Wie Vinted KI in Suche und Empfehlungen für Secondhand-Mode einsetzt

Vinted, der Marktplatz für Secondhand-Mode, nutzt maschinelles Lernen vor allem, damit Käuferinnen und Käufer einzigartige Artikel in einem riesigen, ständig wechselnden Katalog finden. Die Ingenieure haben veröffentlicht, wie Dense Retrieval (auf Embeddings basierende Suche), personalisiertes Autocomplete und ein Two-Tower-Empfehlungssystem im Produktivbetrieb funktionieren. Die veröffentlichten Belege sind bei Suche und Empfehlungen stark und schweigen zu Preisvorschlägen und Vertrauen, weshalb dieser Artikel diese Themen nicht behandelt.

Warum ist die Suche für einen Secondhand-Marktplatz ein schwieriges KI-Problem?

Ein klassischer Händler verkauft wiederkehrende Artikelnummern mit sauberen Attributen. Ein Peer-to-Peer-Marktplatz listet Artikel, die nur einmal existieren, von Verkäufern in vielen Sprachen beschrieben und auf sehr unterschiedliche Weise fotografiert werden. Die Stichwortsuche liefert in solchen Katalogen oft nichts, was die Ingenieure von Vinted in ihrem Bericht zu Dense Retrieval als verpasste Geschäftschance bezeichneten.

Der Massstab erschwert die Aufgabe zusätzlich. Im Januar 2025 berichtete Vinted, dass der Index am 11. November 2024 eine Milliarde durchsuchbare Dokumente überschritten habe, gegenüber rund 100 Millionen Ende 2019, bei einer mittleren Latenz der Datenschicht von unter 20 Millisekunden. Zuvor hatte das Unternehmen seine Suchmaschine von Elasticsearch auf Vespa umgestellt, eine Plattform, die Suche, Vektorabruf und Ranking mit maschinellem Lernen vereint.

Wie nutzt Vinted Dense Retrieval, um Artikel zu finden?

Dense Retrieval begann 2022 als Experimente in einem Hackathon. Zunächst füllte es Sitzungen mit wenigen Ergebnissen auf, und ab dem Frühjahr 2024 wurde es nach rund 50 A/B-Tests für alle Sitzungen eingeführt. Das Modell bildet Abfragen und Artikel in einem gemeinsamen Raum mit 256 Dimensionen ab. Der Abfrage-Turm ist ein eingefrorenes mehrsprachiges CLIP-Modell mit einem trainierten Projektionskopf. Der Artikel-Turm kombiniert kategoriale Embeddings, etwa für Marke und Kategorie, mit dem Embedding des Hauptproduktbilds.

Das Team berichtete, dass eine Verzehnfachung der Trainingsdaten auf mehr als 100 Millionen positive Paare die Ergebnisse verbesserte und dass die Berechnung der Bild-Embeddings für alle Artikel etwa einen Monat dauerte. Zudem nennt es eine Fehlerrate unter 0,02 Prozent. Die Ingenieure sprechen offen über den Preis: Konsistente Ergebniszahlen, Filter und Sortierungen brachten erhebliche Komplexität mit sich, die sie später reduzieren möchten.

Lesen Sie auch

Wie American Eagle Outfitters KI positioniert: Das Aerie-Versprechen gegen generierte Körper

Wie funktioniert personalisiertes Autocomplete?

Im April 2026 beschrieb Vinted eine Pipeline, die rund 125 Millionen Kandidaten-Suchbegriffe in 24 Sprachen erzeugt. Die Kandidaten stammen aus Produktmetadaten und Suchprotokollen und werden zweimal pro Woche neu generiert. Bewertet werden sie nach Kennzahlen wie Abverkaufsquote, Verkaufsvolumen und Klickrate der Vorschläge, mit einem Diversitätsfilter, damit neuere und Nischenvorschläge sichtbar bleiben.

Ein LightGBM-Rankingmodell sortiert anschliessend die 20 besten Treffer mit exaktem Präfix anhand von 63 Merkmalen neu, die Abfrage, Beliebtheit, Nutzerverhalten und Kontext abdecken. Der Dienst verarbeitet 4’700 Abfragen pro Sekunde bei 31 Millisekunden P99. Vinted berichtet, dass das gesamte Vorschlagssystem in kurzfristigen Experimenten die Klickrate der Vorschläge um rund 49 Prozent und die Suchtransaktionen um rund 0,8 Prozent steigerte und dass die Personalisierungsschicht zusätzlich etwa 8 Prozent mehr Klicks brachte.

Wie erzeugt Vinted Empfehlungen?

Das Empfehlungssystem auf der Startseite von Vinted hat drei Stufen. Die erste ruft Kandidaten mit einer Approximate-Nearest-Neighbour-Suche ab. Ein hauseigenes Two-Tower-Modell kodiert auf der einen Seite Angebote (Marke, Preis, Grösse und Fotos) und auf der anderen die Abfolge von Klicks, Favoriten und Käufen einer Nutzerin oder eines Nutzers. Der Abstand zwischen den beiden Embeddings dient als Relevanzwert.

Bemerkenswert ist ein Experiment. Die approximative Suche erreichte im Vergleich zur exakten Suche einen Recall von rund 60 bis 70 Prozent, doch die Nutzer bemerkten das nicht. Als das Team die exakte Suche bei der Hälfte der Nutzer testete, stieg die Latenz um etwa 40 Prozent, und die Zufriedenheit verbesserte sich nicht genug, um das zu rechtfertigen. Deshalb blieb es bei der approximativen Suche.

Was hat Vinted gelernt, und was bleibt unbewiesen?

Drei Erkenntnisse stechen hervor. Erstens mass das Team Geschäftsergebnisse wie Transaktionen und den Bruttowarenwert der Käufer, nicht nur die Klickrate, und lehnte mit dieser Disziplin die eingegrenzten Vorschläge ab: Die Klickrate stieg um etwa 2,4 Prozent, doch die Nutzer kauften in derselben Sitzung etwa 1,3 Prozent seltener. Zweitens prägten Latenzbudgets die Modellwahl, denn native Präfixabfragen mit rund 220 Millisekunden P99 waren für Autocomplete zu langsam. Drittens ist ein Grossteil der Arbeit Infrastruktur, nicht Modellierung.

• Die Ergebnisse stammen von Vinted selbst, aus eigenen Experimenten, und sind überwiegend kurzfristig.
• Das veröffentlichte Material behandelt weder Preisvorschläge noch Betrugs- oder Vertrauens- und Sicherheitsmodelle.
• Die Erzeugung von Vorschlägen mit grossen Sprachmodellen wird als nächster Schritt beschrieben, begrenzt durch ein Latenzbudget von 100 Millisekunden.

Wie sollte ein Marktplatz messen, ob KI in der Suche funktioniert?

Die Beiträge von Vinted bieten eine nützliche Vorlage. Das Team führte rund 50 A/B-Tests durch, bevor Dense Retrieval vollständig aktiviert wurde, berichtete Ergebnisse mit Signifikanzniveaus und untersuchte Nebenwirkungen wie Latenz, Ergebniskonsistenz und Käufe innerhalb der Sitzung. Eine Funktion, die die Klickrate steigerte, aber das Kaufen verringerte, wurde nicht ausgeliefert. Teams, die Suchänderungen nur an Klicks messen, riskieren, auf Neugier statt auf Handel zu optimieren.

1. Zuerst das Geschäftsergebnis definieren, zum Beispiel Transaktionen pro aktiver Nutzerin oder aktivem Nutzer oder den Bruttowarenwert der Käufer.
2. Vor der Einführung kontrollierte Experimente mit einem Teil der Nutzer durchführen.
3. Die Latenz am Rand der Verteilung (P99) verfolgen, da langsame Vorschläge ignoriert werden.
4. Konsistenzeffekte prüfen, etwa wenn sich Ergebniszahlen beim Anwenden eines Filters ändern.
5. Kurzfristige Gewinne mit dem längerfristigen Verhalten abgleichen, bevor man den Erfolg erklärt.

Dieselben Beiträge zeigen auch die Grenzen selbst berichteter Ergebnisse. Die meisten Zahlen stammen aus kurzfristigen Experimenten, die Vinted selbst durchgeführt hat, sie wurden nicht unabhängig geprüft, und sie beschreiben eine einzelne Plattform mit eigenem Katalog und eigenen Nutzern. Ein Modehändler mit einem Standardkatalog würde andere Effekte sehen.

Lesen Sie auch

Wie setzt ASOS KI ein? Outfit-Empfehlungen, der AI Stylist und ChatGPT

Was können andere Modemarktplätze daraus mitnehmen?

Marktplätze mit einzigartigem Bestand profitieren von Embeddings, weil der exakte Stichwortabgleich bei spärlichen, mehrsprachigen Angeboten versagt. Voraussetzungen sind saubere kategoriale Daten, gute Fotos, Suchprotokolle und eine A/B-Testkultur, die Funktionen verwerfen kann, die bei der Klickrate gut aussehen. Kleinere Plattformen sollten beachten, dass die Fortschritte von Vinted aus Jahren inkrementeller Ingenieursarbeit auf einer eigens dafür gebauten Plattform stammen und nicht aus einem einzelnen Modell.

Laut Branchenberichten vom August 2024 hat Vinted zudem mit einem externen Anbieter für Werbetechnologie zusammengearbeitet, um personalisierte Angebote nach dem Kauf auszuspielen. Das zeigt, dass KI auf einem Marktplatz über die Suche hinaus bis in die Monetarisierung reicht. Öffentliche Details dazu sind begrenzt.