El futuro de los motores de búsqueda: menos escritura, más contexto

El texto original proviene de Medium, escrito por Mat Devey

Enlace del texto original: panies-to-adopt-a-common-publishing-platform/?utm_source=wanqu.coamp; utm_campaign=Wanqu Dailyamp; utm_medium=website

La evolución de la búsqueda

En los últimos años, se ha producido un cambio de paradigma significativo en la búsqueda, y comprender al usuario final es fundamental para mejorando la experiencia de búsqueda.

En el pasado, la búsqueda simplemente hacía coincidir las palabras clave del cuadro de búsqueda con el texto indexado en la base de datos. El resultado es una serie de enlaces azules que pueden (o no) reflejar lo que el usuario realmente está tratando de encontrar.

Desde entonces, la Búsqueda ha madurado y se ha expandido más allá de las palabras clave para identificar conceptos y brindar respuestas y recomendaciones personalizadas. Al acumular continuamente comprensión de las conversaciones, los motores de búsqueda intentan comprender la intención del usuario y proporcionar resultados de búsqueda más relevantes.

¿Qué es un modelo de conversación?

En lugar de tratar las consultas de búsqueda como independientes y no relacionadas, el modelo de conversación combina consultas (que ocurren durante un período de tiempo) en "conversaciones".

Adoptar una vista holística (basada en sesiones), combinando cada interacción posterior, genera una comprensión más completa de la intención del usuario (sistema de retroalimentación bayesiano).

Por ejemplo, después de buscar a una persona, las consultas posteriores sobre edad y altura se considerarán relevantes para esa persona. Esto reduce los costos de búsqueda para los usuarios, creando una conversación sin fricciones entre los usuarios y los motores de búsqueda.

Aunque parezca sencillo, para conseguirlo los buscadores deben saber que la edad y la altura son atributos de una persona.

Continuar la conversación

Respuestas, confirmaciones (intenciones), desambiguación y sugerencias (incrementales [refinadas] y divergentes [horizontales]) Estos componentes se utilizan para promover el éxito continuo por primera vez. diálogo.

El siguiente ejemplo ilustra cómo estos componentes crean conversaciones significativas:

1. Respuesta

La "barra superior gris" muestra exactamente lo que estoy buscando. respuesta (en este caso el álbum de PJ Harvey). El formato de la respuesta suele ser flexible y depende del contexto (la columna de respuesta también puede mostrar definiciones de términos basadas en texto o conversiones de moneda).

2. Confirmación

Los resultados de la búsqueda y el gráfico de conocimiento "confirmaron" que el motor de búsqueda interpretó correctamente mi consulta. Esto es especialmente importante cuando hay varios contextos comunes (por ejemplo, la consulta "Apple" puede referirse tanto a una empresa como a una fruta).

3. Refinar conversaciones (sugerencias progresivas)

Promocionar conversaciones mostrando ocasionalmente las búsquedas progresivas (siguientes) más frecuentes.

4. Sugerencias divergentes

Ayude a descubrir y reducir la fricción de búsqueda proporcionando un proceso común (lateral) de "diálogo" de búsqueda.

Elimine los intermediarios

Como se muestra arriba, los Gráficos de conocimiento brindan respuestas instantáneas a una amplia gama de consultas (en lugar de enlaces a páginas que pueden contener respuestas).

Los gráficos de conocimiento a menudo predicen la siguiente consulta lógica (por ejemplo, cómo estará el tiempo hoy o mañana) y proporcionan formas interactivas sencillas de acceder fácilmente a esta información.

Google Knowledge Graph contiene más de 70 mil millones de datos sobre personas, lugares y cosas, además de idiomas, imágenes y traducciones de voz.

——Sundar Pichai, director ejecutivo de Google

Móvil, móvil, móvil

El creciente dominio de los dispositivos móviles ha tenido un enorme impacto en las búsquedas. El costo inherente del ingreso de texto ha llevado a un cambio de modelos de interacción de "escribir" a "modelos de interacción", y también ha llevado a un aumento en el número de búsquedas por voz; las "experiencias conversacionales" evolucionan naturalmente hacia conversaciones verdaderas.

Para nosotros, los tres mayores desafíos siguen siendo móvil, móvil y móvil.

——Amit Singh, ex vicepresidente senior de Búsqueda de Google

Escribe menos, haz clic en más

"Serendipity" es una forma de facilitar el ingreso de los usuarios al clave para la carga, y el comportamiento de búsqueda anterior puede ayudar a predecir las necesidades de búsqueda actuales.

Ejemplo de interacción de clic:

Mostrar búsquedas anteriores como sugerencias predeterminadas da como resultado una interacción efectiva de "doble clic".

Las respuestas relevantes se pueden mostrar con una entrada mínima (sólo unas pocas palabras), teniendo en cuenta factores como la ubicación del usuario y los patrones de búsqueda habituales.

Menos escritura, más conversación

La búsqueda por voz va un paso más allá (bajando el coste de la entrada del usuario) y se está volviendo cada vez más popular, especialmente entre los más jóvenes. Más del 20% de las búsquedas en Google y Bing se realizan por voz.

En respuesta a esta tendencia, Google invirtió mucho en tecnología de reconocimiento automático de voz... reduciendo la tasa de error del 80% al 20% y (en los últimos años) al 8% actual.

El futuro de las búsquedas

¿El futuro de las búsquedas es “menos búsquedas”?

A medida que los motores de recomendación y los asistentes virtuales continúan evolucionando, el modelo tradicional de cuadro de búsqueda "activo" está evolucionando hacia un modelo de descubrimiento "pasivo" (conversacional).

Las principales tendencias que impulsan este cambio son:

1. Búsqueda contextual

Los teléfonos móviles son particularmente buenos para proporcionar información contextual (como su ubicación); Hay alrededor de 60 restaurantes de Richmond en todo el mundo. Si busco "restaurantes de Richmond", los resultados muestran restaurantes en Melbourne, donde estoy. El contexto conversacional (como el ejemplo anterior "La edad y la altura de Iggy Pop") y el historial de búsqueda también pueden ayudar a establecer el contexto.

2. Búsqueda por voz

Como se mencionó anteriormente, el rápido desarrollo de la tecnología de reconocimiento de voz está haciendo que la entrada de voz pase de ser una nueva tecnología propensa a errores a convertirse en un método de entrada factible y eficaz.

3. Búsqueda conversacional

Los avances en inteligencia artificial nos permiten hablar con los buscadores/asistentes virtuales de una forma más intuitiva y humana.

¿Por qué ahora?

El cambio a los dispositivos móviles ha hecho que la información sea más accesible y ha aumentado su demanda, pero ha hecho que el acceso a la información sea menos conveniente (es inherentemente difícil interactuar con las pantallas pequeñas, especialmente cuando se realizan múltiples tareas. Esta deficiencia es más obvia) .

También hemos alcanzado un hito importante: Google ha indexado (y organizado) con éxito el conocimiento mundial, Facebook sabe más sobre ti de lo que pensabas y Amazon ha acumulado insights sobre los consumidores. Grandes cantidades de datos de comportamiento.

Grandes cantidades de datos generales y personales (fácilmente compartidos a través de API), junto con avances en el reconocimiento de voz, han permitido que los asistentes virtuales evolucionen desde un concepto interesante hasta una iniciativa viable. Igual de importante es que los asistentes virtuales son naturalmente compatibles con dispositivos móviles porque combinan una amplia gama de funciones en una interfaz cómoda y compatible con dispositivos móviles (y siempre están disponibles).

¿Qué sigue?

No hay forma de hacer una predicción 100 % segura, pero una teoría emergente es que la mayoría de los servicios digitales, incluida la búsqueda, convergerán en un puñado de aplicaciones de usuario ligeras ampliamente adoptadas (impulsadas por Facebook). ) a través de su plataforma, Google, Amazon, Apple y otros gigantes tecnológicos).

¿Por qué? eficiencia. Para los usuarios, aprender a utilizar innumerables aplicaciones resulta ineficiente y, a menudo, confuso. Es más barato para las empresas aprovechar las plataformas disponibles en el mercado y cada vez es más difícil seguir interactuando con aplicaciones personalizadas.

La última investigación de Forrester, una red de información de datos de Internet, encontró que el 84% del tiempo de uso de los teléfonos inteligentes por parte de las personas se dedica a 5 aplicaciones. ¿Tu aplicación es suficiente para convertirse en esa quinta indispensable?

¿Qué significa esto para los profesionales de UX?

Para diseñar una excelente experiencia de búsqueda, debemos considerar los siguientes factores:

Definir (y medir) el éxito

A diferencia de las experiencias de comercio electrónico (donde las ventas son claramente métricas de éxito medibles), las experiencias de búsqueda rara vez tienen resultados y acciones que representen claramente resultados exitosos.

Esto se ve agravado aún más por el cambio hacia la búsqueda que proporciona respuestas instantáneas (necesitamos discernir las buenas conversaciones de las malas) y el creciente dominio de los dispositivos móviles (ya no podemos utilizar el movimiento del cursor para reflejar las conversaciones del usuario). enfoque) complejo.

La medición de métricas se centra en el usuario

La ambigüedad inherente de las métricas de comportamiento ha llevado al uso de métricas como la ganancia acumulativa descontada (DCG) para medir la calidad de la clasificación en la recuperación de información. DCG involucra a miles de personas (a menudo de grandes poblaciones), mide la relevancia de los resultados de búsqueda (según criterios definidos) y luego combina estas puntuaciones para lograr significancia estadística.

Si bien sigue siendo importante medir la relevancia de un único conjunto de resultados, un modelo de conversación es una experiencia interactiva que ocurre a lo largo del tiempo (y de múltiples interacciones). Por lo tanto, medir la experiencia general refleja mejor el éxito real.

Las métricas de búsqueda de ejemplo incluyen:

1. Tasa de éxito de la sesión (SSR)

2. Tiempo de éxito (TTS)

3 Predicción de abandono de búsqueda basada en el contexto

4. Net Promoter Score (NPS)

Cómo probar/validar conceptos de búsqueda de forma más fiable

Pruebe la búsqueda utilizando resultados simulados. Los modelos generalmente no proporcionan mucha información y, en general, es imposible crear prototipos con resultados reales. Los resultados virtuales tienden a sufrir:

1. Reducción de la participación del usuario (después de todo, los resultados/respuestas son el motivo principal de la búsqueda).

a. Dificultad para evaluar si el tipo y la cantidad de información mostrada (para un único resultado de búsqueda) es óptima.

b. La interferencia de factores distintos de los resultados de la búsqueda afecta la precisión de los resultados de la búsqueda; también es fácil subestimar las reacciones de las personas cuando ven resultados de interés real.

2. Introducir confusión innecesaria

Si los resultados de la búsqueda no responden a la nueva consulta o a la optimización como se esperaba, las personas no pueden evitar preguntarse si el motor de búsqueda ha negado haber realizado la búsqueda. operaciones del usuario. Esto tiene el potencial de sesgar o invalidar las métricas y hacer que los usuarios pierdan confianza y/o dejen de usarlo.

Si no es posible realizar pruebas con resultados reales, las opciones posibles incluyen:

1. Compruebe si los modelos utilizados por otros sitios web o aplicaciones son lo suficientemente similares a los suyos como para poder usarlos como ¿alternativas?

2. Una vez que tengas el código funcional (preproducción), investiga más. La ronda inicial (y los resultados ficticios) al menos resuelven el problema de la baja disponibilidad.

3. Si utiliza software de creación de prototipos que admita contenido/variables dinámicas (como la herramienta de creación rápida de prototipos Axure), puede:

si los resultados esperados de la consulta son. Si es bastante predecible, el texto de la consulta (como variable) se ingresa en los resultados, lo que creará resultados que se aproximarán a los resultados reales. El "widget repetidor" de Axure ayuda a crear prototipos de experiencias de búsqueda interactivas y a reducir la cantidad de trabajo necesario para realizar cambios (a medida que se itera en el diseño).

b. Si es impredecible, simplemente convierta entre diferentes conjuntos de resultados (virtuales) para responder a la operación del usuario, y podrá proporcionarle comentarios (infórmele que se ha respondido a su operación, y también puedes explicar las limitaciones del prototipo).

El desafío de cumplir y superar las expectativas de los usuarios

Las expectativas de los usuarios han reflejado la rápida evolución de la tecnología (y las experiencias) de búsqueda. A medida que los motores de búsqueda comprenden mejor la intención, pueden responder a los términos de búsqueda más cortos (más vagos) de los usuarios, creando un “pico” evolutivo que es difícil de superar.

Además, si bien hemos visto avances en la "personalización aproximada" (por ejemplo, búsqueda teniendo en cuenta la ubicación de una persona), la "personalización fina" no ha evolucionado al mismo ritmo, claro está, las empresas de tecnología líderes. ya ha hecho grandes inversiones en él.

Por ejemplo, si compras un regalo (para otra persona), es probable que te hagan una recomendación de compra en base a ello. El equilibrio entre no responder con suficiente rapidez a las nuevas "tendencias" (perder oportunidades de negocio) y responder demasiado rápido (aburrir a los usuarios) es mucho más difícil de lo esperado.

Dilemas éticos

El seguimiento y la elaboración de perfiles de los usuarios permite a los motores de búsqueda aumentar la relevancia y reducir las aportaciones de los usuarios. Sin embargo, este tipo de personalización crea una “burbuja de filtro”, donde los usuarios ven un subconjunto limitado de resultados (que reflejan y refuerzan sus puntos de vista personales e inclinaciones políticas) en lugar de la imagen completa.

Curiosamente, el motor de búsqueda Duck Duck Go evita deliberadamente las burbujas de filtro. Piden explícitamente a los usuarios que aclaren su intención y muestren "todos" los resultados relevantes, en lugar de confiar en suposiciones derivadas de la actividad de búsqueda anterior del usuario.

Diferencias/Expectativas Culturales

A veces, las preferencias de información están influenciadas por la cultura. Por ejemplo, en China, ¡la gente está muy interesada en el tipo de sangre de las celebridades!

Conclusión

Si bien la experiencia de búsqueda ha mejorado significativamente, los avances en inteligencia artificial están impulsando la búsqueda hacia nuevas y emocionantes órbitas. El modelo "activo" tradicional está avanzando hacia experiencias "pasivas" imprevistas que anticipan y satisfacen perfectamente nuestras necesidades (que requieren una participación menos explícita del usuario).

A medida que pasamos de la "Era de la Información" a la "Era Inteligente", confiamos cada vez más en productos y servicios para satisfacer nuestras necesidades latentes, brindándonos información, consejos y recomendaciones que antes buscábamos "activamente".

¡El futuro de las búsquedas es, de hecho, "menos búsquedas"!