La cerca no es tracta només de concordar paraules clau, i això és encara més cert quan parlem de cerca semàntica.
La cerca semàntica consisteix a trobar la informació adequada per al cercador en el moment adequat.
Això va més enllà de trobar les paraules clau i els conceptes adequats i especular com interactuaran els cercadors amb els resultats.
La reclassificació de la intel·ligència artificial (IA) agafarà informació sobre les persones que vénen a cercar i adaptarà els resultats de la cerca a la persona.
Això es pot fer a nivell de cohort, canviant els resultats en funció de les tendències, l’estacionalitat i la popularitat.
També es pot fer individualment, canviant els resultats en funció dels desitjos del cercador actual.
Tot i que la reclassificació de l’IA no és fàcil d’implementar en un motor de cerca, aporta un valor desmesurat per a les conversions i la satisfacció del cercador.
Reclassificació amb intel·ligència artificial
La reclassificació basada en IA pot millorar els resultats de la cerca, independentment de l’algoritme de classificació subjacent que utilitzi un motor de cerca.
Això es deu al fet que els bons resultats de cerca són més que una rellevància textual i mètriques empresarials com la popularitat bruta.
Els bons resultats tenen en compte altres senyals i ho fan a nivell de consulta.
Per veure per què això és important, centrem-nos en la mètrica empresarial de popularitat.
És un bon senyal de classificació general, però pot quedar curt per a consultes específiques. Una consulta de cerca de “vestit vermell” pot mostrar als primers resultats dos vestits diferents: “vestit sense esquena amb accents vermells” i “vestit d’estiu de vermell brillant”.
El vestit sense esquena podria ser més popular com a vestit i producte general.
Però en aquest cas, concretament, no és el que volen els clients.
Volen un vestit vermell, no un amb accents vermells, i fan clic i compren en conseqüència.
El motor de cerca no hauria de prendre això com un senyal per classificar el vestit d’estiu més alt?
Analítiques de cerca
Com mostra l’exemple anterior: és necessari comprendre què estan fent els cercadors per tornar a classificar.
Els dos esdeveniments més habituals per fer un seguiment són els clics i les conversions.
En general, aquests són els dos únics esdeveniments necessaris i han de ser esdeveniments procedents de la cerca.
L’exemple anterior també destaca una altra consideració important: els esdeveniments haurien d’anar lligats a consultes específiques.
Això permet que el motor de cerca aprengui de la interacció entre els diferents conjunts de resultats i les interaccions dels usuaris. Impulsa el vestit d’estiu més amunt als resultats de la cerca de la consulta “vestit vermell”.
El mateix producte pot ser menys popular per a altres consultes que els seus veïns.
Quan mireu els vostres diferents esdeveniments, també voldreu ponderar-los de manera diferent.
Fer clic en un resultat és un signe d’interès mentre que fer una compra (o qualsevol altra mètrica de conversió) és un signe de compromís.
La classificació hauria de reflectir-ho.
La ponderació no ha de ser complexa.
Podeu dir que les conversions valen un doble clic.
Hauríeu de provar la proporció adequada per a la vostra pròpia cerca.
També és possible que vulgueu descomptar els esdeveniments en funció de la classificació dels resultats en el moment que el cercador ho va veure.
Sabem que a la posició del resultat influeix en el seu percentatge de clics (CTR).
Sense descomptar els esdeveniments, és possible que tingueu una situació en què els millors resultats es tornen encara més consolidats perquè obtenen més interaccions, que els mantenen classificats més alts, i es repeteixen infinitament.
Frescor i estacionalitat
Una manera senzilla de combatre aquest bucle que s’autoenforteix és descomptant els esdeveniments en funció del temps transcorregut des de l’esdeveniment.
Això passa perquè cada esdeveniment que es va produir en el passat té un impacte cada cop més petit en el reclassament. És a dir, fins que, en algun moment, no té cap impacte.
Per exemple, podeu dividir l’impacte de cada esdeveniment per dos, cada dia, durant 30 dies. I després de 30 dies, deixeu d’utilitzar l’esdeveniment per a la classificació.
Un bon avantatge d’utilitzar la frescor a l’algoritme de reclassificació és que també introdueix estacionalitat als resultats.
No només deixes de recomanar vídeos que eren molt populars fa anys, sinó que són avorrits per a la gent d’avui; també recomanaràs vídeos d'”aprendre a nedar” a l’estiu i vídeos d'”aprendre a esquiar” a l’hivern.
YouTube té l’estacionalitat i la frescor integrades al seu algorisme precisament amb aquesta finalitat.
Ús de senyals per tornar a classificar
Ara que teniu els senyals i els decau amb el temps, podeu aplicar-los als resultats de la cerca.
Quan veiem “intel·ligència artificial”, sovint pensem en alguna cosa increïblement complexa i inescrutable.
La IA, però, també pot ser tan senzill com agafar dades al llarg del temps i utilitzar-les per prendre decisions, com estem fent aquí.
Un enfocament fàcil és prendre un cert nombre de resultats i simplement tornar-los a classificar en funció d’una puntuació.
Per raons de rendiment, aquest nombre de resultats generalment serà bastant petit (10, potser 20). A continuació, classifica-los per puntuació.
Com hem comentat anteriorment, la puntuació podria ser tan senzill com sumar el nombre de conversions per dues, més el nombre de clics.
L’addició d’una funció de decadència fa que sigui més complexa, igual que el descompte basat en la posició del resultat, però s’aplica el mateix principi general.
Aprenent a classificar
Un inconvenient d’aquest sistema de reclassificació és que esteu limitat a tornar a classificar un nombre més petit de resultats.
Si teniu un resultat que d’una altra manera seria popular però que no ocupa un lloc alt, aquest resultat no rebrà l’atenció que mereix.
Aquest sistema també requereix esdeveniments als registres i les consultes que voleu tornar a classificar.
No funcionarà per als llançaments de productes nous o contingut generat per l’usuari (UGC) que sovint entra i surt de l’índex de cerca.
Aprendre a classificar (LTR) pot solucionar aquests problemes.
Igual que la reclassificació que hem comentat anteriorment, LTR també funciona basant-se en la idea que els registres amb els quals interactuen els cercadors de registres són millors que els que no ho fan.
El mètode de reclassificació anterior funciona augmentant o enterrant els resultats directament quan està vinculat a una consulta específica.
Mentrestant, LTR és molt més flexible. Funciona augmentant o enterrant els resultats en funció d’altres resultats populars.
LTR utilitza aprenentatge automàtic per entendre quines consultes són semblants (p. ex., “videojocs” i “consola de jocs”).
A continuació, pot tornar a classificar els resultats de les consultes menys populars en funció de les interaccions amb les més habituals.
LTR no només generalitza en consultes; també es generalitza en els registres.
El model LTR aprèn que un determinat tipus de resultat és popular; per exemple, el joc de Nintendo Switch “Legend of Zelda: Breath of the Wild”.
Aleshores, pot començar a connectar-se a altres resultats similars (per exemple, “Legend of Zelda: Skyward Sword”) i augmentar-los.
Per què, aleshores, no només utilitzeu LTR si sembla ser molt més potent que la vostra reclassificació típica i proporciona més cobertura de consultes i registres?
(En altres paraules: es generalitza millor.)
En resum, LTR és molt més complex i necessita una experiència interna més especialitzada en aprenentatge automàtic (ML).
A més, és més difícil entendre per què determinats resultats es classifiquen en determinats llocs.
Amb el primer tipus de reclassificació, podeu veure el nombre de clics i conversions al llarg del temps d’un registre en comparació amb un altre.
Mentrestant, amb LTR, teniu un model ML que fa connexions que potser no sempre són òbvies.
(“Breath of the Wild” i “Sonic Colors” són realment tan semblants?)
Personalització
Tot i que el canvi de classificació funciona a tots els cercadors, la personalització és el que sembla: personal.
L’objectiu de la personalització és agafar resultats que ja són rellevants i tornar-los a classificar en funció dels gustos personals.
Tot i que hi ha un debat sobre com els agrada als cercadors web Google utilitza la personalització en els seus resultatspersonalització sovint afecta el rendiment dels resultats en motors de cerca in situ.
És un mecanisme útil per augmentar les interaccions de cerca i les conversions de la cerca.
Analítiques de cerca
Igual que amb el canvi de classificació, la personalització depèn de la comprensió de com interactuen els usuaris amb els resultats de la cerca.
En fer el seguiment dels clics i de les conversions, tindreu una idea més clara del tipus de resultats que l’usuari vol veure.
Una diferència significativa entre el canvi de classificació i la personalització en aquest front és que, en funció de la vostra cerca, és possible que vulgueu ajustar com apliqueu la personalització.
Per exemple, si veneu queviures, definitivament voleu recomanar productes comprats anteriorment.
Però si el vostre lloc web ven llibres, no voldreu recomanar un llibre que un client ja hagi comprat. De fet, fins i tot potser voldreu moure aquests llibres cap avall als resultats de la cerca.
També és cert, però, que no hauríeu de pressionar tant la personalització que els usuaris només vegin allò amb què han interaccionat abans.
La cerca facilita tant la recerca com la descoberta. Per tant, si tornen a la barra de cerca, hauríeu d’estar obert a la possibilitat que vulguin veure alguna cosa nova.
No classifiqueu els resultats exclusivament mitjançant la personalització; fer-ho una barreja amb altres senyals de classificació.
Igual que amb el canvi de classificació, la personalització també es beneficia de la decadència de l’esdeveniment.
Disminuir l’impacte dels esdeveniments més antics fa que una cerca representi amb més precisió els gustos actuals d’un usuari.
D’alguna manera, podeu pensar-ho com una estacionalitat personal.
Personalització entre usuaris
El tipus de personalització que hem vist fins ara es basa en les interaccions pròpies d’un individu, però també podeu combinar-la amb el que fan els altres dins de la cerca.
Aquest enfocament mostra un impacte desmesurat en situacions en què l’usuari no ha interactuat abans amb els elements dels resultats de la cerca.
Com que l’usuari no interacciona amb els elements de resultats de la cerca, per definició no podeu augmentar ni enterrar en funció d’interaccions anteriors.
En lloc d’això, podeu mirar usuaris que són similars a l’usuari actual i després personalitzar-los en funció del que han interaccionat.
Per exemple, suposem que tens un usuari que mai no ha vingut a buscar-te vestits però que ha comprat moltes bosses de mà.
Després, pots buscar altres usuaris que tinguin gustos similars i també hagin interactuat amb vestits.
Intuïtivament, a altres clients que els agradi el mateix tipus de bosses de mà que el nostre cercador també haurien d’agradar els mateixos vestits.
Reclassificació i personalització per al descobriment
La cerca és només un exemple d’on el canvi de classificació i la personalització poden tenir un impacte. També podeu utilitzar aquestes mateixes eines per al descobriment.
El secret és pensar en el teu pàgina d’inici i pàgines de categories com a resultats de la cerca.
Aleshores, està clar que podeu utilitzar les mateixes eines que feu servir per a la cerca i obtenir els mateixos beneficis.
Per exemple, una pàgina d’inici és semblant a una pàgina de cerca sense cap consulta, no? I una pàgina de destinació de categoria segur que sembla una pàgina de cerca amb un filtre de categoria aplicat.
Si afegiu personalització i reclassificació a aquestes pàgines, poden ser menys estàtiques. Serviran als usuaris allò que prefereixen veure i poden augmentar els articles que són més populars entre els clients en general.
I no us preocupeu, la personalització i la reclassificació es poden barrejar amb les decisions editorials d’aquestes pàgines o dins de la cerca.
La millor manera de gestionar-ho és fixant els resultats desitjats en determinats llocs i tornar a classificar-los.
Hem vist que la personalització i el canvi de classificació són dos enfocaments que prenen les interaccions dels usuaris amb senyals rellevants per millorar la cerca.
Podeu deixar que la vostra base d’usuaris influeixi en el resultat mitjançant les interaccions.
A poc a poc, aquestes interaccions indiquen al motor de cerca quins articles haurien de tenir un rànquing més alt.
En última instància, els cercadors es beneficien d’una millor experiència de cerca, i vostè beneficia de més clics i conversions.
Més recursos:
Imatge destacada: amasterphotographer/Shutterstock
