewinnung.
2. Behalten Sie beide Seiten im Blick. Eine hohe Match-Rate, bei der Anbieter an minderwertigen Leads verschleißen, ist kein Gewinn. Koppeln Sie Käuferkennzahlen mit Daten zu Annahme und Antwort der Anbieter.
3. Optimieren Sie nicht allein auf den Klick. Das Airbnb-Papier von 2018 trainiert auf Buchungen, nicht nur auf Klicks, denn ein Klick ist nicht das Ziel. Je näher Ihr Ziel am tatsächlichen Ergebnis liegt, desto weniger belohnen Sie bloße Neugier.
4. Trennen Sie Suchqualität von Angebotstiefe. Eine Suchanfrage ohne Treffer kann schlechte Suche oder fehlendes Angebot bedeuten. Beides braucht andere Lösungen.

Wo Sie diese Kennzahlen entlang des Käuferwegs ansiedeln, spielt ebenfalls eine Rolle. Die Stufen legen wir im Conversion-Funnel von Marktplätzen dar, und wie Preissignale die Wahl der Käufer prägen, unter Preisfindung auf Marktplätzen. Auch das Buchungsmodell verändert, was ein Match bedeutet: Bei Sofortbuchung versus Buchungsanfrage entfällt der Annahmeschritt des Anbieters oder wird ausdrücklich gemacht.

Eine praktische Reihenfolge

Wenn Sie Matching aufbauen oder verbessern, ist das eine sinnvolle Abfolge. Es ist Überlegung, keine Regel aus den obigen Quellen.

1. Beginnen Sie mit Filtern und Sortierung, nicht mit Modellen. Lassen Sie Käufer nach den Merkmalen eingrenzen, die Käufe entscheiden. Ein kleiner, gut gebauter Filtersatz schlägt einen cleveren Ranker über unordentlichen Daten.
2. Bereinigen Sie die Daten vor dem Algorithmus. Ranking kann nur nutzen, was Verkäufer liefern. Pflichtfelder, einheitliche Kategorien und aktuelle Verfügbarkeit bringen im kleinen Maßstab mehr als Modelländerungen.
3. Wählen Sie ein Ziel. Entscheiden Sie, ob Sie auf abgeschlossene Transaktionen, Käuferzufriedenheit oder Umsatz optimieren, und seien Sie sich bewusst, dass sie in Konflikt geraten können.
4. Ergänzen Sie Nebenbedingungen auf Verkäuferseite. Beziehen Sie Annahmewahrscheinlichkeit, Verfügbarkeit und Antwortzeit ein, damit Sie Käufern keine Ergebnisse zeigen, die ins Leere führen.
5. Protokollieren Sie alles. Impressionen, Positionen, Klicks, Kontakte, Ergebnisse. Airbnbs Ansatz, aus protokollierten Sitzungen zu lernen, ist nur möglich, wenn Sie die Logs aufbewahrt haben.
6. Schreiben Sie die Hauptparameter auf. Schon eine kurze Ranking-Erklärung für Verkäufer zwingt Sie zu wissen, was Ihr Ranking tatsächlich tut.
7. Leiten Sie die schwierigen Fälle an Menschen weiter. Wo eine Anfrage komplex oder wertvoll ist, kann menschliches Matching jeden Ranker schlagen. Siehe Managed Marketplace.

Wichtige Fakten: Suche und Matching auf Marktplätzen

• Der Wirtschaftsnobelpreis 2012 würdigte Alvin Roth und Lloyd Shapley, und die Pressemitteilung der Akademie sagt, der Gale-Shapley-Algorithmus stelle stets ein stabiles Matching sicher, also eines, in dem keine zwei Akteure einander ihren aktuellen Gegenübern vorziehen.
• Der Nobelpreis 2010 ging an Diamond, Mortensen und Pissarides für die Analyse von Märkten mit Suchreibung, auf denen Käufer und Verkäufer nicht sofort in Kontakt treten und zugleich ein Teil von Nachfrage und Angebot unvermittelt bleibt.
• Die Verordnung (EU) 2019/1150, Artikel 5 verpflichtet Vermittlungsdienste, die Hauptparameter des Rankings und die Gründe für ihre relative Gewichtung offenzulegen und die Wirkung jeder Zahlung auf das Ranking zu erläutern.
• Das Suchpapier von Airbnb aus 2018 sagt, der Ersatz einer manuellen Bewertungsfunktion durch ein Gradient-Boosted-Decision-Tree-Modell habe eine der größten sprunghaften Verbesserungen der Buchungen in der Unternehmensgeschichte gebracht, bevor die Gewinne abflachten.
• Das Journey-Ranker-Papier von Airbnb beschreibt Gäste, die Wochen mit dem Vergleichen von Optionen verbringen, Gastgeber, die Anfragen womöglich ablehnen oder stornieren, und die Notwendigkeit, im Ranking die Präferenzen von Gast und Gastgeber auszubalancieren.
• Die Dokumentation von Algolia definiert die Quote ohne Ergebnisse als den Prozentsatz der Suchen ohne Ergebnisse.

Weiterführende Lektüre

• Dichte auf Marktplätzen
• Managed Marketplace
• Conversion-Funnel von Marktplätzen
• Preisfindung auf Marktplätzen
• Sofortbuchung vs. Buchungsanfrage
• Angebotsqualität von Marktplätzen
• Werbung als Erlösquelle von Marktplätzen