Italiano
I nostri dati mostrano che, per cercare un determinato prodotto, la maggior parte delle persone utilizza in media 1,5 parole. Con queste query brevi, purtroppo, le ricerche full-text fanno fatica a garantire risultati pertinenti. Sebbene l’uso dei filtri sia migliorato, spesso ce ne sono così tanti da creare confusione. Uno dei modi per rendere la ricerca più efficace è quello di utilizzare l’approccio “learning to rank”, capace di creare una classifica ottimale dei risultati. Tuttavia, anche questo metodo di apprendimento automatico non è onnipotente ed è per questo che abbiamo creato Query Understanding, un ottimo alleato dell’approccio “learning to rank”.
La ricerca full-text è molto performante se utilizzi query più lunghe, ad esempio quattro o più parole, o termini speciali, come il codice di un prodotto. In questi casi, di solito ti dà esattamente quello che stai cercando nella prima posizione o ti mostra una pagina “Nessun risultato trovato”. In ogni caso, entrambe le situazioni sono migliori rispetto a un elenco di risultati completamente irrilevanti, come spesso accade se utilizzi query più brevi ma riduci al minimo o escludi le parole uniche.
Come funziona la ricerca nel mondo reale
Ecco come la maggior parte delle persone effettua le ricerche. I nostri dati mostrano che, in media, le persone utilizzano 1,43 parole per ogni query (con una deviazione standard di +/- 0,58, calcolata oltre i nostri 150 clienti più attivi). Anche se abbiamo clienti con molte query basate solo sul codice prodotto (questo dipende dal dominio), la mediana delle query basate solo sul codice prodotto è solo del 2,9%.
Le persone che utilizzano query brevi e non specifiche sono il cardine dei problemi della tecnologia della ricerca full-text. Gli svantaggi della ricerca full-text sono gli stessi dei suoi principali vantaggi: può trovare qualsiasi cosa che corrisponda alla query, letteralmente ovunque. Per questo motivo, di solito trova centinaia o migliaia di risultati e lascia a chi cerca il compito di fare una selezione. Il punteggio del full-text, calcolato a partire da query brevi e non specifiche, non è sufficiente a produrre una classifica dei risultati più pertinenti.
Come devono reagire le aziende di e-commerce?
Ecco perché esiste il metodo “learning to rank”. Questo metodo basato sull’apprendimento automatico, che ordina i risultati in base a un valore numerico che rappresenta la loro pertinenza, combina il comportamento umano con le metriche del full text e crea una classifica ottimale dei risultati. Noi di Luigi’s Box abbiamo già incorporato questo meccanismo nei nostri tool di ricerca. Tuttavia, abbiamo notato che, nonostante sia molto utile, il “learning-to-rank” da solo non basta ad assicurare una ricerca efficiente. Per una query che viene visualizzata una volta al mese, è difficile imparare il giusto modello di ranking. E ci sono molti domini in cui le query di questo sono moltissime.
La soluzione sarebbe quella di spingere gli utenti ad affidarsi maggiormente ai filtri per restringere i risultati della ricerca in base a particolari parametri di loro interesse. Tuttavia, con i filtri le opzioni a disposizione possono essere davvero tante. Ad esempio, uno dei nostri clienti ha più di 2.000 parametri diversi (a seconda della categoria di prodotto) e quasi 19.000 valori diversi per tali parametri. È impossibile creare un’interfaccia intuitiva e semplice per tutti questi parametri.
È arrivata la Query Understanding
Il nostro approccio a questo problema consiste nel riconoscere l’intenzione di ricerca degli utenti e nel trasformare il numero massimo di termini della query in filtri a valore chiave. Ad esempio, se un utente digita “cuffie aperte”, riconosciamo automaticamente il filtro “Sistema acustico: aperto”, che di solito non è disponibile attraverso un’interfaccia a faccette standard, e informiamo l’utente che può disattivarlo se non gli interessa. Possiamo gestire qualsiasi parametro fra le migliaia disponibili e attivare filtri altrimenti non accessibili agli utenti quando il sistema ne riconosce la necessità.
Un caso particolare ma abbastanza frequente è quello in cui le persone cercano una categoria. In questo caso, li reindirizziamo alla pagina della categoria, portandoli così alla pagina (spesso curata manualmente) dove trovano anche i contenuti del sito di e-commerce dipendenti dal contesto, come banner, promozioni, ecc. In questo modo possiamo mostrare all’utente un risultato pertinente e le offerte attive!
La nostra funzionalità, Query Understanding, è in grado di riconoscere le categorie, i marchi e i parametri dei prodotti, il che aiuta i clienti a ottenere risultati più pertinenti per le query brevi. La funzione è disponibile per tutti i nostri clienti.
