Quando pensamos sobre nossas interações diárias com a tecnologia, "procurar" se torna sinônimo de "navegar." A busca se tornou ubíqua na internet—quase qualquer ação "conectada" que podemos realizar começa com algum tipo de busca. Isso significa duas coisas: primeiro, que como consumidores de tecnologia, passamos a esperar experiências de busca sem interrupções; e segundo, que as empresas que nos oferecem essas oportunidades de busca têm muitos dados sobre como estamos fazendo isso.

Na Guru, olhamos para esses dados constantemente para continuar melhorando nosso desempenho de busca—e muitas vezes, o que encontramos nos surpreende. E embora acreditemos que a melhor busca é não buscar de forma alguma, sabemos que otimizar a busca continuará a ajudar nossos clientes a encontrar o conhecimento que precisam.

Procurando por uma resposta

Em nossos esforços recentes para melhorar nosso desempenho de busca, pensamos em várias maneiras de categorizar uma busca sucedida ou sem sucesso. Foi a duração da sessão, Cartões visualizados, total de cliques, número de consultas? Havia muitas maneiras de categorizar buscas como "boas" ou "ruins," mas acabamos decidindo avaliar as ações que ocorreram depois que um usuário digitou naquela barra superior familiar e clicou em enter.

Entre nossa equipe de dados para trazer nossa curiosidade à luz. Depois de trabalhar com eles para determinar a melhor maneira de avaliar nossos dados de usuários, eles construíram um gráfico de sol de todas as ações que os usuários estavam realizando após sua primeira consulta. Depois de passar bons 5 minutos admirando seu trabalho impressionante e tentando entender a visualização de dados à nossa frente, estávamos prontos para mergulhar e começar a avaliar quais caminhos gostávamos, quais não gostávamos, e quais precisaríamos investigar mais a fundo para ter uma opinião firme.

Por que adotar uma abordagem orientada a dados para a resolução de problemas?

Adotar uma abordagem orientada a dados para grandes problemas oferece a oportunidade única de escolher um ponto de dor muito específico, tentar resolvê-lo e quantificar razoavelmente o resultado da sua tentativa. Por exemplo, se nossa equipe simplesmente se propusesse a "melhorar a busca," haveria muitas possíveis atividades para nós realizarmos. Poderíamos tentar aumentar a velocidade com que os resultados são apresentados, investigar ajustar nosso algoritmo ou considerar sugerir resultados aos clientes de novas maneiras. E todas essas atividades seriam empreendimentos válidos e provavelmente melhorariam a busca de alguma forma—mas adotar uma abordagem orientada a dados voltada para mover o ponteiro em um resultado específico vence sempre. Por quê? Vamos considerar ambos os métodos.

Digamos que optamos pela abordagem abrangente de tentar tudo o que já pensamos de uma só vez para melhorar a busca. Provavelmente teríamos muitos engenheiros, cientistas de dados, gerentes de produto e outros colegas focados em tarefas individuais, trabalhando em uma melhoria específica pela qual eram total ou parcialmente responsáveis. Eles provavelmente terminariam esses projetos em taxas dramaticamente diferentes com base na complexidade e, em seguida, passariam para a próxima tarefa. Simples o suficiente. Mas, quando chegasse a hora de nossa equipe refletir sobre a tarefa original em questão—melhorar a busca—se tornaria muito difícil avaliar nosso sucesso. Porque mesmo que todas as métricas que estávamos usando para medir o sucesso se movessem na direção certa, como poderíamos saber quais projeto(s) causaram a melhoria? Ou, se nossas métricas tivessem se movido na direção errada, como saberíamos quais projetos reduzir?

Por que escolher um foco estreito para o desenvolvimento?

Ao adotar uma abordagem mais focada, uma de cada vez, somos mais capazes de nos proteger contra esse tipo de desafio. Por exemplo, quando se trata de busca, adotar uma abordagem mais focada significaria que, em vez de tentar "melhorar a busca," nos disporíamos a melhorar um caminho específico em nosso gráfico de sol que determinamos como indesejável. Por exemplo, poderíamos escolher olhar para usuários que buscam novamente imediatamente após sua primeira busca, sem jamais visualizar um cartão. A partir daí, podemos considerar todas as razões pelas quais isso pode acontecer—o cartão desejado não está aparecendo nos resultados de busca? Está muito abaixo na página? O usuário percebeu que estava buscando os termos-chave errados e decidiu tentar novamente? A partir daí, podemos considerar muitos caminhos para resolver esse padrão e projetar nossas próximas tarefas de acordo. Esse tipo de planejamento baseado em problemas mantém toda a nossa equipe focada na solução rápida de desafios menores como um time, e nos permite avaliar se fizemos nosso impacto desejado de maneira rápida e eficiente.

Como a busca é um componente central de qualquer ferramenta de gerenciamento de conhecimento como o Guru, sabemos que sempre será um foco principal para nós. Adotar uma abordagem orientada a dados nos permite garantir que somos cuidadosos e intencionais em como abordamos a solução de cada parte do quebra-cabeça.