Die Macht der Signale
Die Nutzer erwarten heute schnelle, zuverlässige und personalisierte Sucherlebnisse von den Unternehmen, mit denen sie interagieren möchten. Um das Kundenerlebnis zu schaffen, nach dem sich die Nutzer sehnen, müssen Sie zunächst die Interaktionsdaten der Nutzer, die sogenannten Signale, analysieren und verstehen. Diese Signale geben Aufschluss darüber, welche Informationen für die Nutzer am relevantesten sind, wie und wo die Nutzer sie zu finden erwarten und welche Sprache die Kunden verwenden, um ihre Absichten zu signalisieren. Anhand dieser Daten können Sie gezielte, datengestützte Verbesserungen an der Suchrelevanz vornehmen, um die Zufriedenheit der Nutzer zu erhöhen und wichtige Geschäftskennzahlen zu verbessern.
Zielpublikum
Technologie- und Unternehmensleiter, die daran interessiert sind, ihre Analysetechniken weiterzuentwickeln, um eine stärker datengestützte Auswahl von Merkmalen zur Lösung von Suchproblemen und zur Verbesserung von Geschäftskennzahlen zu fördern
Publikum mitnehmen
Ein erneuertes Verständnis dafür, warum die Analyse von Benutzerinteraktionsdaten (Signalen) so wichtig für die Förderung der Benutzerzufriedenheit ist, und eine Auffrischung, wie man ML-Techniken datengesteuert und zielgerichtet einsetzt.
Sprecher
Jill Rosow, Datenwissenschaftlerin, Lucidwoks
[Jill Rosow]
Herzlich willkommen. Mein Name ist Jill Rosow. Ich bin Datenwissenschaftlerin bei Lucidworks und freue mich, heute mit Ihnen über einige der Erkenntnisse zu sprechen, die in Ihren Benutzerinteraktionsdaten oder Ihren Signalen verborgen sind.
Ich behandle Daten gerne wie eine Geschichte, und so werde ich heute auch darüber sprechen. Sie werden sehen, dass ich die Dinge in Themen aufteile und diese Themen dann mithilfe der Signalanalyse untersuche. Während dieser Untersuchung werden Sie Beispiele dafür sehen, wie Sie Hinweise finden, die Ihnen helfen zu verstehen, wie Ihre Benutzer mit Ihrer Anwendung interagieren, und herauszufinden, wo es Raum für Verbesserungen gibt. Anhand dieser Hinweise werden wir darüber sprechen, wie Sie Ihre Erkenntnisse in die Tat umsetzen können, indem Sie nach Lösungen suchen, die mit den in den Daten angegebenen Möglichkeiten übereinstimmen.
Bevor wir einsteigen, möchte ich, dass Sie darüber nachdenken, wo Sie auf dieser Analyse-Reifekurve stehen. Jeder, der Ihnen heute zuhört, führt wahrscheinlich zumindest eine rudimentäre Art von Analyse durch, um zu verstehen, wie Ihre App funktioniert. Eine gängige Form der Analyse ist die Verfolgung von geschäftlichen KPIs, wie z.B. die Konversionsrate, die Ablenkungsrate, vielleicht der durchschnittliche Warenkorbwert, je nach Bereich, und es ist sehr wichtig, diese Kennzahlen zu verfolgen, um sicherzustellen, dass Ihr Unternehmen seine Ziele erreicht. Dies sind jedoch quantitative Kennzahlen. Sie werden stark von Ausreißern beeinflusst, sie zeigen Ihnen keine kontextbezogenen Besonderheiten und sie geben wirklich keine direkten Informationen darüber, wer uns am meisten am Herzen liegt, nämlich unsere Nutzer.
Diese sind zwar großartig, zeigen uns aber vor allem einen Überblick darüber, wie wir im Allgemeinen abschneiden, also ob die Dinge gut, okay oder schlecht sind. Aber um wirklich zu verstehen, warum etwas passiert, müssen wir auf dieser Analyse-Reifekurve vorankommen. Wir wollen von der Frage, was passiert ist, mit dieser Rückblick-Perspektive zu der Frage, warum es passiert ist, übergehen, dort nach Erkenntnissen suchen und uns schließlich zu der Frage vorarbeiten, was passieren wird und was ich dagegen tun sollte. Und das ist die Perspektive der Vorausschau, die wir einnehmen wollen.
Der Aufstieg auf dieser Kurve wird uns dabei helfen, unser Ziel der datengestützten Entscheidungsfindung zu erreichen, und ich hoffe, dass Sie alle dieses Ziel mit mir teilen und nach der heutigen Präsentation mitnehmen werden. Denken Sie also darüber nach, wo Sie heute stehen, während ich spreche und verschiedene Formen von unstrukturierten Textdaten aus dem Bereich Kundenservice und eCommerce vorstelle. Denken Sie darüber nach, wie Ihre eigenen Benutzerinteraktionsdaten Ihnen dabei helfen könnten, Hinweise zur Lösung von Problemen zu finden und Sie auf dieser Kurve in der Zukunft weiterzubringen.
Das erste Thema, das Ihnen dabei helfen kann, Ihre Analyse auf Ihre Nutzer auszurichten, ist, dass wir sowohl als Geschäftsleute als auch als Verbraucher selbst wissen, dass sich die Nutzer verstanden fühlen möchten. Um dies zu erreichen, müssen wir aufhören, Ihr Sucherlebnis auf einzelne Suchanfragen oder Schlüsselwörter zu konzentrieren. Stattdessen sollten wir unser Sucherlebnis auf die einzelnen Nutzer ausrichten, die alle unterschiedliche Neigungen und Ziele haben. Wir wollen den Nutzern das Gefühl geben, ein einzigartiges Individuum zu sein und nicht nur eine weitere Suchanfrage, die das System durchläuft oder Teil einer Statistik ist, die Sie verfolgen.
Fragen Sie sich also: Wie kann ich von den Nutzern lernen, die bereits jeden Tag mit meiner Plattform interagieren? Eines der grundlegendsten Dinge, die Sie tun können, um Ihre Nutzer zu verstehen, ist die einfache Frage nach dem „Was“ zu stellen. Was fragen meine Nutzer? Wonach suchen sie am meisten? Und Sie können diese Frage aus verschiedenen Perspektiven stellen. Für die einen könnte es heißen, nach welcher Kategorie fragen meine Nutzer am meisten? Für andere könnte es heißen, welche Art von Problemen meine Benutzer am häufigsten melden? Denken Sie also immer daran, Ihre Analyse auf Ihren eigenen Bereich zu beziehen. Hier werden wir uns also diesen öffentlichen eCommerce-Datensatz ansehen. Wir wissen, dass ihre Kunden nach allen möglichen Produkten suchen, aber gibt es eine bestimmte Marke, die den Rest dominiert?
Wenn Sie das wissen, eröffnen sich Ihnen viele Möglichkeiten, Ihre Geschäftsaktivitäten zu priorisieren. So könnten Sie beispielsweise Ihr Marketing, Ihre Schulungen und Ihre Bildungsinhalte so optimieren, dass sie auf die Interessen der Nutzer abgestimmt sind. Hier sehen Sie ein Beispiel für die Verteilung der Suchanfragen für die 25 wichtigsten Marken in diesem Datensatz. In diesem Fall handelt es sich um Suchanfragen, aber sie können auch aus anderen Quellen stammen, z.B. aus Support-Anfragen, E-Mails oder Anrufen. Sie können jede beliebige Datenquelle analysieren.
Die meisten der Nutzer hier suchen nach Produkten ohne eine bestimmte Marke. Dies könnte darauf hinweisen, dass Sie ein Problem mit der Datenqualität haben könnten. Da dies die größte Kategorie der Suchanfragen ist, würde ich dieses Segment wahrscheinlich einzeln untersuchen und versuchen, das Problem mit der Datenqualität näher zu definieren und die Auswirkungen auf unsere Suchrelevanz zu messen. Hinter unserer markenlosen Kategorie haben wir Hampton Bay, gefolgt von GE und Everbilt. Da dies unsere Top-Kategorien sind, sollten wir sicherstellen, dass diese Bereiche optimal laufen, da sie am häufigsten vorkommen und einen großen Teil unserer Suchmöglichkeiten ausmachen werden.
Dann werden Sie sich vielleicht fragen, welche Art von Sprache meine Benutzer verwenden. Und hier spreche ich von der Diktion, richtig? Was sind die wörtlichen Worte, die meine Kunden verwenden? In einem ersten Schritt könnten Sie die 20 wichtigsten Wörter in Ihren Suchanfragen untersuchen, aber wahrscheinlich werden Sie daraus nicht viel lernen. Wahrscheinlich werden Sie eine Menge sehr gebräuchlicher englischer Wörter finden, die keine große Bedeutung haben, oder Stoppwörter, und wenn Sie wirklich in den Text eindringen wollen, werden Sie diese Stoppwörter entfernen wollen. Und hier sehen wir uns Trigramme oder Sequenzen von drei Wörtern an. Wenn Ihre Kunden jedoch typischerweise längere Fragen stellen, können Sie auch längere Textabschnitte betrachten.
Wenn wir uns also diese Top 20 Trigramme ansehen, können wir einige Themen erkennen. Wir sehen also viele Erwähnungen von Warmwasserbereitern an verschiedenen Stellen, aber wir können auch sehen, dass ein Nutzer, der nach einem Warmwasserbereiter sucht, in der Regel den genauen Typ des Warmwasserbereiters, nach dem er sucht, noch weiter spezifiziert. Wir sehen Warmwasserbereiter, gasbetriebene Warmwasserbereiter, tanklose Warmwasserbereiter, elektrische Warmwasserbereiter. Wir können also feststellen, dass unsere Nutzer typischerweise sehr spezifisch mit Modifikatoren vorgehen, wenn sie nach einem bestimmten Produkt suchen, und das wirft die Frage auf: Ändert sich die Sprache unserer Kunden je nach Produktkategorie, in der sie suchen?
Wenn Sie also vordefinierte Kategorien oder eine Art von Hierarchie haben, ist es eine gute Idee, diese aufzuschlüsseln, um weitere Analysen durchzuführen. Hier sehen wir also zwei Versicherungskategorien, Rentenversicherungen und Hausratversicherungen. Anhand dieser Top-Bigramme können wir sehen, wie sich die Sprache je nach Versicherungskategorie, über die Sie sprechen, wirklich ändert. Sie sehen, dass Verbraucher, die sich für Rentenversicherungen interessieren, in der Regel Fragen zu Investitionen, Aufschüben, Eigenkapital und Begriffen wie fest oder variabel stellen. Dies unterscheidet sich deutlich von dem, was wir in der Kategorie Hausratversicherung sehen. Diese Kunden interessieren sich eher für Dinge wie Schäden, Wasserschutz, Kosten und Begriffe wie Eigentümer oder Mieter. Wenn wir diese Dinge wissen und diese Erkenntnisse gewinnen, können wir verstehen, wie sich die Absichten unserer Nutzer ändern, je nachdem, wo sie landen. Dies kann sehr nützlich sein, um Ihre Inhalte zu segmentieren, Empfehlungen zu geben oder sogar einige benutzerdefinierte Algorithmen für maschinelles Lernen zu trainieren, damit wir erkennen können, über welche Kategorie der Nutzer wahrscheinlich spricht.
Okay, wir haben also darüber gesprochen, dass die Verbraucher bekannt sein wollen. Wir wollen die Sprache verstehen, die sie verwenden. Wichtig ist aber auch, dass die Nutzer nahtlose Antworten wünschen. Unabhängig davon, für welchen Kanal oder welche Plattform ich mich entscheide, erwarte ich, dass das Sucherlebnis kongruent und zusammenhängend ist. Wenn Ihre Benutzer in der Regel zuerst versuchen, sich selbst zu bedienen, vielleicht eine Wissensdatenbank abfragen oder Ihre Benutzer aus den sozialen Medien kommen, sollten wir wissen, woher sie kommen, damit wir alle möglichen Informationen haben, um ihre Fragen schnell beantworten zu können.
Um dieses Problem zu verstehen, müssen Sie sich zunächst ansehen, woher Ihre Nutzer kommen. Wenn unsere Kunden zum Beispiel hauptsächlich auf dem Desktop nach personalisierter Hilfe fragen, sollten wir sicherstellen, dass die Chatbots für den Desktop optimiert sind. Wichtig ist auch, dass das Erlebnis an all diesen Einstiegspunkten gleich ist. Ein schlechtes In-App-Erlebnis, das nicht mit einem großartigen Desktop-Erlebnis übereinstimmt, könnte dazu führen, dass wir einen mobilen Kunden verlieren und vielleicht auch ein Geschäft in einem wachsenden Bereich. Ähnlich verhält es sich, wenn eine geringere Anzahl von Nutzern auf dem Handy zu verzeichnen ist. Richtig, es ist also wichtig, diese Interaktionen zu betrachten und zu analysieren und zu hinterfragen, was diese Daten bedeuten. Und denken Sie daran, dass wir hier unsere Annahmen überprüfen wollen.
Sie könnten davon ausgehen, dass die meisten unserer Kunden über die Suche nach Produkten suchen, oder sie gehen davon aus, dass wir den Support über Telefonanrufe in Anspruch nehmen. Unsere Daten könnten jedoch zeigen, dass sie es vorziehen, geführte Hilfe über ein Browser-Erlebnis oder über soziale Medien zu erhalten. Wenn das der Fall ist, können sich Investitionen in diese Lösungen positiv auf die KPIs auswirken. Ein Beispiel: Soziale Medien sind ein Kanal, der exponentiell wächst, und vielleicht ist es nicht der Ort, an dem die meisten Ihrer Kunden derzeit versuchen, Fragen zu klären, aber das wird sich wahrscheinlich in Kürze ändern. Wenn Sie also diese Daten zur Benutzerinteraktion nutzen, um zu erkennen, wann es an der Zeit ist, die richtige Entscheidung zu treffen, können Sie Ihre Investitionen optimal steuern.
Schließlich müssen Sie für eine nahtlose Konversation erkennen, was Ihre Kunden tun, bevor und nachdem sie ein Ticket einreichen oder ein Null-Suchergebnis erhalten haben. Haben sie zuerst gestöbert? Haben sie versucht, ihre Anfrage zu überarbeiten? Erkennen Sie anhand der Daten, dass Sie einem Kunden, der nach einem Produkt sucht, das Sie wirklich führen, oder nach Wissen, das Sie wirklich indexiert haben, keine relevanten Informationen liefern? Hätten diese ergebnislosen Suchanfragen oder Supportfälle möglicherweise abgewendet werden können, wenn unsere Suchmaschine wirklich verstanden hätte, was der Benutzer fragt? Denken Sie daran, dass wir durch die Verknüpfung der Interaktionen unserer Benutzer mit verschiedenen Berührungspunkten einen Überblick über ihre Reise erhalten können. Und hier wollen wir nach Anknüpfungspunkten suchen, bevor etwas schief geht.
Wenn Sie zum Beispiel einige Suchvorgänge ohne Klicks gesehen haben, haben sie wahrscheinlich nicht genau das gefunden, wonach sie gesucht haben. Wenn wir viele Klicks gesehen haben, die Person aber trotzdem weiterging, um andere Optionen zu verfolgen, hat sie wahrscheinlich relevante Informationen gefunden, sucht aber vielleicht nach etwas Spezifischerem. Ähnlich verhält es sich, wenn jemand nach einer erfolglosen Suche seine Suchanfrage erneut stellt oder überarbeitet. Dann erhalten wir mehr Informationen darüber, wonach der Nutzer genau sucht. Enthielt diese Anfrage eine korrigierte Schreibweise, ein Synonym, vielleicht einen zusätzlichen Begriff? Wenn diese Anfrage zu einer erfolgreichen Interaktion geführt hat, wie können wir dann die relevanten Suchergebnisse mit dieser anfänglichen ergebnislosen Anfrage verknüpfen, um ein ähnliches Problem in Zukunft zu vermeiden?
Und das dritte Thema, das mir sehr am Herzen liegt, ist, dass die Verbraucher sich mehr als alles andere als Problemlöser fühlen wollen. Und das ist großartig, denn es bedeutet, dass Ihre Nutzer glücklicher sind, wenn sie ihre Probleme selbst lösen und Einkäufe tätigen können, ohne den Support einzuschalten. Und wie wir wissen, sind zufriedene Kunden auch treue Kunden. Sie wollen also alles Wissen, das ihnen zur Verfügung steht, sowie die Möglichkeit, diese Informationen schnell zu durchsuchen und relevante Ergebnisse zu finden. Wie wir wissen, ist es nicht so einfach, das Gleichgewicht zwischen Recall und Präzision zu finden. Hier sind also einige Fragen, die Sie sich stellen können, um festzustellen, ob Ihre Kunden in der Lage sind, Probleme selbständig zu lösen.
Die erste Frage lautet: Haben unsere Benutzer Zugang zu den Informationen, die sie benötigen? Oftmals befinden sich die wichtigsten Daten in verschiedenen Silos, die über mehrere Datenquellen verteilt sind. Können Ihre Benutzer über dieselbe Schnittstelle auf all diese unterschiedlichen Informationen zugreifen? Richtig, wir möchten, dass sie von einem einzigen Ort aus auf alles zugreifen können. Wenn Sie eine komplexe Suche durchführen, ist die beste Antwort oft die Integration verschiedener Informationen aus diesen Silos. Stellen Sie sicher, dass Sie die Möglichkeit haben, eine Verbindung zu verschiedenen Datenquellen herzustellen, z.B. zu Salesforce, zu Websites und vielleicht sogar zu einem einfachen Datei-Upload, und stellen Sie sicher, dass alle diese Informationen für den Benutzer an der gleichen Stelle verfügbar sind. Und diese Informationen sollten auch auf den aktuellen Benutzer zugeschnitten sein, damit der Benutzer das Gefühl hat, dass er bekannt ist, und damit seine Suche reibungsloser und schneller abläuft. All diese Signaldaten, die wir aus Suchanfragen, Browsing-Aktivitäten und Help-Centern gesammelt haben, werden eine wichtige Rolle bei der Personalisierung dieser riesigen Datenmenge spielen. Und wenn sie Zugang zu all diesen Daten haben, sind sie dann auch in der Lage, die relevanten Informationen zu finden?
Wenn Sie Ihre Benutzeranfragen analysieren, stellen Sie dann fest, dass wir zwar relevante Ergebnisse für dieses Thema haben, dass wir dieses Produkt führen, dass wir Informationen zu diesem Problem haben, dass diese Ergebnisse aber nicht an den Benutzer zurückgegeben werden, dass sie nicht angezeigt werden. Wenn Sie dieses Muster erkennen, wird eine ausgeklügelte Suchmaschine, die Dinge wie Vorschläge für ähnliche Suchanfragen, empfohlene Produkte oder Artikel und sogar die semantische Entschlüsselung der Bedeutung Ihrer Suchanfragen ermöglicht, anstatt nach Übereinstimmungen mit Schlüsselwörtern zu suchen, unglaublich wichtig sein, um Ihre Kunden in die Lage zu versetzen, diese Ergebnisse effizient zu finden. Und das hat natürlich Auswirkungen auf viele dieser wichtigen KPIs wie Ihre Klickrate, Ihre Konversionsrate, Ihre Absprungrate und sogar auf die gestiegenen Callcenter-Kosten. Es wird sich also lohnen, in die Unterstützung Ihrer Nutzer zu investieren.
Erst wenn wir unsere Benutzer als Individuen verstehen, wissen wir, was ihre Schmerzpunkte sind, was ihre Neigungen sind und was uns das alles in Bezug auf unsere KPIs sagt, können wir mit der Lösungsfindung oder dem Handeln auf der Grundlage dieser Erkenntnisse fortfahren. Ich werde Ihnen also zunächst einige effektive, aber eher statistisch basierte Lösungen vorstellen. Diese werden sich mit sehr spezifischen Problemen befassen, die Sie vielleicht in Ihren Daten sehen werden. Da es jedoch unser Ziel ist, unsere Sucherfahrung mit Hilfe dieser vorausschauenden Denkweise zu optimieren, ist es wichtig, darüber nachzudenken, wie wir von der Behandlung sehr spezifischer individueller Schmerzpunkte, nachdem sie gemeldet wurden, zur Nutzung ausgereifterer und fortschrittlicherer Deep-Learning-Techniken übergehen können, um sowohl unsere alten als auch unsere neuen Probleme anzugehen, wenn sie auftauchen, richtig? Beseitigen Sie die Verzögerungszeit und hören Sie auf, Dinge zu reparieren, nachdem sie passiert sind.
Stellen Sie sich also vor, Sie analysieren den Inhalt Ihrer Tickets oder Ihrer Suchanfragen und stellen einige häufige Rechtschreibfehler fest, die spezifisch für Ihre Domain sind. In diesem Beispiel sehen wir, dass „Wasser“ um einen einzigen Buchstaben falsch geschrieben ist. Das ist ein häufiger Fehler, wenn Sie zu schnell tippen, und Sie würden erwarten, dass die Suchmaschine das ausgleicht. Wenn wir also in der Lage sind, dieses Vorkommnis zu erkennen, zeigt uns das, dass wir immer wieder Gelegenheiten verpassen, Informationen über Warmwasserbereiter zu liefern, obwohl wir sie haben. Eine Lösung könnte eine Rechtschreibprüfung sein, die Ihnen hilft, sich an den Wortschatz Ihrer Nutzer anzupassen. Oder wenn Sie nach der Überprüfung Ihrer Suchdaten feststellen, dass einige Anfragen oder Supportthemen in Bezug auf Konvertierung oder Ergebnis sehr gut abschneiden, während andere, spezifischere Fragen es schwerer haben, den richtigen Inhalt zu finden. Wenn Sie diese Art der Verteilung feststellen, könnte eine Head-Tail-Analyse eine gute Option sein.
Anhand dieser Benutzerinteraktionsdaten und unserer Signale, die uns zeigen, wie diese langen und kurzen Suchanfragen abschneiden, können wir mit Hilfe von Statistiken und NLP-Techniken versuchen, unsere schlecht abschneidenden Suchanfragen in unsere gut abschneidenden Suchanfragen umzuwandeln und unsere Benutzer in die Lage zu versetzen, die richtige Antwort zu finden, selbst wenn sie eine typischerweise schlecht abschneidende Suche eingeben. Nachdem Sie den Inhalt Ihrer Benutzeranfragen und die Antworten Ihrer Agenten oder Suchergebnisse ausgewertet haben, stellen Sie vielleicht fest, dass Ihre Kunden eine etwas andere Sprache verwenden als Ihre Wissensdatenbank, also berücksichtigen Sie diese Beispiele hier.
Auf der linken Seite sehen wir Fragen in der Kategorie Critical Illness Insurance, und dann die Fragen, bei denen die Nutzer den Begriff Vollkasko verwenden. Auf der rechten Seite, in unserer Wissensdatenbank, hat die Vollkaskoversicherung einen etwas größeren Anteil als die Vollkaskoversicherung. Denken Sie darüber nach, welcher dieser Begriffe mehr relevante Ergebnisse liefert. Sollten wir beide einbeziehen, wenn ein Nutzer den einen oder den anderen Begriff eingibt? Wenn Sie diese Muster in Ihren Nutzerdaten erkennen, können Sie Ihre Suchanfragen in solche umwandeln, die die richtigen Antworten finden. Wenn Sie z.B. feststellen, dass es sich bei den Suchbegriffen um vollständige oder umfassende Synonyme handelt oder dass Benutzer Abkürzungen verwenden, wenn Ihr Index die Begriffe buchstabiert, sollten Sie einen synonymbasierten Ansatz in Betracht ziehen, um die Wiederauffindbarkeit zu verbessern. Und dann denken Sie an einige Ihrer sich wiederholenden Abfragen oder Fälle. Wenn Agenten immer wieder die gleichen Fälle oder ähnliche Probleme lösen müssen, können wir das beschleunigen. Zeigen Sie ihnen die ähnlichen Fälle, wenn ein neuer Fall auftaucht. Wenn derselbe oder ein ähnlicher Fall schon einmal eingereicht wurde, zeigen Sie ihnen, wie er beim letzten Mal gelöst wurde.
Und wenn Sie eine Untergruppe von Suchanfragen haben, die bei Ihren Nutzern sehr beliebt sind, ist es wahrscheinlich, dass diese Suchanfragen mit relevanten Ergebnissen verbunden sind und ein großer Prozentsatz Ihrer Nutzer an diesen Ergebnissen interessiert ist. In diesem Fall sollten Sie in Erwägung ziehen, den Nutzern einige beliebte oder trendige Suchanfragen vorzuschlagen, um ihr Einkaufserlebnis von Anfang an zu verbessern. Lassen Sie uns abschließend kurz darüber sprechen, wie Sie alle vorherigen Anwendungsfälle, also Abfragekorrektur, -erweiterung, -ergänzung und -empfehlungen, mit nur einer einzigen Lösung angehen können. Und das ist die semantische Vektorsuche. Die semantische Vektorsuche lässt sich folgendermaßen zusammenfassen. Anstatt mir zu zeigen, was ich gesagt habe, zeigen Sie mir, was ich will.
Sie müssen Ihre Suchanfrage nicht immer wieder anpassen und versuchen, die Schlüsselwörter zu finden, die Sie zu Ihrem gewünschten Ergebnis führen könnten. Suchen Sie stattdessen so, wie Sie natürlich sprechen, und lassen Sie die semantische Vektorsuche das herausfinden. Das bedeutet, dass wir die exakte Übereinstimmung von Schlüsselwörtern im Index nicht mehr benötigen. Stattdessen werden wir Deep-Learning-Algorithmen einsetzen, um die semantische Bedeutung sowohl unserer Benutzeranfragen als auch unseres Indextextes zu erfassen. Und die Benutzerinteraktionsdaten, diese Signale können nach einer entsprechenden Bereinigung hervorragende Trainingsdaten für die Algorithmen sein. Sie können Ihren Algorithmus so trainieren, dass er mit der Sprache Ihrer Nutzer und dem Inhalt Ihrer Domain übereinstimmt, und neue Suchanfragen mit schlechter Performance in Echtzeit angehen, was uns wiederum auf der Reifekurve und im Prozess weiter nach vorne bringt.
Denken Sie daran, diese Lösungen im Zusammenhang mit Ihrer Analyse zu betrachten. Welche Funktion wird Ihren Nutzern wirklich helfen und die Probleme lösen, die Sie gemeldet und für die Zukunft vorausgesagt haben? Wenn Sie mehr über das Angebot der semantischen Vektorsuche von Lucidworks erfahren möchten, sollten Sie sich den Vortrag meines Kollegen Sava ansehen. Er findet direkt im Anschluss an diesen Vortrag statt.
Jetzt haben Sie also Fragen gestellt, Hypothesen aufgestellt, neue Informationen über die Schmerzpunkte der Benutzer aufgedeckt, mit dem Testen begonnen und auf diese Hinweise hin gehandelt, Sie haben auf die Daten abgestimmte Funktionen implementiert, und Sie denken vielleicht: Was mache ich jetzt mit meinen Signaldaten? Ist das das Ende der Geschichte? Und die Antwort ist nein. Das ist noch nicht alles, oder? Dies ist eine Rückkopplungsschleife, in der die Benutzer Ihnen die Gründe für den aktuellen Zustand nennen werden. Sie nehmen diese Informationen auf, iterieren und verbessern sie, und Ihre fortlaufende Analyse wird Ihnen zeigen, ob es funktioniert. Letztlich sind es Ihre Benutzer, die mit Ihren neuen Lösungen interagieren, also lassen Sie sich von ihnen zeigen, warum es funktioniert oder nicht. Jetzt, wo Sie diese Praktiken eingeführt haben, können Sie aufatmen, denn Sie wissen, dass Ihre Benutzer Ihnen ständig mitteilen werden, ob das, was Sie tun, funktioniert. Bleiben Sie also neugierig, bleiben Sie aufmerksam und bleiben Sie aufgeschlossen in dieser Runde. Bauen Sie von hier aus einfach besser.
Vielen Dank, Leute, und vergessen Sie nicht, sich den nächsten Vortrag von Sava über die Macht der semantischen Vektorsuche anzusehen.