Czym jest fuzzy search i jak literówki psują sprzedaż w Twoim sklepie?
Klient chce kupić słuchawki bezprzewodowe. Wpisuje w wyszukiwarkę "słuchaWKI bezpzewodowe" — dwie literówki, jedna zmieniona kolejność liter. Wynik w większości sklepów: zero produktów. Klient wychodzi. Sprzedaż nie dochodzi do skutku, mimo że towar był na stanie.
To nie jest rzadki scenariusz. Badania UX pokazują, że od 10 do 25% wyszukiwań w sklepach internetowych zawiera literówkę lub błąd. Jeśli Twoja wyszukiwarka nie obsługuje fuzzy search — tracisz co czwartego klienta, który aktywnie szukał produktu do kupienia.
Czym jest fuzzy search?
Fuzzy search (wyszukiwanie przybliżone) to technika, która zamiast szukać dokładnego dopasowania ciągu znaków, szuka najbardziej podobnego. Silnik porównuje wpisaną frazę z indeksem produktów i zwraca wyniki nawet wtedy, gdy różnią się kilkoma literami.
Podstawą matematyczną jest odległość edycyjna (Levenshtein Distance) — liczba operacji (wstawienie, usunięcie, zamiana znaku) potrzebna do przekształcenia jednego słowa w drugie. Im mniejsza odległość, tym słowa są do siebie bardziej podobne.
Przykłady odległości edycyjnej:
"kurtka"→"kurtaka"— odległość 1 (jedna wstawiona litera)"samsung"→"samsugn"— odległość 1 (zamiana kolejności liter)"słuchawki"→"słuchaWKI"— odległość 0 (wielkość liter ignorowana)"rower"→"rowek"— odległość 1 (zamiana jednej litery)
Dobry silnik fuzzy search pozwala ustawić tolerancję — czyli maksymalną akceptowaną odległość edycyjną. Przy tolerancji 1 naprawiasz pojedyncze literówki. Przy tolerancji 2 — bardziej skomplikowane błędy, ale ryzykujesz więcej fałszywych trafień.
Dlaczego domyślna wyszukiwarka sklepu nie obsługuje literówek?
Większość wbudowanych wyszukiwarek (WooCommerce, PrestaShop, Magento) opiera się na zapytaniach SQL z operatorem LIKE. Zapytanie wygląda mniej więcej tak:
SELECT * FROM products WHERE name LIKE '%słuchaWKI bezpzewodowe%'Baza danych szuka dokładnie tego ciągu znaków w nazwie produktu. Nie ma pojęcia o podobieństwie, odległości edycyjnej ani intencji użytkownika. Albo pasuje — albo nie.
Naprawienie tego w warstwie SQL jest możliwe — są funkcje jak SOUNDEX czy rozszerzenia do wyszukiwania pełnotekstowego — ale ich wydajność przy dużych katalogach jest kiepska, a możliwości konfiguracji ograniczone. Fuzzy search na poziomie produkcyjnym wymaga dedykowanego silnika.
Jak fuzzy search działa w praktyce — silnik in-memory
Nowoczesne silniki wyszukiwania jak Typesense czy Algolia przechowują indeks produktów w pamięci RAM, a nie w bazie SQL. Dzięki temu mogą w milisekundach:
- •Tokenizować zapytanie — rozłożyć frazę na osobne słowa i przeanalizować każde z nich oddzielnie.
- •Obliczyć odległość edycyjną dla każdego tokenu względem słów w indeksie.
- •Zwrócić wyniki posortowane według trafności — dokładne dopasowania wyżej, przybliżone niżej.
- •Automatycznie dobrać tolerancję do długości słowa — krótkie słowa (3–4 litery) szukane są ściśle, dłuższe z większą tolerancją.
Przykład działania w Typesense (silnik SwiftSearch):
"adidasy do biegania"
"adidas" (odl. 2) + "bieganie" (odl. 1 od "biegania")
Buty do biegania Adidas Ultraboost — wyświetlone ✓
Fuzzy search a synonimy — różnica, którą warto znać
Fuzzy search i synonimy rozwiązują podobny problem — klient szuka czegoś, co nie pasuje dokładnie do nazwy produktu — ale działają w różnych przypadkach:
| Mechanizm | Problem, który rozwiązuje | Przykład |
|---|---|---|
| Fuzzy search | Literówki, przestawione litery, błędy ortograficzne | "słuchaWKI" znajdzie "słuchawki" |
| Synonimy | Różne nazwy tego samego produktu lub kategorii | "adidasy" znajdzie "buty Adidas" |
| Oba razem | Literówka w słowie, które i tak jest synonimem | "adiasy" znajdzie "buty Adidas" |
Profesjonalna wyszukiwarka powinna mieć oba mechanizmy — fuzzy search naprawia błędy techniczne, synonimy rozwiązują problem semantyczny (różne słowa, to samo znaczenie).
Jak skonfigurować fuzzy search? Na co uważać?
Konfiguracja fuzzy search to głównie ustawienie tolerancji (num_typos). Kilka zasad, które warto znać zanim zaczniesz:
Tolerancja zależna od długości słowa
Słowa krótkie (1–4 litery) powinny być szukane ściśle — fuzzy search przy słowie "rok" z tolerancją 2 znajdzie też "rak", "rek", "rok" i wiele innych. To generuje szum. Dobrze skonfigurowany silnik automatycznie obniża tolerancję dla krótkich tokenów.
Kolejność priorytetów wyników
Dokładne dopasowania powinny zawsze być wyżej niż przybliżone. Klient, który wpisał "samsung galaxy" poprawnie, nie może dostać na górze produktu z odległością edycyjną 2 tylko dlatego, że ma lepszy ranking sprzedaży.
Fuzzy search nie zastępuje analizy zero-result
Nawet z fuzzy search część zapytań będzie bez wyników — bo klient szuka produktu, którego po prostu nie masz, albo używa nazwy branżowej spoza Twojego indeksu. Analityka fraz bez wyników to osobne narzędzie, które mówi Ci, gdzie dalej tracisz klientów.
Wydajność przy dużym katalogu
Obliczanie odległości edycyjnej dla każdego słowa w indeksie to operacja kosztowna obliczeniowo. Dlatego fuzzy search w silnikach SQL jest powolne. Silniki in-memory jak Typesense robią to wielokrotnie szybciej dzięki indeksom opartym na strukturach danych zoptymalizowanych pod kątem podobieństwa ciągów.
Ile sprzedaży tracisz bez fuzzy search?
Trudno podać jedną liczbę — zależy od branży, katalogu i grupy docelowej. Ale kilka danych, które warto mieć w głowie:
- Użytkownicy korzystający z wyszukiwarki konwertują 2–5× częściej niż przeglądający kategorie.
- Szacuje się, że 10–25% wyszukiwań zawiera literówkę lub błąd pisowni.
- Zapytanie bez wyników kończy się opuszczeniem sklepu w ponad 60% przypadków.
- Sklepy, które wdrożyły fuzzy search, raportują redukcję wskaźnika zero-result o 30–60%.
Jeśli Twój sklep robi 10 000 wyszukiwań miesięcznie, a 15% z nich kończy się brakiem wyników przez literówki — to 1 500 klientów z intencją zakupową, którzy odeszli z pustymi rękoma. Przy średnim koszyku 200 zł i konwersji 3% — to około 9 000 zł potencjalnej sprzedaży miesięcznie w koszu.
Jak sprawdzić, czy Twoja wyszukiwarka obsługuje literówki?
Prosty test, który możesz zrobić teraz — wejdź na swój sklep i wpisz kilka fraz z celowymi błędami:
Test 1: Przestawione litery
Weź swoją bestsellerową kategorię i zamień kolejność dwóch liter w środku słowa. Np. "krutka" zamiast "kurtka". Czy wyszukiwarka coś zwraca?
Test 2: Brakująca litera
Wpisz nazwę produktu z jedną usuniętą literą w środku. "słuchaki" zamiast "słuchawki". Jeśli wynik to zero produktów — nie masz fuzzy search.
Test 3: Błąd fonetyczny
"telefon komorkowy" (bez ó) albo "żaruwka" zamiast "żarówka". To błędy, które realnie zdarzają się użytkownikom — szczególnie na mobile.
Jeśli którykolwiek z tych testów zwrócił zero wyników — Twoja wyszukiwarka nie obsługuje fuzzy search i prawdopodobnie tracisz kilkanaście procent potencjalnych transakcji miesięcznie.
Podsumowanie
Fuzzy search to nie fanaberia — to podstawa działającej wyszukiwarki e-commerce. Klienci robią literówki, szczególnie na smartfonach z wirtualną klawiaturą. Wyszukiwarka, która ich za to karze zerem wyników, działa przeciwko Twojej sprzedaży.
Wdrożenie fuzzy search wymaga silnika wyszukiwania innego niż SQL — dedykowanego, in-memory, zoptymalizowanego pod kątem podobieństwa ciągów. SwiftSearch robi to z regulowaną tolerancją, automatycznym doborem progu dla krótkich słów i rankingiem, który zawsze premiuje dokładne dopasowania ponad przybliżone.
Artykuł zaktualizowany w 2026 roku. Ceny i parametry planów mogą ulec zmianie — sprawdź aktualne informacje na stronach dostawców.