Wanneer we denken aan onze dagelijkse interacties met technologie, wordt "zoeken" synoniem met "surfen." Zoeken is algemeen geworden met het internet—bijna elke "verbonden" actie die we kunnen uitvoeren begint met een soort van zoekopdracht. Dit betekent twee dingen: ten eerste, dat we als consumenten van technologie zijn gaan verwachten dat zoekervaringen soepel verlopen; en ten tweede, dat de bedrijven die ons deze mogelijkheden bieden om te zoeken een heleboel data hebben over hoe we het doen.

Bij Guru kijken we voortdurend naar deze data om onze zoekprestaties te blijven verbeteren—en vaak verrast ons wat we ontdekken. En hoewel we uiteindelijk geloven dat de beste zoekopdracht helemaal geen zoekopdracht is, weten we dat het optimaliseren van de zoekfunctie onze klanten blijft helpen de kennis te vinden die ze nodig hebben.

Zoeken naar een antwoord

In onze recente inspanningen om onze zoekprestaties te verbeteren, dachten we aan verschillende manieren om een succesvolle of onsuccesvolle zoekopdracht te categoriseren. Was het sessieduur, bekeken kaarten, totale klikken, aantal zoekopdrachten? Er waren veel manieren waarop we zoekopdrachten als "goed" of "slecht" konden categoriseren, maar uiteindelijk besloten we de acties te evalueren die plaatsvonden nadat een gebruiker in de bekende bovenste balk had getypt en op enter had geklikt.

Daar komt ons datateam om onze nieuwsgierigheid aan het licht te brengen. Na met hen te hebben samengewerkt om de beste manier te bepalen om onze gebruikersdata te evalueren, bouwden ze een zonnestraal-diagram van alle acties die gebruikers ondernamen na hun eerste zoekopdracht. Na een goede 5 minuten te hebben genoten van hun indrukwekkende werk en betekenis te geven aan de datavisualisatie voor ons, waren we klaar om in te duiken en te beginnen met evalueren welke paden we leuk vonden, welke niet, en welke we verder moesten onderzoeken om een duidelijke mening te hebben.

Waarom een data-gedreven benadering kiezen voor probleemoplossing?

Een data-gedreven benadering van grote problemen biedt de unieke kans om een zeer specifiek pijnpunt te kiezen, te proberen het aan te pakken, en het resultaat van je poging redelijk te kwantificeren. Bijvoorbeeld, als ons team simpelweg zou proberen "de zoekopdracht beter te maken," zouden er veel mogelijke activiteiten zijn die we zouden kunnen doen. We zouden kunnen proberen de snelheid waarin resultaten verschijnen te verhogen, onderzoeken of we ons algoritme kunnen tweaken, of manieren bekijken om resultaten op nieuwe manieren aan klanten voor te stellen. En al deze activiteiten zouden waardevolle ondernemingen zijn en waarschijnlijk de zoekfunctie op de een of andere manier verbeteren—maar het aannemen van een data-gedreven benadering gericht op het verplaatsen van de naald op één specifiek resultaat is elke keer een overwinning. Waarom? Laten we beide methoden overwegen.

Stel dat we met de algemene, laten-we-proberen-alles-te-doen-dat-we-ooit-hebben-gedacht-aanpakken om de zoekfunctie te verbeteren. We zouden waarschijnlijk veel ingenieurs, datawetenschappers, productmanagers en andere collega’s hebben die zich richten op individuele taken, werken aan een specifieke verbetering waarvoor zij volledig of gedeeltelijk verantwoordelijk waren. Ze zouden deze projecten waarschijnlijk met dramatisch verschillende snelheden voltooien op basis van complexiteit, en dan doorgaan naar het volgende. Eenvoudig genoeg. Maar als het tijd zou zijn voor ons team om terug te kijken op de oorspronkelijke taak—het verbeteren van de zoekfunctie—zou het zeer moeilijk worden om ons succes te evalueren. Want zelfs als elke maatstaf die we gebruikten om ons succes te benchmarken in de goede richting zou bewegen, hoe zouden we ooit weten welke project(en) de verbetering hadden veroorzaakt? Of, als onze maatstaven in de verkeerde richting beweegden, hoe zouden we dan weten welke projecten we moesten intrekken?

Waarom kiezen voor een smalle focus voor ontwikkeling?

Door een meer gerichte, probleem-voor-probleem aanpak te kiezen, kunnen we beter beschermen tegen dit soort uitdagingen. Bijvoorbeeld, als het gaat om zoeken, zou een meer gerichte aanpak betekenen dat we in plaats van ons voor te nemen "de zoekfunctie te verbeteren," we ons zouden richten op één specifiek pad op ons zonnestraal-diagram waarvan we hebben bepaald dat het ongewenst is. Bijvoorbeeld, we zouden kunnen kiezen om te kijken naar gebruikers die onmiddellijk na hun eerste zoekopdracht opnieuw zoeken, zonder ooit een kaart te bekijken. Van daaruit kunnen we alle redenen overwegen waarom dat zou kunnen gebeuren—is de gewenste kaart niet zichtbaar in de zoekresultaten? Is het te ver naar beneden op de pagina? Realiseerde de gebruiker zich dat ze de verkeerde zoektermen aan het gebruiken waren en besloten ze opnieuw te proberen? Van daaruit kunnen we veel paden overwegen om dit patroon op te lossen, en onze volgende taken dienovereenkomstig ontwerpen. Dit soort probleemgerichte planning houdt ons gehele team gefocust op het snel oplossen van kleinere uitdagingen als team, en stelt ons in staat om te evalueren of we snel en efficiënt de gewenste impact hebben gemaakt.

Aangezien zoeken een kerncomponent is van elk kennisbeheertool zoals Guru, weten we dat het altijd een primaire focus voor ons zal zijn. Een data-gedreven benadering stelt ons in staat om ervoor te zorgen dat we doordacht en opzettelijk zijn in hoe we elk stuk van de puzzel benaderen.