우리가 기술과의 일상적인 상호작용에 대해 생각할 때, “검색”은 “서핑”과 동의어가 됩니다. 검색은 인터넷과 함께 보편화되었습니다. 우리가 수행할 수 있는 거의 모든 “연결된” 행동은 어떤 종류의 검색으로 시작됩니다. 이것은 두 가지 의미를 가집니다: 첫째, 기술 소비자로서 우리는 매끄러운 검색 경험을 기대하게 되었습니다. 둘째, 우리에게 이러한 검색 기회를 제공하는 회사는 우리가 어떻게 검색하는지를 둘러싼 많은 데이터를 가지고 있습니다.
Guru에서는 검색 성능을 지속적으로 개선하기 위해 이 데이터를 Constant하게 살펴봅니다. 그리고 종종 우리가 발견하는 것은 놀랍습니다. 그리고 궁극적으로 우리는 최고의 검색은 검색이 없다고 믿지만, 검색 최적화가 고객이 필요한 지식을 찾는 데 계속 도움이 될 것임을 알고 있습니다.
답을 찾는 중
최근 검색 성능을 개선하기 위한 노력에서 우리는 성공적인 검색 또는 실패한 검색을 분류할 수 있는 여러 가지 방법을 생각했습니다. 세션 기간, 카드 조회 수, 총 클릭 수, 쿼리 수가 있었던가요? 우리가 검색을 “좋다” 또는 “나쁘다”로 분류할 수 있는 여러 방법이 있었지만, 결국 우리는 사용자가 익숙한 상단 바에 입력하고 엔터를 눌렀을 후 발생한 행동들을 평가하기로 결정했습니다.
우리의 호기심을 밝히기 위해 데이터 팀이 등장했습니다. 그들과 협력하여 사용자 데이터를 평가할 최선의 방법을 결정한 후, 그들은 사용자가 첫 번째 쿼리 이후 수행한 모든 행동을 보여주는 선 화 차트를 만들었습니다. 그들의 인상적인 작업을 감상하며 데이터 시각화의 의미를 이해하는 데 상당한 5분을 보낸 후, 우리는 좋아하는 경로와 싫어하는 경로를 평가하고, 확실한 의견을 갖기 위해 더 조사해야 할 경로를 설정할 준비가 되었습니다.
왜 데이터 기반 접근 방식을 문제 해결에 사용해야 할까요?
데이터 기반 접근 방식은 큰 문제에 대해 특정한 고충 지점을 선택하고 이를 해결하려고 시도하며, 시도의 결과를 합리적으로 정량화할 수 있는 독특한 기회를 제공합니다. 예를 들어, 만약 우리 팀이 단순히 “검색을 더 좋게 만들겠다”라고 설정하면, 우리가 할 수 있는 활동은 매우 많을 것입니다. 우리는 결과가 채워지는 속도를 높이거나, 알고리즘을 조정하거나, 고객에게 새로운 방식으로 결과를 제안하는 방법을 검토할 수 있습니다. 이 모든 활동은 가치 있는 노력이 될 것이고 아마도 어떤 방식으로 검색을 개선할 것이지만, 특정 결과에 대한 데이터 기반 접근 방식을 선택하는 것은 항상 승리합니다. 왜 그럴까요? 두 가지 방법을 고려해 봅시다.
우리가 검색 개선을 위해 모든 것을 시도하겠다는 방침으로 갔다고 가정해 봅시다. 우리는 아마도 개별적인 작업에 집중하는 많은 엔지니어, 데이터 과학자, 제품 관리자 및 기타 동료들이 특정한 개선을 위해 전적으로 책임지거나 부분적으로 책임을 지게 될 것입니다. 그들은 복잡성에 따라 극적으로 다른 비율로 이 프로젝트들을 완수할 것이고, 그 후 다음 작업으로 넘어갈 것입니다. 간단합니다. 그렇지만 팀이 원래의 작업—검색 개선—에 대해 반성할 때가 오면, 우리의 성공을 평가하기 매우 어려워질 것입니다. 왜냐하면 우리가 성공을 측정하기 위해 사용한 모든 지표가 올바른 방향으로 나아가더라도, 어떤 프로젝트가 이 개선을 초래했는지 알 수 없기 때문입니다. 혹은, 만약 우리의 지표가 잘못된 방향으로 움직였다면, 어떤 프로젝트를 중단해야 할지 어떻게 알 수 있을까요?
왜 개발을 위해 좁은 초점을 선택해야 할까요?
더 집중적이고 한 번에 하나의 문제를 해결하는 접근 방식을 취함으로써, 우리는 이러한 종류의 도전에 대해 더 잘 대비할 수 있습니다. 예를 들어, 검색에 관해서는 더 집중적인 접근을 취하면 “검색을 더 좋게 만든다”는 목표 대신 바람직하지 않은 것으로 판단된 선 화 차트의 한 특정 경로를 개선하겠다는 목표를 설정하게 됩니다. 예를 들어, 사용자가 첫 번째 검색 직후에 카드를 조회하지 않고 검색하는 경우를 살펴볼 수 있습니다. 그로부터 우리는 그런 일이 발생할 수 있는 모든 이유를 고려할 수 있습니다—원하는 카드가 검색결과에 나타나지 않습니까? 페이지에 너무 아래에 있나요? 사용자가 잘못된 키워드로 검색을 하고 다시 시도하기로 했나요? 그로부터 우리는 이 패턴을 해결하기 위한 많은 경로를 고려하고, 그에 따라 다음 작업을 설계할 수 있습니다. 이런 종류의 문제 기반 계획은 우리 팀이 소규모의 문제를 빠르게 해결하는 데 집중하도록 하며, 우리가 원하는 영향을 신속하고 효율적으로 평가할 수 있도록 합니다.
검색은 Guru와 같은 모든 지식 관리 도구의 핵심 구성 요소이므로, 우리는 항상 그것에 주요 초점을 맞출 것임을 알고 있습니다. 데이터 기반 접근 방식은 퍼즐의 각 조각을 해결하는 방식이 사려 깊고 의도적이라는 것을 보장할 수 있게 합니다.
우리가 기술과의 일상적인 상호작용에 대해 생각할 때, “검색”은 “서핑”과 동의어가 됩니다. 검색은 인터넷과 함께 보편화되었습니다. 우리가 수행할 수 있는 거의 모든 “연결된” 행동은 어떤 종류의 검색으로 시작됩니다. 이것은 두 가지 의미를 가집니다: 첫째, 기술 소비자로서 우리는 매끄러운 검색 경험을 기대하게 되었습니다. 둘째, 우리에게 이러한 검색 기회를 제공하는 회사는 우리가 어떻게 검색하는지를 둘러싼 많은 데이터를 가지고 있습니다.
Guru에서는 검색 성능을 지속적으로 개선하기 위해 이 데이터를 Constant하게 살펴봅니다. 그리고 종종 우리가 발견하는 것은 놀랍습니다. 그리고 궁극적으로 우리는 최고의 검색은 검색이 없다고 믿지만, 검색 최적화가 고객이 필요한 지식을 찾는 데 계속 도움이 될 것임을 알고 있습니다.
답을 찾는 중
최근 검색 성능을 개선하기 위한 노력에서 우리는 성공적인 검색 또는 실패한 검색을 분류할 수 있는 여러 가지 방법을 생각했습니다. 세션 기간, 카드 조회 수, 총 클릭 수, 쿼리 수가 있었던가요? 우리가 검색을 “좋다” 또는 “나쁘다”로 분류할 수 있는 여러 방법이 있었지만, 결국 우리는 사용자가 익숙한 상단 바에 입력하고 엔터를 눌렀을 후 발생한 행동들을 평가하기로 결정했습니다.
우리의 호기심을 밝히기 위해 데이터 팀이 등장했습니다. 그들과 협력하여 사용자 데이터를 평가할 최선의 방법을 결정한 후, 그들은 사용자가 첫 번째 쿼리 이후 수행한 모든 행동을 보여주는 선 화 차트를 만들었습니다. 그들의 인상적인 작업을 감상하며 데이터 시각화의 의미를 이해하는 데 상당한 5분을 보낸 후, 우리는 좋아하는 경로와 싫어하는 경로를 평가하고, 확실한 의견을 갖기 위해 더 조사해야 할 경로를 설정할 준비가 되었습니다.
왜 데이터 기반 접근 방식을 문제 해결에 사용해야 할까요?
데이터 기반 접근 방식은 큰 문제에 대해 특정한 고충 지점을 선택하고 이를 해결하려고 시도하며, 시도의 결과를 합리적으로 정량화할 수 있는 독특한 기회를 제공합니다. 예를 들어, 만약 우리 팀이 단순히 “검색을 더 좋게 만들겠다”라고 설정하면, 우리가 할 수 있는 활동은 매우 많을 것입니다. 우리는 결과가 채워지는 속도를 높이거나, 알고리즘을 조정하거나, 고객에게 새로운 방식으로 결과를 제안하는 방법을 검토할 수 있습니다. 이 모든 활동은 가치 있는 노력이 될 것이고 아마도 어떤 방식으로 검색을 개선할 것이지만, 특정 결과에 대한 데이터 기반 접근 방식을 선택하는 것은 항상 승리합니다. 왜 그럴까요? 두 가지 방법을 고려해 봅시다.
우리가 검색 개선을 위해 모든 것을 시도하겠다는 방침으로 갔다고 가정해 봅시다. 우리는 아마도 개별적인 작업에 집중하는 많은 엔지니어, 데이터 과학자, 제품 관리자 및 기타 동료들이 특정한 개선을 위해 전적으로 책임지거나 부분적으로 책임을 지게 될 것입니다. 그들은 복잡성에 따라 극적으로 다른 비율로 이 프로젝트들을 완수할 것이고, 그 후 다음 작업으로 넘어갈 것입니다. 간단합니다. 그렇지만 팀이 원래의 작업—검색 개선—에 대해 반성할 때가 오면, 우리의 성공을 평가하기 매우 어려워질 것입니다. 왜냐하면 우리가 성공을 측정하기 위해 사용한 모든 지표가 올바른 방향으로 나아가더라도, 어떤 프로젝트가 이 개선을 초래했는지 알 수 없기 때문입니다. 혹은, 만약 우리의 지표가 잘못된 방향으로 움직였다면, 어떤 프로젝트를 중단해야 할지 어떻게 알 수 있을까요?
왜 개발을 위해 좁은 초점을 선택해야 할까요?
더 집중적이고 한 번에 하나의 문제를 해결하는 접근 방식을 취함으로써, 우리는 이러한 종류의 도전에 대해 더 잘 대비할 수 있습니다. 예를 들어, 검색에 관해서는 더 집중적인 접근을 취하면 “검색을 더 좋게 만든다”는 목표 대신 바람직하지 않은 것으로 판단된 선 화 차트의 한 특정 경로를 개선하겠다는 목표를 설정하게 됩니다. 예를 들어, 사용자가 첫 번째 검색 직후에 카드를 조회하지 않고 검색하는 경우를 살펴볼 수 있습니다. 그로부터 우리는 그런 일이 발생할 수 있는 모든 이유를 고려할 수 있습니다—원하는 카드가 검색결과에 나타나지 않습니까? 페이지에 너무 아래에 있나요? 사용자가 잘못된 키워드로 검색을 하고 다시 시도하기로 했나요? 그로부터 우리는 이 패턴을 해결하기 위한 많은 경로를 고려하고, 그에 따라 다음 작업을 설계할 수 있습니다. 이런 종류의 문제 기반 계획은 우리 팀이 소규모의 문제를 빠르게 해결하는 데 집중하도록 하며, 우리가 원하는 영향을 신속하고 효율적으로 평가할 수 있도록 합니다.
검색은 Guru와 같은 모든 지식 관리 도구의 핵심 구성 요소이므로, 우리는 항상 그것에 주요 초점을 맞출 것임을 알고 있습니다. 데이터 기반 접근 방식은 퍼즐의 각 조각을 해결하는 방식이 사려 깊고 의도적이라는 것을 보장할 수 있게 합니다.
Experience the power of the Guru platform firsthand – take our interactive product tour
.webp)
