Khi chúng ta nghĩ về những tương tác hàng ngày của mình với công nghệ, "tìm kiếm" trở thành đồng nghĩa với "lướt sóng." Tìm kiếm đã trở nên phổ biến với internet—hầu như mọi hành động "kết nối" mà chúng ta thực hiện đều bắt đầu bằng một loại tìm kiếm nào đó. Điều này có nghĩa là hai điều: trước tiên, với tư cách là người tiêu dùng công nghệ, chúng ta đã trở nên kỳ vọng vào những trải nghiệm tìm kiếm liền mạch; và thứ hai, các công ty cung cấp cho chúng ta những cơ hội tìm kiếm này có rất nhiều dữ liệu về cách mà chúng ta đang thực hiện điều đó.

Tại Guru, chúng tôi thường xuyên xem xét dữ liệu này để tiếp tục cải thiện hiệu suất tìm kiếm của chúng tôi—và thường thì, những gì chúng tôi tìm thấy gây bất ngờ cho chúng tôi. Và mặc dù cuối cùng chúng tôi tin rằng tìm kiếm tốt nhất là không tìm kiếm chút nào, nhưng chúng tôi biết rằng việc tối ưu hóa tìm kiếm sẽ tiếp tục giúp khách hàng của chúng tôi tìm thấy kiến thức họ cần.

Tìm kiếm câu trả lời

Trong những nỗ lực gần đây của chúng tôi để cải thiện hiệu suất tìm kiếm, chúng tôi đã nghĩ ra một số cách chúng tôi có thể phân loại một tìm kiếm thành công hoặc không thành công. Liệu đó có phải là thời gian phiên, thẻ đã xem, tổng số nhấp chuột, số lượng truy vấn? Có nhiều cách mà chúng tôi có thể phân loại các tìm kiếm là "tốt" hay "xấu," nhưng cuối cùng chúng tôi quyết định đánh giá những hành động đã xảy ra sau khi người dùng nhập vào thanh trên quen thuộc và nhấn enter.

Nhóm dữ liệu của chúng tôi sẽ giúp làm sáng tỏ sự tò mò của chúng tôi. Sau khi làm việc với họ để xác định cách tốt nhất để đánh giá dữ liệu người dùng của chúng tôi, họ đã xây dựng một biểu đồ sunburst về tất cả các hành động mà người dùng thực hiện sau truy vấn đầu tiên của họ. Sau khi dành khoảng 5 phút để ngắm nhìn công việc ấn tượng của họ và hiểu rõ về việc trực quan hóa dữ liệu trước mắt chúng tôi, chúng tôi đã sẵn sàng để dấn mình vào và bắt đầu đánh giá các con đường mà chúng tôi thích, con đường nào mà chúng tôi không thích, và con đường nào mà chúng tôi cần điều tra thêm để có một quan điểm vững chắc.

Tại sao lại chọn cách tiếp cận dựa trên dữ liệu để giải quyết vấn đề?

Từ cách tiếp cận dựa vào dữ liệu cho các vấn đề lớn cung cấp cơ hội duy nhất để chọn một điểm đau rất cụ thể, cố gắng giải quyết nó, và định lượng hợp lý kết quả của nỗ lực của bạn. Ví dụ, nếu nhóm của chúng tôi đơn giản chỉ đặt ra để "cải thiện tìm kiếm," sẽ có rất nhiều hoạt động khả thi mà chúng tôi có thể thực hiện. Chúng tôi có thể cố gắng tăng tốc độ mà kết quả xuất hiện, điều tra việc điều chỉnh thuật toán của chúng tôi, hoặc tìm cách gợi ý kết quả cho khách hàng theo cách mới. Và tất cả các hoạt động này sẽ là những nỗ lực đáng giá và có thể cải thiện tìm kiếm theo một cách nào đó—nhưng việc áp dụng cách tiếp cận dựa vào dữ liệu hướng đến việc thay đổi một kết quả cụ thể luôn thắng cuộc. Tại sao? Hãy xem xét cả hai phương pháp.

Giả sử chúng tôi chọn phương pháp đồng loạt, hãy thử mọi thứ chúng tôi từng nghĩ đến trong một lần để cải thiện tìm kiếm. Chúng tôi có lẽ sẽ có nhiều kỹ sư, nhà khoa học dữ liệu, quản lý sản phẩm, và các đồng nghiệp khác tập trung vào các nhiệm vụ riêng lẻ, làm việc hướng đến một sự cải thiện cụ thể mà họ hoàn toàn hoặc một phần có trách nhiệm. Họ có lẽ sẽ hoàn thành các dự án này với tốc độ khác nhau đáng kể dựa trên độ phức tạp, và sau đó chuyển sang việc khác. Đơn giản như vậy. Nhưng khi đến lúc nhóm chúng tôi phản ánh về nhiệm vụ ban đầu—cải thiện tìm kiếm—sẽ trở nên rất khó khăn để đánh giá thành công của chúng tôi. Bởi vì ngay cả khi mọi chỉ số mà chúng tôi đang sử dụng để đánh giá thành công chuyển biến theo hướng đúng, làm sao chúng tôi có thể biết dự án nào đã gây ra sự cải thiện? Hoặc, nếu các chỉ số của chúng tôi đã chuyển biến theo hướng sai, làm sao chúng tôi biết được dự án nào cần giảm lại?

Tại sao chọn một trọng tâm hẹp cho việc phát triển?

Bằng cách áp dụng một cách tiếp cận tập trung hơn, giải quyết một vấn đề một lần, chúng tôi có khả năng tốt hơn trong việc bảo vệ trước những thách thức kiểu này. Ví dụ, khi nói đến tìm kiếm, việc áp dụng một cách tiếp cận tập trung hơn sẽ có nghĩa là thay vì đặt ra để "cải thiện tìm kiếm," chúng tôi sẽ đặt ra để cải thiện một con đường cụ thể trên biểu đồ sunburst mà chúng tôi xác định là không mong muốn. Ví dụ, chúng tôi có thể chọn xem xét những người dùng tìm kiếm lại ngay lập tức sau tìm kiếm đầu tiên của họ, mà không bao giờ xem một thẻ nào. Từ đó, chúng tôi có thể xem xét tất cả các lý do mà điều đó có thể xảy ra—thẻ mong muốn có xuất hiện trong kết quả tìm kiếm không? Nó có quá thấp trên trang không? Người dùng có nhận ra họ đang tìm kiếm các thuật ngữ sai và quyết định thử lại không? Từ đó, chúng tôi có thể xem xét nhiều con đường để giải quyết mô hình này, và thiết kế các nhiệm vụ tiếp theo của chúng tôi phù hợp. Loại lập kế hoạch dựa trên vấn đề này giúp cả đội chúng tôi tập trung vào việc nhanh chóng giải quyết các thách thức nhỏ hơn như một đội, và cho phép chúng tôi đánh giá liệu chúng tôi đã tạo ra sự ảnh hưởng mong muốn nhanh chóng và hiệu quả hay không.

Vì tìm kiếm là một phần cốt lõi của bất kỳ công cụ quản lý kiến thức nào như Guru, chúng tôi biết rằng nó sẽ luôn là một trọng tâm chính đối với chúng tôi. Việc áp dụng cách tiếp cận dựa vào dữ liệu cho phép chúng tôi đảm bảo rằng chúng tôi đang suy nghĩ chu đáo và có chủ ý trong cách tiếp cận giải quyết từng phần của câu đố.