Quando pensiamo alle nostre interazioni quotidiane con la tecnologia, "cercare" diventa sinonimo di "navigare." La ricerca è diventata ubiqua su Internet: quasi qualsiasi azione "connessa" che possiamo svolgere inizia con qualche tipo di ricerca. Questo significa due cose: prima, che come consumatori di tecnologia, ci aspettiamo esperienze di ricerca senza soluzione di continuità; e seconda, che le aziende che ci offrono queste opportunità di ricerca hanno una grande quantità di dati su come lo facciamo.

Da Guru, guardiamo costantemente a questi dati per continuare a migliorare le nostre prestazioni di ricerca—e spesso, quello che troviamo ci sorprende. E anche se alla fine crediamo che la migliore ricerca sia nessuna ricerca, sappiamo che ottimizzare la ricerca continuerà a aiutare i nostri clienti a trovare le informazioni di cui hanno bisogno.

Cercando una risposta

Nei nostri recenti sforzi per migliorare le prestazioni della ricerca, abbiamo pensato a diversi modi in cui potremmo categorizzare una ricerca di successo o non successo. Era durata della sessione, schede visualizzate, clic totali, numero di query? Ci sono stati molti modi in cui avremmo potuto categorizzare le ricerche come "buone" o "cattive," ma alla fine abbiamo deciso di valutare le azioni che si sono verificate dopo che un utente ha digitato nella barra superiore familiare e ha premuto invio.

Entra il nostro team di dati per portare alla luce la nostra curiosità. Dopo aver lavorato con loro per determinare il miglior modo di valutare i nostri dati utente, hanno costruito un grafico a sunburst di tutte le azioni che gli utenti stava compiendo dopo la loro prima query. Dopo aver trascorso buoni 5 minuti ammirando il loro lavoro impressionante e cercando di capire la visualizzazione dei dati di fronte a noi, eravamo pronti ad approfondire e iniziare a valutare quali percorsi ci piacevano, quali non ci piacevano, e quali avremmo dovuto indagare ulteriormente per avere un'opinione chiara.

Perché adottare un approccio basato sui dati per risolvere i problemi?

Adottare un approccio guidato dai dati per problemi grandi offre l'opportunità unica di scegliere un punto dolente molto specifico, cercare di affrontarlo e quantificare ragionevolmente il risultato del tuo tentativo. Ad esempio, se il nostro team si proponesse semplicemente di “migliorare la ricerca,” ci sarebbero molte possibili attività da svolgere. Potremmo provare a aumentare la velocità con cui i risultati vengono visualizzati, indagare sulla modifica del nostro algoritmo o considerare di suggerire risultati ai clienti in modi nuovi. E tutte queste attività sarebbero sforzi degni e probabilmente migliorerebbero la ricerca in qualche modo—ma adottare un approccio basato sui dati volto a spostare l'ago su un risultato specifico vince ogni volta. Perché? Consideriamo entrambi i metodi.

Supponiamo che adottassimo l'approccio generale, proviamo-tutto-quello-a-cui-abbiamo-mai-pensato-tutto-in-una-volta per migliorare la ricerca. Probabilmente avremmo molti ingegneri, scienziati dei dati, product manager e altri colleghi concentrati su singole attività, lavorando verso un miglioramento specifico per cui erano totalmente o parzialmente responsabili. Probabilmente finirebbero questi progetti a tassi drammaticamente diversi in base alla complessità, e poi passerebbero alla cosa successiva. Semplice. Ma quando sarebbe giunto il momento per il nostro team di riflettere sul compito originale—migliorare la ricerca—diventerebbe molto difficile valutare il nostro successo. Perché anche se ogni metrica che stavamo usando per misurare il successo si muovesse nella giusta direzione, come potremmo mai sapere quali progetti avevano causato il miglioramento? O, se le nostre metriche si fossero mosse nella direzione sbagliata, come sapremmo quali progetti ritirare?

Perché scegliere un focus ristretto per lo sviluppo?

Adottando un approccio più mirato, risolvi-un-problema-alla-volta, siamo in grado di proteggerci meglio da questo tipo di sfide. Ad esempio, quando si tratta di ricerca, adottare un approccio più mirato significherebbe che invece di impostare di "migliorare la ricerca," ci proponessimo di migliorare un percorso specifico nel nostro grafico a sunburst che abbiamo determinato essere indesiderabile. Ad esempio, potremmo scegliere di guardare gli utenti che cercano di nuovo immediatamente dopo la loro prima ricerca, senza mai visualizzare una scheda. Da lì, possiamo considerare tutte le ragioni per cui questo potrebbe accadere: la scheda desiderata non appare nei risultati di ricerca? È troppo in basso nella pagina? L'utente si è reso conto di star cercando i termini errati e ha deciso di riprovare? Da lì, possiamo considerare molti percorsi per risolvere questo modello, e progettare i nostri prossimi compiti di conseguenza. Questo tipo di pianificazione basata sui problemi mantiene l'intero team concentrato sulla risoluzione delle sfide più piccole rapidamente come un team, e ci consente di valutare se abbiamo creato l'impatto desiderato in modo rapido ed efficiente.

Poiché la ricerca è un componente chiave di qualsiasi strumento di gestione della conoscenza come Guru, sappiamo che sarà sempre un obiettivo primario per noi. Adottare un approccio basato sui dati ci consente di assicurarci di essere riflessivi e intenzionali nel modo in cui affrontiamo ogni parte del puzzle.