Lernen Sie JD Sports kennen

Das britische Unternehmen JD Sports genießt seit langem einen hervorragenden Ruf dafür, Sportler und Sneaker-Fans auf beiden Seiten des Atlantiks und darüber hinaus einzukleiden und mit den passenden Schuhen auszustatten.

JD Sports wurde 1981 in der Marktstadt Bury im Großraum Manchester gegründet und hat sich zu einem globalen Sportmode-Einzelhändler entwickelt, wobei das 1976 in Indianapolis gegründete Unternehmen Finish Line einen wichtigen Teil seines US-Geschäfts ausmacht. Gemeinsam haben die Marken ihren Erfolg darauf aufgebaut, anspruchsvollen Kunden, die ein nahtloses Einkaufserlebnis erwarten, genau den richtigen Sneaker oder das passende Sportbekleidungsstück anzubieten. Im Online-Bereich erfordert dies eine Suchfunktion, die äußerst relevant und reibungslos ist und sich an schnell wechselnde Trends, saisonale Schwankungen und das Kundenverhalten in Echtzeit anpasst.

„Die Suche nach dem richtigen Sneaker oder Kleidungsstück muss mühelos sein, egal ob man eine umfangreiche Kategorieseite durchstöbert oder nach einer bestimmten Neuerscheinung sucht“, sagt Kristin Matter, Vice President für Digital Operations bei JD Sports.

Die Herausforderung: Vom manuellen Merchandising zur MACH-fähigen Suche

Da die Produktkataloge der Marken immer umfangreicher wurden und die Suchfunktion sehr manuell gestaltet war, wurde die Verwaltung der Suchfunktion und der Produktdetailseiten (PLPs) für die Merchandising-Teams zunehmend ressourcenintensiv.

„Die Merchandising-Teams verbrachten viel Zeit damit, die Ergebnisse manuell anzupassen, Produkte hervorzuheben und statische Regeln zu erstellen, die kaum mit den sich schnell ändernden Kundentrends und saisonalen Schwankungen Schritt halten konnten“, erklärt Kristin.

Darüber hinaus begann das Technologieteam des Unternehmens mit der Modernisierung seiner E-Commerce-Systeme mithilfe einer MACH-Architektur, deren Grundprinzipien Agilität, Modularität und Geschwindigkeit sind. Diese Umstellung zwang das Technologieteam dazu, neu zu überdenken, wie sich Kernsysteme wie Such- und Entdeckungsfunktionen in die neue, API-gesteuerte, komponierbare Architektur einfügen.

„Wir wollten uns von monolithischen E-Commerce-Plattformen lösen und einen flexiblen Tech-Stack aufbauen, der nahtlose Omnichannel-Erlebnisse über digitale und physische Kanäle hinweg ermöglicht“, sagt Kristin.

Die Teams benötigten eine intelligente, moderne Suchplattform, die die Merchandising-Logik automatisieren, eine äußerst relevante Vektorsuche in großem Maßstab bereitstellen und sich nahtlos in die neue Architektur integrieren ließ, die gerade aufgebaut wurde.

Die Lösung: Aufbau einer skalierbaren KI-Suchplattform mit den Professional Services von Algolia

Das Unternehmen wandte sich im Jahr 2024 an Algolia, um die strengen Anforderungen seiner neuen Suchplattform zu erfüllen. Die Lösung hob sich laut Kristin durch ihre leistungsstarke Kombination aus Geschwindigkeit, KI-gestützter Automatisierung und robusten API-Funktionen von der Konkurrenz ab.

„Algolia passte perfekt zu unserer Vision“, sagt sie. „Dank des API-First-Ansatzes konnten wir leistungsstarke Such- und Entdeckungsfunktionen mit minimalem Aufwand direkt in unsere Headless-Frontends integrieren.“ 

Sie fügt hinzu, dass das Professional-Services-Team von Algolia während der Implementierung eng mit dem Digitalteam von JD Sports zusammengearbeitet habe, um dessen Geschäftsstrategie, Ranking-Anforderungen und Merchandising-Bedürfnisse gründlich zu verstehen. Gemeinsam setzten sie diese Anforderungen in den besten technischen Ansatz um – von der Sicherstellung, dass die richtigen Daten an Algolia gesendet wurden, bis hin zur Entwicklung eines Datenmodells, das das von JD Sports angestrebte Kundenerlebnis unterstützen konnte. Ebenso wichtig war, dass die Grundlage den Merchandising-Teams die Flexibilität gab, Regeln effektiv zu erstellen und zu verwalten, ohne auf zusätzliche Entwicklungsarbeit angewiesen zu sein.

Das Team konzentrierte sich zunächst auf eine reibungslose Migration: die Einführung zentraler Suchfunktionen, PLP-Rendering und grundlegender Analysen in allen Shop-Frontends. Auf dieser soliden Grundlage ging es rasch zur Optimierung und Funktionserweiterung über, wobei der Schwerpunkt von einfachem Keyword-Matching auf fortgeschrittenere KI-gestützte Funktionen wie NeuralSearch, Datentransformationen und Sammlungen verlagert wurde.

Das Team führte im Jahr 2025 außerdem das „Dynamic Re-Ranking“ (DRR) auf den Kategorieseiten ein und wechselte damit von reaktivem, manuellem Merchandising zu algorithmischen Suchergebnissen, die auf dem Kundenverhalten in Echtzeit basieren. „Vor Algolia erforderte die Anpassung der Ergebnisse an Echtzeit-Mikrotrends manuelle Eingriffe, die oft hinter dem tatsächlichen Kaufverhalten der Kunden zurückblieben“, erklärt Kristin. „Heute erkennt DRR anhand von tatsächlichen Klick- und Konversionssignalen selbstständig, was gerade im Trend liegt, und rückt beliebte Produkte automatisch an die Spitzenpositionen auf den Kategorieseiten.“

Sie fügt hinzu, dass das Customer-Success-Team von Algolia nach der Implementierung weiterhin proaktiv mit dem Tech-Team von JD Sports an der laufenden Optimierung zusammengearbeitet habe, indem es regelmäßig Leistungsdaten zur Überprüfung bereitstellte, beim Testen neuer Funktionen half und Möglichkeiten identifizierte, noch mehr Nutzen aus der Plattform zu ziehen.

Die Ergebnisse: Steigerung von Effizienz, Engagement und Umsatz

Durch diese enge Zusammenarbeit verfügt JD Sports nun über eine skalierbare, API-basierte Suchplattform, die den manuellen Aufwand für das Merchandising drastisch reduziert und den Kunden ein intuitiveres, flüssigeres Einkaufserlebnis bietet. 

„Die größte Auswirkung betraf die betriebliche Effizienz“, bemerkt Kristin. „Früher verbrachten die Merchandiser unzählige Stunden damit, die Ranking-Regeln anzupassen und statische Kollektionsseiten manuell zu erstellen.“ 

„Heute haben wir die PLP-Verwaltung drastisch gestrafft. Da die Algorithmen von Algolia die Reihenfolge der Artikel dynamisch auf Basis der Echtzeit-Beliebtheit und der Konversionsraten optimieren, muss unser Merchandising-Team deutlich weniger Zeit für manuelle Eingriffe aufwenden und hat mehr Zeit für die strategische Planung.“

Sie fügt hinzu, dass Millionen von Sportlern, Sportbegeisterten und Sneaker-Fans auf den digitalen Kanälen von JD Sports, darunter auch Finish Line, nun ein reibungsloseres, schnelleres und intuitiveres Erlebnis bei der Produktsuche genießen – ganz gleich, ob sie nach einer bestimmten Marke suchen oder eine übergeordnete Kategorieseite durchstöbern –, was zu einer höheren Interaktion und einer schnelleren Produktsuche führt.

„Dank Algolia sehen Käufer nun sofort trendgerechte, äußerst relevante Ergebnisse, ganz gleich, ob sie nach einer bestimmten Marke suchen oder auf einer übergeordneten Kategorieseite stöbern – was zu einer höheren Interaktion und einer schnelleren Entdeckung führt“, sagt Kristin.

Die Auswirkungen auf das Geschäft liegen auf der Hand:

• PLP-Umsatz steigt um 16 %

• 22 % Umsatzsteigerung im Suchbereich

• Die Klickraten (CTR) bei Suchanfragen steigen um 7,65 %

• Die Klickraten (CTR) von PLP steigen um 73 %

„Allein durch das ‚Dynamic Re-ranking‘ konnten wir eine sofortige Steigerung der Klickrate um 2,2 %, der Warenkorb-Aufnahmerate um 4 % und der Konversionsrate um 4 % erzielen“, sagt Kristin. „Damit können wir nun weltweit personalisierte, konversionsstarke Einkaufserlebnisse bieten, ohne den manuellen Aufwand zu erhöhen.“

Mit Blick auf die Zukunft erklärt sie, dass das Digitalteam darauf brennt, die Stärken von Algolia im Bereich der KI zu nutzen, um den Übergang zum intelligenten Merchandising zu vollziehen: weg von der manuellen Analyse hin zu automatisierter Intelligenz, die Makrodaten-Trends analysieren und proaktive Erkenntnisse gewinnen kann, um Merchandiser auf neue Chancen wie steigende Suchtrends, Bestandsveränderungen oder Kategorien mit schwacher Performance aufmerksam zu machen.

Und das ist nicht die einzige KI-gestützte Anwendung von Algolia, die das Team derzeit untersucht. Algolia ist bereits direkt in den kundenorientierten KI-Shopping-Agenten der E-Commerce-Plattform integriert, erklärt Kristin. Dort fungiert es als hochgeschwindigkeitsfähige Produkt- und Suchmaschine, die äußerst relevante Echtzeit-Ergebnisse liefert, um Kundenanfragen zu beantworten und Konversionen zu fördern.

All dies dient dazu, das Kundenerlebnis zu verbessern und durch umfassende Hyper-Personalisierung die Konversionsrate zu steigern. In den kommenden Monaten und Jahren, so fährt sie fort, „wollen wir jeden Kontaktpunkt noch stärker individuell anpassen, damit Suchergebnisse, PLP-Anordnungen und Produktempfehlungen die individuellen Vorlieben der Käufer, frühere Käufe und Echtzeit-Absichten über alle digitalen Kanäle hinweg dynamisch widerspiegeln.“