“미국 온라인 성인의 36%는 소매업체가 더 개인화된 경험을 제공해야 한다고 생각합니다.” (Forrester)
고객은 스스로 원하는 것을 알고 있습니다. 그러나 업체가 수행하는 작업은 이러한 니즈와 다를 수 있습니다. 헤드/테일 분석은 동의어 감지를 자동화하고 의도를 이해하며 쿼리를 수정합니다.
“85%의 직원이 직장에서 일에 몰입하지 않지만 그렇다고 자진해서 이탈하지도 않습니다.” (Gallup)
조직 내에서 명명법은 변경될 수 있습니다. 헤드/테일 분석은 동의어 감지를 자동화하고 쿼리를 수정하여 사용자가 필요한 것을 찾고 작업을 지속하며 조치를 취하도록 합니다.
머신 러닝 검색 엔진은 인간이 개별 항목을 수동으로 부스트하거나 차단하지 않고 사용자의 동작을 검사하여 가장 관련성이 높은 항목을 맨 위에 배치할 수 있습니다. 사용자 동작이 충분하지 않으면, 기계는 결과의 패턴을 인식하고 더 잘 일치하는 문서를 자동으로 부스트하는 방법을 학습할 수 있습니다.
수동으로 생성된 규칙을 넘어서 머신 러닝 검색 엔진에 주어진 쿼리에 대한 이상적인 결과의 순서를 알려 주면 시스템에서 적절한 순위를 지정할 수 있습니다.
두 고객이 동일한 용어를 검색하더라도 찾는 정보는 다를 수 있습니다. 1월에 워싱턴주에서 “삽”을 검색한다면 아마도 4월에 조지아에 있는 사람과는 다른 유형의 삽을 찾고 있을 것입니다. 영업 담당자가 “판매 예측”을 검색할 때 임원 역할을 수행하는 사람과 다른 데이터를 찾는 것과 마찬가지입니다.
머신 러닝 기술은 이러한 차이점을 이해하고 검색을 보다 개인화할 수 있습니다.
관심사를 토대로 고객이나 직원을 식별하고 키워드를 기반으로 레이블을 할당합니다.
머신 러닝 모델이 기존 콘텐츠 범주 또는 부서와 해당 범주 또는 부서에 속하는 콘텐츠를 인식하도록 교육하십시오.
사용자가 결과를 찾지 못한 이유를 파악합니다. 사용자의 맞춤법이나 순서가 잘못되었거나 원하는 내용을 잘못 설명할 때 사용자 검색어를 수정합니다.
두 쿼리에서 하나의 단어나 문구가 다르고 해당 문구 또는 용어의 철자가 비슷한 경우 철자가 잘못되었을 가능성이 있습니다. 이러한 오류를 수정하여 철자가 틀린 쿼리가 올바른 결과를 반환할 헤드 쿼리와 일치하도록 합니다.
두 쿼리가 유사하고 유사한 컨텍스트에서 사용되거나 동의어를 포함하는지 감지합니다. 클릭률 측면에서 어떤 쿼리가 더 효과적인지 평가하고 다른 쿼리로 대체합니다.
세상에 인공적인 지능이란 없습니다. AI가 인간의 판단력을 대체하는 대신 그 판단력을 확장할 때 증강 기능은 현실이 됩니다.
머신 러닝과 검색 엔진을 결합하여 고객과 직원들에게 강력한 검색 환경을 제공하는 방법에 대해 알아보십시오.
군집화 및 분류 알고리즘이 어떻게 고객과 직원들의 검색 경험을 향상하는지 알아보세요.
제대로 작동하지 않는 쿼리에 짜증 내지 않을 사람은 없습니다. 헤드/테일 분석으로 막힘 없는 검색 환경을 제공하십시오.
사용자 행동은 끊임없이 자신이 좋아하는 것과 싫어하는 것을 말해주고 있습니다. 듣고 계신가요?
일부 사용자는 자신이 원하는 제품이 무엇인지 정확하게 알고 있습니다. 패싯 검색으로 각 사용자에게 더 정확한 검색 결과를 제공하세요.
최고의 검색 애플리케이션이라면 회사의 모든 데이터를 인덱싱해 사용자들에게 통합된 검색 환경을 제공할 수 있어야 합니다.
초 개인화는 사용자를 각각의 이름으로 부르는 것과 같습니다. 초 개인화 기술로 사용자가 진정으로 원하는 것을 찾아냅니다.
사람과 대화하는 방식으로 컴퓨터와 대화할 수 있다면 어떻게 될까요? 자연어 검색이 상상을 현실로 만듭니다.
