Lorsque nous pensons à nos interactions quotidiennes avec la technologie, « rechercher » devient synonyme de « naviguer ». La recherche est devenue omniprésente sur Internet : presque toute action « connectée » que nous pouvons effectuer commence par une sorte de recherche. Cela signifie deux choses : premièrement, qu'en tant que consommateurs de technologie, nous sommes amenés à attendre des expériences de recherche fluides ; et deuxièmement, que les entreprises qui nous offrent ces opportunités de recherche ont une multitude de données sur la façon dont nous le faisons.

Chez Guru, nous examinons ces données en permanence afin de continuer à améliorer notre performance de recherche — et souvent, ce que nous trouvons nous surprend. Et bien que nous croyions finalement que la meilleure recherche est l'absence de recherche, nous savons qu'optimiser la recherche continuera à aider nos clients à trouver le savoir dont ils ont besoin.

Chercher une réponse

Dans nos efforts récents pour améliorer notre performance de recherche, nous avons pensé à plusieurs façons de catégoriser une recherche réussie ou non. Était-ce la durée de session, les cartes vues, le nombre total de clics, le nombre de requêtes ? Il y avait de nombreuses façons de catégoriser les recherches comme « bonnes » ou « mauvaises », mais finalement, nous avons décidé d'évaluer les actions qui ont eu lieu après qu'un utilisateur ait tapé dans cette barre supérieure familière et ait appuyé sur entrée.

Entrez notre équipe de données pour mettre notre curiosité en lumière. Après avoir travaillé avec eux pour déterminer la meilleure façon d'évaluer nos données utilisateur, ils ont construit un diagramme en sunburst de toutes les actions que les utilisateurs entreprenaient après leur première requête. Après avoir admiré leur travail impressionnant pendant cinq bonnes minutes et compris la visualisation des données devant nous, nous étions prêts à plonger et à commencer à évaluer quels chemins nous aimions, lesquels nous n'aimions pas, et lesquels nous devions examiner plus en détail pour avoir un avis ferme.

Pourquoi opter pour une approche basée sur les données pour résoudre les problèmes ?

Adopter une approche basée sur les données pour de grands problèmes offre l'opportunité unique de choisir un point de douleur très spécifique, d'essayer de le résoudre et de quantifier raisonnablement le résultat de votre tentative. Par exemple, si notre équipe se fixait simplement l'objectif de « rendre la recherche meilleure », il y aurait beaucoup d'activités possibles à réaliser. Nous pourrions essayer d'augmenter la vitesse à laquelle les résultats s'affichent, envisager d'ajuster notre algorithme ou chercher à suggérer des résultats aux clients de nouvelles manières. Et toutes ces activités seraient des efforts précieux et amélioreraient probablement la recherche d'une manière ou d'une autre — mais adopter une approche basée sur les données orientée vers l'amélioration d'un résultat spécifique est toujours gagnant. Pourquoi ? Considérons les deux méthodes.

Disons que nous prenions l'approche globale, essayons-tout-ce-que-nous-avons-jamais-pensé-en-même-temps pour améliorer la recherche. Nous aurions probablement de nombreux ingénieurs, data scientists, chefs de produits et d'autres collègues concentrés sur des tâches individuelles, travaillant vers un amélioration spécifique pour laquelle ils étaient totalement ou partiellement responsables. Ils termineraient probablement ces projets à des rythmes très différents selon leur complexité, puis passeraient à la tâche suivante. Assez simple. Mais, au moment de faire le bilan sur la tâche initiale — améliorer la recherche — cela deviendrait très difficile d'évaluer notre succès. Parce que même si chaque indicateur que nous utilisions pour évaluer le succès allait dans la bonne direction, comment pourrions-nous savoir quels projet(s) ont provoqué l'amélioration ? Ou, si nos indicateurs avaient évolué dans la mauvaise direction, comment saurions-nous quels projets ralentir ?

Pourquoi choisir un focus restreint pour le développement ?

En adoptant une approche plus ciblée, résoudre-un-problème-à-la-fois, nous sommes mieux à même de nous prémunir contre ce genre de défis. Par exemple, en ce qui concerne la recherche, adopter une approche plus ciblée signifierait que, au lieu de faire le souhait de « rendre la recherche meilleure », nous devrions nous concentrer sur l'amélioration d'un chemin spécifique sur notre diagramme en sunburst que nous avons déterminé comme indésirable. Par exemple, nous pourrions choisir de regarder les utilisateurs qui recherchent immédiatement après leur première recherche, sans jamais consulter une carte. À partir de là, nous pouvons considérer toutes les raisons pour lesquelles cela pourrait se produire : la carte désirée n’apparaît-elle pas dans les résultats de recherche ? Est-ce trop loin en bas de la page ? L'utilisateur a-t-il réalisé qu'il cherchait les mauvais mots-clés et a-t-il décidé de réessayer ? À partir de là, nous pouvons envisager plusieurs chemins pour résoudre ce problème et concevoir nos prochaines tâches en conséquence. Ce type de planification basé sur les problèmes garde notre équipe entière concentrée sur la résolution rapide de défis plus petits en tant qu'équipe, et nous permet d'évaluer si nous avons réussi à avoir l'impact souhaité rapidement et efficacement.

Puisque la recherche est un élément central de tout outil de gestion des connaissances comme Guru, nous savons que cela sera toujours une priorité pour nous. Prendre une approche basée sur les données nous permet de veiller à ce que nous soyons réfléchis et intentionnels dans notre manière d'aborder la résolution de chaque élément du puzzle.