Gdy myślimy o naszych codziennych interakcjach z technologią, „wyszukiwanie” staje się synonimem „przeglądania”. Wyszukiwanie stało się wszechobecne w internecie—niemal każda „połączona” czynność, którą możemy wykonać, zaczyna się od jakiegoś rodzaju wyszukiwania. Oznacza to dwie rzeczy: po pierwsze, jako konsumenci technologii, zaczęliśmy oczekiwać płynnych doświadczeń z wyszukiwaniem; po drugie, firmy, które oferują nam te możliwości wyszukiwania, mają mnóstwo danych na temat jak to robimy.

W Guru stale analizujemy te dane, aby kontynuować poprawę naszej wydajności wyszukiwania—i często to, co odkrywamy, nas zaskakuje. I choć ostatecznie wierzymy, że najlepsze wyszukiwanie to brak wyszukiwania, wiemy, że optymalizacja wyszukiwania wciąż pomoże naszym klientom znaleźć wiedzę, której potrzebują.

Wyszukiwanie odpowiedzi

W naszych ostatnich staraniach, aby poprawić naszą wydajność wyszukiwania, pomyśleliśmy o kilku sposobach, w jaki możemy sklasyfikować udane lub nieudane wyszukiwanie. Czy to długość sesji, wyświetlone karty, całkowita liczba kliknięć, liczba zapytań? Istniało wiele sposobów, w jakie mogliśmy sklasyfikować wyszukiwania jako „dobre” lub „złe”, ale ostatecznie postanowiliśmy ocenić działania, które miały miejsce po tym, jak użytkownik wpisał coś w ten znajomy pasek na górze i nacisnął enter.

Wprowadź nasz zespół danych, aby oświetlić naszą ciekawość. Po współpracy z nimi w celu określenia najlepszego sposobu oceny naszych danych użytkowników, stworzyli wykres sunburst przedstawiający wszystkie działania, które użytkownicy podejmowali po swoim pierwszym zapytaniu. Po spędzeniu dobrych 5 minut na podziwianiu ich imponującej pracy i analizowaniu wizualizacji danych przed nami, byliśmy gotowi zanurzyć się i zacząć oceniać, które ścieżki nam się podobały, które nie, a które musieliśmy zbadać dalej, aby mieć pewne zdanie.

Dlaczego przyjąć podejście oparte na danych do rozwiązywania problemów?

Przyjęcie podejścia opartego na danych do dużych problemów daje unikalną możliwość wyboru bardzo specyficznego źródła bólu, próby jego rozwiązania i rozsądnego zquantyfikowania wyniku swojego wysiłku. Na przykład, jeśli nasz zespół po prostu postanowił „uczynić wyszukiwanie lepszym”, istniałoby wiele możliwych działań, które moglibyśmy podjąć. Mogliśmy spróbować zwiększyć szybkość w której wyniki się pojawiały, zbadać możliwość zmiany naszego algorytmu, lub rozważyć sugerowanie wyników dla klientów w nowych sposobach. A wszystkie te działania byłyby wartościowymi przedsięwzięciami i prawdopodobnie poprawiłyby wyszukiwanie w jakiś sposób—ale podejście oparte na danych, ukierunkowane na zmiany w jednym konkretnym wyniku, zawsze wygrywa. Dlaczego? Rozważmy obie metody.

Powiedzmy, że poszlibyśmy w kierunku ogólnego, próbujmy wszystkiego, co kiedykolwiek pomyśleliśmy na raz, podejścia do poprawy wyszukiwania. Prawdopodobnie mielibyśmy wielu inżynierów, naukowców danych, menedżerów produktu i innych współpracowników skoncentrowanych na indywidualnych zadaniach, pracujących w kierunku konkretnej poprawy, za którą byli w pełni lub częściowo odpowiedzialni. Prawdopodobnie zakończyliby te projekty w dramatycznie różnych tempie w zależności od złożoności, a potem przeszliby do kolejnej rzeczy. Proste. Jednak kiedy przychodziłoby do refleksji naszego zespołu na temat oryginalnego zadania—poprawy wyszukiwania—stałoby się bardzo trudne ocenić nasz sukces. Bo nawet jeśli każdy wskaźnik, którego używamy do mierzenia sukcesu, przesuwał się w odpowiednim kierunku, jak moglibyśmy wiedzieć, które projekty spowodowały poprawę? Lub, jeśli nasze wskaźniki przesunęły się w zły kierunek, jak moglibyśmy wiedzieć, które projekty powinny zostać wycofane?

Dlaczego wybrać wąskie skierowanie na rozwój?

Podejmując bardziej skoncentrowane podejście, które polega na rozwiązaniu jednego problemu na raz, lepiej możemy zabezpieczyć się przed tego typu wyzwaniami. Na przykład, jeśli chodzi o wyszukiwanie, przyjęcie bardziej skoncentrowanego podejścia oznacza, że zamiast postanowić „uczynić wyszukiwanie lepszym”, postanowilibyśmy poprawić jedną konkretną ścieżkę na naszym wykresie sunburst, którą uznaliśmy za niepożądaną. Na przykład, moglibyśmy wybrać spojrzenie na użytkowników, którzy wyszukują ponownie natychmiast po swoim pierwszym wyszukiwaniu, nie oglądając nigdy karty. Stamtąd możemy rozważyć wszystkie powody, dla których to może się zdarzyć—czy pożądana karta nie pojawia się w wynikach wyszukiwania? Czy jest zbyt daleko na stronie? Czy użytkownik zdał sobie sprawę, że szukał złych słów kluczowych i postanowił spróbować ponownie? Stamtąd możemy rozważyć wiele ścieżek do rozwiązania tego wzorca i zaprojektować nasze następne zadania odpowiednio. Tego rodzaju planowanie oparte na problemach utrzymuje nasz cały zespół skoncentrowany na szybkim rozwiązywaniu mniejszych wyzwań jako zespół, a także pozwala nam ocenić, czy osiągnęliśmy zamierzony wpływ szybko i efektywnie.

Ponieważ wyszukiwanie jest podstawowym elementem każdego narzędzia do zarządzania wiedzą, takiego jak Guru, wiemy, że zawsze będzie to nasz priorytet. Przyjęcie podejścia opartego na danych pozwala nam zapewnić, że podchodzimy do rozwiązania każdej części układanki w sposób przemyślany i celowy.