當我們思考與科技的日常互動時，「搜尋」便與「衝浪」同義。 搜尋已與互聯網息息相關，幾乎所有的「連接」行動皆始於某種搜尋。 這意味著兩件事：首先，作為科技的消費者，我們期待無縫的搜尋體驗；第二，提供我們這些搜尋機會的公司擁有大量關於我們如何執行搜尋的數據。

在Guru，我們不斷查看這些數據，以持續改善我們的搜尋表現——而且，我們經常會發現驚喜。 雖然我們最終認為最佳搜尋是完全不搜尋，但我們知道優化搜尋將繼續幫助客戶找到他們所需的知識。

搜尋答案

在我們最近提高搜尋性能的努力中，我們想到幾種方式可以對成功或不成功的搜尋進行分類。 是會話持續時間、查看的卡片數、總點擊數，或是查詢次數呢？ 有很多方法可以將搜尋分類為「好」或「壞」，但最終我們決定評估用戶在輸入熟悉的頂部欄並按下回車鍵後所發生的行動。

讓我們的數據團隊來揭示我們的好奇心。 在與他們合作確定評估我們用戶數據的最佳方式之後，他們構建了一個用戶在第一次查詢後所採取的所有行動的太陽輻射圖。 在花了大約五分鐘讚賞他們令人印象深刻的工作並理解我們面前的數據視覺化後，我們準備深入並開始評估我們喜歡哪條路徑，哪條不喜歡，以及哪些需要進一步調查以形成明確的意見。

為什麼採用以數據為驅動的問題解決方法？

採用以數據為驅動的方式來處理大問題，提供了選擇特定痛點、嘗試解決的獨特機會，並合理量化你嘗試的結果。 例如，如果我們的團隊僅僅是要「改善搜尋」，將有許多可能的活動供我們進行。 我們可以試著提高結果生成的速度，調查調整我們的算法，或尋找新的方式向客戶建議結果。 而這些活動都是值得的努力，並可能在某種程度上改善搜尋——但採用以數據為驅動的方法，專注於一個特定的結果，卻每次都能獲勝。 為什麼？ 讓我們來考慮兩種方法。

假設我們采用統一的、讓我們同時嘗試所有曾經想過的方法來改善搜尋。 我們可能會有很多工程師、數據科學家、產品經理和其他同事專注於各自的任務，朝著他們完全或部分負責的具體改進方向努力。 他們的項目完成速度可能根據其複雜性而有所不同，然後再轉向下一個任務。 聽起來簡單。 但當我們的團隊反思手頭的原始任務——改善搜尋時，評估我們的成功將變得非常困難。 因為即使我們用於基準成功的每一個指標都朝著正確的方向移動，我們如何才能知道是哪些項目造成了這一改善呢？ 或者，如果我們的指標朝著錯誤的方向移動，我們又該知道哪些項目需要收縮呢？

為什麼選擇狹窄的發展焦點？

通過採取更集中、一次解決一個問題的方法，我們能更好地防範這類挑戰。 例如，當涉及到搜尋時，採取更專注的方法意味著，不是要「改善搜尋」，而是設法改善我們確定為不理想的太陽輻射圖上一條特定路徑。 例如，我們可以選擇查看那些在第一次搜尋後立即再次搜尋的用戶，而不曾查看任何卡片。 從那裡，我們可以考慮所有可能的原因，為何會發生這種狀況——所需的卡片是否沒有出現在搜尋結果中？ 它是否顯示得太靠下了？ 用戶是否意識到他們搜尋了錯誤的關鍵詞並決定重新嘗試？ 從那裡，我們可以考慮許多解決此模式的路徑，並相應設計我們的下一項任務。 這種基於問題的計劃讓我們整個團隊能夠快速集中精力解決較小的挑戰，並讓我們能夠快速有效地評估我們是否達到預期的影響。

由於搜尋是Guru等任何知識管理工具的核心組成部分，我們知道它將永遠是我們的主要焦點。 採用以數據為驅動的方法使我們能夠確保我們在解決每一個拼圖的每一部分時都能夠深思熟慮和有意圖。