Cuando pensamos en nuestras interacciones diarias con la tecnología, "buscar" se convierte en sinónimo de "navegar." Buscar se ha vuelto omnipresente en internet: casi cualquier acción "conectada" que podamos realizar comienza con algún tipo de búsqueda. Esto significa dos cosas: primero, que como consumidores de tecnología, hemos llegado a esperar experiencias de búsqueda sin problemas; y segundo, que las empresas que nos brindan estas oportunidades de búsqueda tienen un montón de datos sobre cómo lo estamos haciendo.

En Guru, observamos estos datos constantemente con el fin de seguir mejorando nuestro rendimiento de búsqueda, y a menudo, lo que encontramos nos sorprende. Y aunque creemos que la mejor búsqueda es no buscar en absoluto, sabemos que optimizar la búsqueda seguirá ayudando a nuestros clientes a encontrar el conocimiento que necesitan.

Buscando una respuesta

En nuestros recientes esfuerzos por mejorar nuestro rendimiento de búsqueda, pensamos en varias maneras en que podríamos categorizar una búsqueda exitosa o fallida. ¿Fue la duración de la sesión, las tarjetas vistas, el total de clics, el número de consultas? Hubo muchas formas en las que podríamos haber categorizado las búsquedas como "buenas" o "malas," pero en última instancia, decidimos evaluar las acciones que tuvieron lugar después de que un usuario escribió en esa barra superior familiar y presionó enter.

Entra nuestro equipo de datos para dar luz a nuestra curiosidad. Después de trabajar con ellos para determinar la mejor forma de evaluar nuestros datos de usuario, construyeron un gráfico de sol que mostraba todas las acciones que los usuarios estaban tomando después de su primera consulta. Después de pasar unos buenos 5 minutos admirando su impresionante trabajo y haciendo sentido de la visualización de datos frente a nosotros, estábamos listos para sumergirnos y comenzar a evaluar qué caminos nos gustaban, cuáles no, y cuáles necesitaríamos investigar más a fondo para tener una opinión firme.

¿Por qué adoptar un enfoque basado en datos para la resolución de problemas?

Adoptar un enfoque basado en datos para grandes problemas brinda la oportunidad única de elegir un punto de dolor muy específico, intentar abordarlo y cuantificar razonablemente el resultado de tu intento. Por ejemplo, si nuestro equipo simplemente se propusiera "hacer la búsqueda mejor," habría muchas actividades posibles que podríamos realizar. Podríamos intentar aumentar la velocidad en la que se muestran los resultados, investigar cómo ajustar nuestro algoritmo o considerar sugerir resultados a los clientes de nuevas formas. Y todas estas actividades serían esfuerzos valiosos y probablemente mejorarían la búsqueda de alguna manera, pero adoptar un enfoque basado en datos dirigido a mover la aguja en un resultado específico siempre es la mejor opción. ¿Por qué? Consideremos ambos métodos.

Digamos que optamos por el enfoque general, intentemos-todo-lo-que-hay-que-hacer-a-la-vez para mejorar la búsqueda. Es probable que tengamos muchos ingenieros, científicos de datos, gerentes de producto y otros colegas enfocados en tareas individuales, trabajando hacia una mejora específica de la que son totalmente o parcialmente responsables. Es probable que terminen estos proyectos a tasas dramáticamente diferentes según la complejidad, y luego pasen a la siguiente cosa. Sencillo. Pero cuando llegara el momento para que nuestro equipo reflexionara sobre la tarea original a mano—mejorar la búsqueda—se volvería muy difícil evaluar nuestro éxito. Porque incluso si cada métrica que estábamos usando para medir el éxito se movía en la dirección correcta, ¿cómo podríamos saber qué proyecto(s) habían causado la mejora? O, si nuestras métricas se movieron en la dirección equivocada, ¿cómo sabríamos qué proyectos frenar?

¿Por qué elegir un enfoque estrecho para el desarrollo?

Al adoptar un enfoque más enfocado, resolviendo-un-problema-a-la-vez, podemos protegernos mejor contra este tipo de desafíos. Por ejemplo, cuando se trata de búsqueda, adoptar un enfoque más enfocado significaría que en lugar de proponernos "hacer la búsqueda mejor," nos propondríamos mejorar un camino específico en nuestro gráfico de sol que determinamos como indeseable. Por ejemplo, podríamos elegir ver a los usuarios que buscan de nuevo inmediatamente después de su primera búsqueda, sin haber visto nunca una tarjeta. A partir de ahí, podemos considerar todas las razones por las que eso podría suceder: ¿la tarjeta deseada no aparece en los resultados de búsqueda? ¿Está demasiado abajo en la página? ¿Se dio cuenta el usuario de que estaba buscando los términos erróneos y decidió intentar de nuevo? A partir de ahí, podemos considerar muchos caminos para resolver este patrón y diseñar nuestras próximas tareas en consecuencia. Este tipo de planificación basada en problemas mantiene a todo nuestro equipo enfocado en resolver rápidamente desafíos más pequeños como equipo, y nos permite evaluar si hemos tenido el impacto deseado rápidamente y de manera eficiente.

Dado que la búsqueda es un componente clave de cualquier herramienta de gestión del conocimiento como Guru, sabemos que siempre será un enfoque principal para nosotros. Adoptar un enfoque basado en datos nos permite asegurarnos de que somos reflexivos e intencionales en cómo abordamos la resolución de cada pieza del rompecabezas.