Wenn wir an unsere täglichen Interaktionen mit Technologie denken, wird „Suchen“ gleichbedeutend mit „Surfen“. Suchen ist mit dem Internet allgegenwärtig geworden – nahezu jede „verbundene“ Aktion, die wir durchführen können, beginnt mit irgendeiner Art von Suche. Das bedeutet zwei Dinge: Erstens, dass wir als Technologiekonsumenten nahtlose Sucherlebnisse erwarten; und zweitens, dass die Firmen, die uns diese Suchmöglichkeiten bieten, eine Menge Daten darüber haben, wie wir sie nutzen.

Bei Guru betrachten wir diese Daten ständig, um unsere Suchleistung weiterhin zu verbessern – und oft überrascht uns, was wir finden. Und obwohl wir letztendlich glauben, dass die beste Suche keine Suche überhaupt ist, wissen wir, dass die Optimierung der Suche weiterhin dazu beitragen wird, dass unsere Kunden das Wissen finden, das sie benötigen.

Eine Antwort suchen

In unseren jüngsten Bemühungen, unsere Suchleistung zu verbessern, haben wir uns verschiedene Möglichkeiten überlegt, wie wir eine erfolgreiche oder erfolglose Suche kategorisieren können. War es die Sitzungsdauer, angeklickte Karten, Gesamtanzahl der Klicks, Anzahl der Abfragen? Es gab viele Möglichkeiten, Suchvorgänge als „gut“ oder „schlecht“ zu kategorisieren, aber letztlich haben wir uns entschieden, die Aktionen zu bewerten, die stattfanden, nachdem ein Benutzer in die bekannte obere Leiste eingegeben und Enter gedrückt hat.

Hier kommt unser Datenteam ins Spiel, um unsere Neugier zu wecken. Nachdem wir mit ihnen zusammengearbeitet haben, um die beste Methode zur Bewertung unserer Benutzerdaten zu bestimmen, haben sie ein Sonnenblumen-Diagramm aller Aktionen erstellt, die Benutzer nach ihrer ersten Abfrage durchgeführt haben. Nachdem wir gute 5 Minuten damit verbracht haben, ihre beeindruckende Arbeit zu bewundern und die Datenvisualisierung vor uns zu verstehen, waren wir bereit, einzutauchen und zu evaluieren, welche Wege uns gefielen, welche nicht, und welche wir weiter untersuchen würden, um eine feste Meinung zu haben.

Warum einen datengestützten Ansatz zur Problemlösung wählen?

Ein datengestützter Ansatz bei großen Problemen bietet die einzigartige Möglichkeit, einen sehr spezifischen Schmerzpunkt auszuwählen, zu versuchen, ihn zu beheben und das Ergebnis Ihres Versuchs vernünftig zu quantifizieren. Wenn unser Team zum Beispiel einfach „die Suche zu verbessern“ plante, gäbe es viele mögliche Aktivitäten für uns. Wir könnten versuchen, die Geschwindigkeit zu erhöhen, mit der die Ergebnisse angezeigt werden, unser Algorithmus anpassen oder schauen, wie wir Kunden auf neue Weise Ergebnisse vorschlagen könnten. Und all diese Aktivitäten wären lohnenswerte Bestrebungen und würden wahrscheinlich die Suche auf irgendeine Weise verbessern – aber einen datengestützten Ansatz zu wählen, der darauf abzielt, einen bestimmten Ausgang zu verändern, gewinnt immer. Warum? Betrachten wir beide Methoden.

Nehmen wir an, wir verfolgen den Ansatz, alles, was wir jemals gedacht haben, gleichzeitig zu versuchen, um die Suche zu verbessern. Wahrscheinlich hätten wir viele Ingenieure, Data Scientists, Produktmanager und andere Kollegen, die sich auf einzelne Aufgaben konzentrieren und auf eine spezifische Verbesserung hinarbeiten, für die sie voll oder teilweise verantwortlich sind. Sie würden wahrscheinlich diese Projekte in dramatisch unterschiedlichen Geschwindigkeiten je nach Komplexität abschließen und dann zum nächsten Punkt übergehen. Einfach genug. Aber wenn es Zeit für unser Team wäre, über die ursprüngliche Aufgabe nachzudenken – die Suche zu verbessern – würde es sehr schwierig werden, unseren Erfolg zu evaluieren. Denn selbst wenn jede Metrik, die wir zur Benchmarking des Erfolgs verwenden, sich in die richtige Richtung bewegt hat, wie könnten wir jemals wissen, welche Projekte die Verbesserung verursacht haben? Oder, wenn sich unsere Metriken in die falsche Richtung bewegt haben, wie wüssten wir, bei welchen Projekten wir zurückgehen sollten?

Warum einen engen Fokus auf die Entwicklung wählen?

Indem wir einen fokussierteren Ansatz wählen und ein Problem nach dem anderen bearbeiten, können wir besser gegen diese Arten von Herausforderungen absichern. Wenn es um die Suche geht, würde ein fokussierter Ansatz bedeuten, dass wir statt nur „die Suche zu verbessern“ uns darauf konzentrieren würden, einen spezifischen Weg auf unserem Sonnenblumen-Diagramm zu verbessern, den wir als unerwünscht festgestellt haben. Zum Beispiel könnten wir uns die Nutzer anschauen, die direkt nach ihrer ersten Suche sofort erneut suchen, ohne je eine Karte anzusehen. Von dort aus können wir alle Gründe betrachten, warum das passieren könnte – erscheint die gewünschte Karte nicht in den Suchergebnissen? Ist sie zu weit unten auf der Seite? Hat der Benutzer realisiert, dass er die falschen Schlüsselbegriffe gesucht hat und entschieden, es noch einmal zu versuchen? Von dort aus können wir viele Wege in Betracht ziehen, um dieses Muster zu lösen, und unsere nächsten Aufgaben entsprechend gestalten. Diese Art der problemorientierten Planung hält unser gesamtes Team darauf fokussiert, kleinere Herausforderungen schnell als Team zu lösen, und ermöglicht es uns zu evaluieren, ob wir unsere gewünschte Wirkung schnell und effizient erzielt haben.

Da die Suche ein zentrales Element jedes Wissensmanagement-Tools wie Guru ist, wissen wir, dass es immer ein Hauptaugenmerk für uns sein wird. Ein datengestützter Ansatz ermöglicht es uns sicherzustellen, dass wir nachdenklich und absichtlich bei der Lösung jedes Puzzlestücks vorgehen.