Back to top

Big Data, Personalisierung und "Suche ohne Suche" in der Zukunft

Die Zukunft der Suche liegt in der Personalisierung

Wir haben uns schon immer Gedanken gemacht, wie mehr Personalisierung in die Suche einfließen kann. Bisher gibt es aber nur sehr wenige Beispiele, in denen dies wirklich umgesetzt wurde.

Der Hauptgrund dafür liegt wohl darin, dass sich Personalisierung bisher immer eher zufällig angefühlt hat: Bisher wurden nur Parameter für die Relevanzbewertung angepasst, basierend auf dem Standort, der Suchhistorie, der Arbeitsbeschreibung usw. Woher weiß man, ob man die Ergebnisse damit verbessert oder verschlechtert? Vielleicht denken wir ja nur, dass unsere durch Personalisierung optimierten Ergebnisse dem Benutzer helfen, während sie ihn in Wirklichkeit eher irritieren?

Aber es hat sich viel geändert.

Google bietet inzwischen personalisierte Suchen. Und was Google macht, das macht der Rest der Welt nach.

Außerdem werden inzwischen auch personalisierte Ergebnisse in Benutzeroberflächen eingebaut. Die Personalisierung wird zu einer Grundanforderung.

Inzwischen haben wir Big Data, und damit statistisch gestützte Prozesse zur Optimierung der personalisierten Ergebnisse. Wir können jetzt Formeln erstellen und uns sicher sein, dass sie die Benutzererfahrung verbessern und einen positiven ROI bieten.

Und schließlich erstellen wir inzwischen unsere eigenen Relevanzmodelle und bauen diese direkt in die Suchmaschine ein (mit benutzerangepassten Suchoperatoren), so dass die von der Suchmaschine gelieferten Ergebnisse direkt automatisch nach der Wahrscheinlichkeit ihrer Relevanz geordnet werden. Diese Relevanzmodelle sind zwar nicht in allen Suchmaschinen verfügbar, werden aber immer leistungsfähiger und fortgeschrittener. Es handelt sich dabei nicht mehr um einfache ADD und MUL-Operatoren in TF/IDF, sondern um Funktionen und mathematische Ergebnisse, einschließlich Vektor-Vergleichen.

Daher treten wir jetzt in das Zeitalter der personalisierten Suche, Big Data und "abgleichenden Suchmaschinen" ein.

 

Der Weg zur Personalisierung

Search Technologies nutzt schon seit einiger Zeit Big Data und maschinelle Lernverfahren, um Suchergebnisse zu verbessern. Seit neustem erforschen wir auch Möglichkeiten, diese Techniken für die Personalisierung einzusetzen. Weiterhin glauben wir daran, dass die Personalisierung hierdurch von einem Vorgang des zufälligen Ausprobierens hin zu einem statistisch belegten, datengestützten Prozess verschoben wird, der einen konsistenten und messbaren ROI liefern wird.

Unserer Meinung nach erfordert es daher zwei Schritte, um die Personalisierung umzusetzen:

 

Schritt 1:  Historische Daten verwenden, um statistische Modelle zu erstellen

Für diesen Schritt ist es notwendig, historische Daten von allen Benutzern zu sammeln und diese in einem Big Data-Framework zu nutzen, um statistische Modelle zu entwickeln, die die Wahrscheinlichkeit bestimmen, dass ein Benutzer ein Element (Dokument, Website, Produkt, Ziel usw.) nützlich findet.

Dieser Prozess wird zyklisch vorgenommen, mit Schritten zur Auswertung bei jedem Verbindungspunkt:

 "Signale" im oben genannten Prozess können Vektoren, Skalare, Cluster, Kategorien usw. sein, die so viele Dimensionen der Personalisierung wie möglich repräsentieren und hochgradig mit der Wahrscheinlichkeit der Interessen korrelieren. Dabei muss man bedenken, dass ein gutes Signal in der Regel mehr als 90% des gesamten Aufwands im Projekt ausmacht.

Man muss auch bedenken, dass es sich hierbei um einen fortwährenden, zyklischen Prozess handelt, der bei jedem Schritt ausgewertet werden muss. Hierbei handelt es sich um einen Prozess des Data-Minings, der ein tiefes Verständnis der verschiedenen Benutzertypen und des vom System gebotenen Contents erfordert. Einblicke führen zu statistischen Modellen, die zu weiteren Einblicken führen, die wiederum zu besseren Modellen führen. All dies ist ein fortlaufender Prozess der Optimierung und gesteigerten Relevanz.

 

Schritt 2:  Personalisierung implementieren

Sobald zutreffende, bestätigte statistische Modelle für die Personalisierung verfügbar sind, müssen diese in Echtzeit eingesetzt werden, um die Ergebnisse für die einzelnen Benutzer zu personalisieren. Dies geschieht wie folgt:

Idealerweise sollten alle diese Schritte vorgenommen werden, während der Benutzer sich durch das System bewegt. Historische Daten werden mit Daten der ersten Verbindung kombiniert und bei jedem Ereignis (Klick, Suche, Kauf usw.) dem Modell hinzugefügt, um so einen neuen Satz Signale zu erstellen, die der Suchmaschine für Search and Match hinzugefügt werden.

In der Praxis kann es jedoch vorkommen, dass einige Signale zu rechenintensiv werden, als dass sie noch in Echtzeit berechnet werden könnten. Daher müssen diese im Hintergrund berechnet werden, beispielsweise als periodisch ausgeführter Batchprozess, der Signale für den nächsten Besuch des Benutzers im System vorbereitet.

Das ist die entscheidende Stelle. Es ist von höchster Bedeutung, Signale von hoher Qualität zu generieren, die den Interessen des Benutzers entsprechen und die in Echtzeit berechnet werden können. Hierfür sind Einfallsreichtum, Geduld und ständige Auswertung erforderlich.

 

Eine neue Art der Suche

In diesen neuen, hyper-personalisierten Welt gibt es keine traditionellen Suchen mehr, bei denen der Benutzer einfach nur ein paar Stichwörter eingibt und Dokumente geliefert bekommt, die zu dieser Abfrage passen.

Wir erstellen jetzt "Signale" und ordnen den Content in Echtzeit diesen Signalen zu. Signale können sein:

  • Gewichtete Vektoren von Token
    • Diese können Listen von Produkten, Listen der angeklickten Elemente, Listen von Kategorien, von Branchensektoren oder thematischen Interessensgebieten usw. sein.
    • Elemente in dieser Liste werden gewichtet, um ihre geschätzte Bedeutung für den Benutzer anzugeben.
  • Einfache eindimensionale Skalare
    • Angaben wie die Zeiteinstellung des Systems, Datum und Zeit der letzten Interaktion, Anzahl der Interaktionen, Interaktionen pro Sekunde usw. sind auf allen Systemen verfügbar.
    • Andere Implementierungen umfassen Zahlen wie Gehalt, Alter, gesamte Ausgaben, durchschnittliche Ausgaben pro Jahr, Anzahl der gekauften Produkte usw.
  • Komplexe, mehrdimensionale Skalare
    • Diese Kategorie umfasst mehrdimensionale Faktoren wie etwa den Standort (Längen- und Breitengrad).

Und natürlich die Suchbegriffe, die der Benutzer eingibt.

Diese Signale werden zu einer Prognoseformel kombiniert, die über die statistische Analyse durch Big Data bestimmt wird. Die Formel kombiniert die Signale (oft über nicht-lineare Methoden wie Entscheidungsbäume oder Support Vector Machines), um eine einzelne Prognose der Wahrscheinlichkeit der Relevanz zu erstellen. Diese wird als Prozentsatz zwischen 0,0 und 1,0 ausgegeben, der die geschätzte Wahrscheinlichkeit angibt, dass der Benutzer den Content relevant finden wird.

 

Personalisierung erfordert Daten zur Person

Der empfohlene Prozess zur Personalisierung von Suchergebnissen (siehe oben) beginnt damit, so viele Daten wie möglich über alle Benutzer zu sammeln.

Idealerweise sollten alle möglichen Interaktionen mit allen Benutzern von allen Quellen überwacht, aufgezeichnet, gesammelt, bereinigt und normalisiert werden. Diese werden dann angesammelt zu einer Reihe Signale, die eine Ansicht des Benutzers erstellen, die dann in der Suche verwendet werden kann.

Hierbei sollten so viele der folgenden Elemente wie möglich enthalten sein:

  • Persönliche Daten
    • Aktueller Standort, Heimatstandort, Alter, Geschlecht, erstes Kontaktdatum usw. (Alles, was verfügbar ist und gesammelt werden darf)
    • Wenn es sich bei dem Nutzer um einen Mitarbeiter handelt, kann dies auch Geschäftsdaten des Mitarbeiters umfassen, wie z.B. die Unternehmenszugehörigkeit, der Standort des Büros, der zuständige Manager, die Geschäftseinheit, die Bürogruppe, die Berufsbezeichnung usw.
  • Aktivitäten auf der Website (angesehene Seiten, angesehene Elemente)
  • Aktivitäten auf anderen Websites oder Webseiten
    • Klicks auf Werbung, Referral-Links, Partner-Angebote usw.
  • Käufe von digitalen Quellen und traditionellen Quellen
  • Kenntnisse über Gruppenmitgliedschaften, wenn verfügbar, sowie Verständnis der Gruppentätigkeiten
    • Beispiel: Ob der Benutzer Mitglied einer Organisation ist, einer sozialen Gruppe, einer Bürogruppe, eines ISP usw.
  • Aktivitäten von externen Quellen (soziale Medien, öffentliche Informationen)
  • Aktivitäten in anderen Geschäftssystemen und -anwendungen

Auf einmal haben wir zu viel Daten statt zu wenig Daten! Wenn wir die gesamte Online-Historie eines Benutzers bedenken, jeden Klick, jeden Kommentar, jedes Dokument, jede heruntergeladene App, alle früheren Suchen usw., haben wir eine enorme Menge Daten, die untersucht werden können, um mehr über diese Person zu erfahren.

All diese Daten werden in "Abfragen" umgewandelt. Dabei sind diese "Abfragen" nicht Abfragen im traditionellen Sinne (also eine Reihe Stichwörter), sondern eine Reihe Signale, Vektoren und Kategorien/Clusterzuweisungen, die zusammen eine gesamtheitliche Repräsentation des Benutzers bilden, die gemeinsam mit der Abfrage des Benutzers für die Relevanzbewertung der Ergebnisse basierend auf persönlichen Interessen genutzt wird.

Suche, nicht Batch

Viele Unternehmen verfolgen Elemente der Personalisierung durch Vorverarbeitung. Dazu nutzen sie Hadoop Big Data-Maschinen, um alle Benutzer und Interaktionen in großen Batchaufgaben zu analysieren und damit passende Produkte und Content für die Benutzer zu bestimmen. Ein gutes Beispiel für diesen Ansatz sind Empfehlungsdienste.

Die Suche hat auch in der Welt der "Batches" ihren Platz, wird aber primär für das Durchsuchen der bereits vorbereiteten Ergebnisse verwendet, nicht für echte Relevanzbewertung.

 

Suche für dynamische Personalisierung nutzen

Der Ansatz der Batchverarbeitung bietet ein großes Problem: er ist nicht dynamisch. Er hängt von Berechnungen an Big Data ab, die jeden Abend oder an jedem Wochenende erneut vorgenommen werden. Das kann jedoch ein Problem für all jene Benutzer darstellen, für die noch keine Daten im System vorliegen, oder für diejenigen, deren letzte Aktivitäten von den historischen Mustern abweichen (was wohl für die meisten Menschen zutrifft - wie häufig kommt es schließlich vor, dass man immer und immer wieder zur gleichen Seite geht und die gleichen Aktionen vornimmt).

Weiterhin wird hierdurch nur ein enger Ausschnitt des Inputs betrachtet (die Aspekte, die in großem Maßstab mathematisch bestimmbar sind), statt der Gesamtsumme der Aktivitäten eines Benutzers (einschließlich der verschiedensten Signale und Dimensionen).

Die Suche löst diese Probleme, indem dynamische Abfragen erstellt werden, die sich auf die aktuellsten Aktivitäten des Benutzers konzentrieren. Während der Benutzer seinen Weg durch das System beschreitet, wird ein fortlaufendes und klick-aktuelles Profil von Vektoren, Signalen, Kategoriezuordnungen usw. erstellt, über welches die Relevanzbestimmung für jeglichen Content für diesen Benutzer vorgenommen wird.

 

Viel mehr als einfach nur "Suche"

Wenn man von Suchmaschinen redet, denken die meisten Menschen an "nach etwas suchen", im Sinne von "mir fehlt etwas und ich schlage es nach".

Aber diese Definition der Suche ist viel zu eingeschränkt für die Aufgaben moderner Suchmaschinen. Das Wort "Suche" schränkt uns bereits ein, verhindert, dass wir das wahre Potenzial dieser Maschinen erkennen.

Was wir als "Suchmaschinen" bezeichnen sind genauer genommen Zuordnungsmaschinen in enormem Maßstab. Sie verbinden eine Beschreibung eines gewünschten Ziels mit einer riesigen Datenbank möglicher Antworten. All dies geschieht im Bruchteil einer Sekunde (oder zumindest in wenigen Sekunden), auch bei umfangreichem und komplexen Input.

Weiterhin kann die Beschreibung, die diesen Maschinen geliefert wird, umfangreich, komplex, schlecht formuliert, unvollständig und sogar teilweise fehlerhaft sein. Die Zuordnungsmaschine wird die besten Entsprechungen liefern, die sie finden kann, die Ergebnisse, die am wahrscheinlichsten den Interessen des Benutzers entsprechen.

 

Die Zukunft der Suche ist "ohne Suche"

Die Personalisierung ist deshalb für uns so wichtig, weil sie ein zentraler Geschäftsprozess ist, der einen kritischen Trend in der Branche der Suchmaschinen anspricht.

Suchabfragen werden immer kleiner:

  1. 1970 – 1993:  Große, komplexe boolesche Abfragen
  2. 1993 – 2010:  Zwei bis drei Stichwörter
  3. 2010 – Heute:  Zwei bis drei Buchstaben
  4. In der Zukunft:  Gar nichts

Wirklich wahr! Es wird so kommen:

Die Zukunft der "Suche" bedeutet "keine Suche".

Dabei meine ich natürlich nur die durchschnittliche Nutzung für die am häufigsten vorkommenden Anfragen. Schließlich kommen ja auch heute noch große und komplexe boolesche Abfragen vor, etwa im Kontext akademischer Suchen oder fachspezifischen Wissensdatenbanken. Aber die meisten Menschen erwarten heutzutage, dass sie nicht mehr als einige Stichwörter in ein Suchfeld eingeben müssen.

Inzwischen geht es sogar soweit, dass nur noch die ersten Buchstaben der Suche in das Suchfeld eingegeben werden. Passende Suchbegriffe oder entsprechende Ergebnisse werden direkt in einem Drop-Down-Menü unter dem Suchfeld angezeigt. Diese Funktion hat viele verschiedene Namen (eigentlich sollte man da mal einen allgemeinen Begriff finden), wie z.B. "Textvervollständigung", "Abfrageerweiterung", "Vorausschauende Suche" oder "Suchvorschläge".

Also sind wir von Abfragen mit Hunderten von Zeichen zu Abfragen mit nur einigen wenigen Zeichen gelangt. Wie war das möglich? Die Antwort ist einfach: Relevanzbewertung. Je geringer die in der Abfrage enthaltenen Informationen werden, desto dringender benötigen die Systeme eine verlässliche Relevanzbewertung.

In so einer Umgebung kann man nur erfolgreich sein, wenn man: 1) viele Daten sammelt; 2) Big Data nutzt, um die Bedürfnisse der Benutzer zu verstehen; und 3) qualitativ hochwertige probabilistische Relevanzmodelle implementiert.

Nur so kann man Abfragen handhaben, bei denen der Benutzer gar nicht erst seine Suche eingeben muss.

 

Suche ohne Suchfeld:  Auf dem Weg zur "Suche ohne Suche"

Es gibt zwei Möglichkeiten, eine "Suche ohne Suche" zu erstellen:

  1. Input aus anderen Quellen sammeln (Quellen außer dem Suchfeld).
  2. Einen herausragenden Algorithmus der Relevanzbewertung erstellen, unter Einbeziehung von Personalisierung und Big Data.

Sobald diese beiden Schritte erledigt sind, kann die gesamte Datenbank nach Relevanz geordnet werden. Auf diese Art können wir Suchergebnisse liefern, ohne überhaupt eine Suche zu benötigen.

So schaffen wir die "Suche ohne Suche". Die Benutzer müssen keine Suchanfrage mehr eingeben. Stattdessen ordnet die Maschine einfach die gesamte Datenbank (jedes einzelne Dokument) nach den Interessen des Benutzers und liefert ihm die Ergebnisse.

 

Auswirkungen der "Suche ohne Suche"

Das Suchfeld komplett abzuschaffen hat große Auswirkungen auf die Geschäftsstruktur und die Beziehung zwischen Nutzer (Kunde oder Mitarbeiter) und Unternehmen. Eine umwälzende Änderung, die unzählige neue Möglichkeiten eröffnet.

Von Passiv/Pull zu Aktiv/Push (Änderung der Beziehung)

Es ist nicht länger notwendig, darauf zu warten, dass der Nutzer selbst eine Suche vornimmt. Stattdessen liefert man ihm direkt die Ergebnisse des Search and Match.

Wenn der Nutzer ein interner Mitarbeiter ist, muss dieser Mitarbeiter nicht mehr aktiv suchen. Er erhält automatisch Ergebnisse, die zu seiner Tätigkeit passen, wann immer er diese benötigt. Schulungen zu Methoden des effektiven Suchens werden überflüssig. Prozesse werden einfacher.

Im aktuellen System muss sich der Mitarbeiter hinsetzen, überlegen, was er benötigt, und dann die Suche nach diesen Materialien vornehmen. Im neuen System wird dem Mitarbeiter automatisch angegeben, welche Aufgaben anstehen und welche Materialien er dafür benötigt.

Wenn der Nutzer ein Kunde ist, werden die Schwellen gesenkt und der Zugang zu Content und Produkten unmittelbarer gestaltet. Der Kunde muss nicht länger seine Suche ausformulieren, eingeben und einreichen. Stattdessen erhält er die relevanten Ergebnisse direkt als normalen Vorgang. Der Benutzer geht seinen alltäglichen Tätigkeiten nach und erhält dabei automatisch hochgradig zielgerichtete Informationen, die für ihn höchstwahrscheinlich relevant sein werden.

Zu einem System der kontinuierlichen Verbesserung wechseln (Änderung der Geschäftsstruktur)

Die meisten Unternehmen heutzutage werden durch ihre "Projektorientierung" behindert. Projekte werden innerhalb des Unternehmens bestimmt, ausgearbeitet, geschätzt und umgesetzt. Ihr Budget wird auf das Geschäftsjahr bezogen festgelegt, dann werden sie implementiert, komplettiert und in den produktiven Betrieb genommen.

Das Problem mit diesem Ansatz zeigt sich an zwei Stellen: 1) Digitale Daten für die Personalisierung verstehen und nutzen ist eine schwere Aufgabe, die eine substanzielle Menge Datenforschung, Data-Mining und Experimentieren erfordert. 2) Geschäftsumgebung und Nutzer ändern sich ständig, so dass sich auch die Algorithmen mitändern müssen.

Daher empfehlen wir Unternehmen, sich auf einen fundierten, fortlaufenden Prozess der metrischen Analyse (maschinelles Scoring) und kontinuierlichen Verbesserung einzulassen. Statt einem "Suchprojekt" empfehlen wir einen "Prozess der fortlaufenden Verbesserung / Personalisierung der Suche". Nur mit solch einem Prozess können Unternehmen das volle Potenzial abrufen, das sich durch tiefes Verständnis und die Fähigkeit der Prognose der Nutzer bietet.

Kontrolle der Nutzer aufgeben (Änderung der Beziehung)

Typische Reaktionen, wenn wir den Ansatz präsentieren, die Interaktion mit dem Benutzer durch den Computer optimieren zu lassen, sind:  "Dem Computer überlassen, welche Produkte gezeigt werden? Wie die Website aufgebaut wird? Das ist doch Wahnsinn!" Die meisten Unternehmen können sich nur schwer mit dem Gedanken anfreunden, die Kontrolle darüber, was dem Benutzer wann und wie gezeigt wird, an eine abstrakte Maschine der Relevanzbewertung abzugeben.

Aber man darf das nicht so sehen. Die Maschine (wenn sie ordnungsgemäß funktioniert) ist schließlich nur eine mathematische Repräsentation des Benutzers und seines Nutzungsverhaltens. Sie ist gewissermaßen ein Spiegel des Benutzers, der seine Absichten basierend auf seiner digitalen Aktivität und seinen digitalen Interaktion wiedergibt.

Daher ist es also nicht wirklich die "Maschine", die entscheidet, sondern der Nutzer selbst. Die Maschine reflektiert nur die bislang ausgedrückten Interessen des Nutzers. Daher wird nicht wirklich die Kontrolle an eine Maschine der Relevanzbewertung abgegeben, sondern gewissermaßen an den Nutzer selbst. Man gesteht ihm zu, dass er selbst bestimmt, was er will. In dieser Welt ist der Benutzer König (oder Königin oder Prinzessin), die Maschine ist optimiert, dem Benutzer zu geben, was er will.

Aber dennoch haben große, traditionelle Unternehmen der Einzelhandelsbranche oder des produzierenden Gewerbes Schwierigkeiten, sich mit dieser neuen Dynamik anzufreunden. Sie beschäftigen schließlich Experten, die den Aufbau des Geschäfts entwerfen, die Platzierung und Priorität der Produkte bestimmen, die dem Kunden präsentiert werden, die Ordnung der Produktpackungen im Regal festlegen usw. Dieser Ansatz wurde auf die digitale Welt ausgeweitet, so dass die Unternehmen denken, sie müssten alle Aspekte ihrer Website und ihres mobilen Internetauftritts manuell kontrollieren.

Das Problem ist aber, dass die digitalen Interaktionen zu umfangreich und zu komplex sind, als dass Menschen alle verborgenen Implikationen erkennen könnten. Traditionell hat man Videoaufnahmen von Kunden untersucht, deren Verhalten im Geschäft analysiert. Über Monitore konnten Fokusgruppen beobachtet werden, um zu sehen, wie diese mit den Produkten interagieren.

Strategien dieser Art funktionieren in der digitalen Welt nicht, in der jede Website von einem Augenblick auf den nächsten Millionen von Kundeninteraktionen sehen kann. Von solchen Datenmengen überrollt kann ein manueller Ansatz der Fülle der Interaktionen nicht nachkommen und alle Vorgänge, Nutzungsbeispiele und persönlichen Ziele erfassen. Nur eine Maschine kann dies über Big Data-Techniken schaffen.

Hierbei geht es auch gar nicht um die Bedeutung der Marke oder die positiven Wertvorstellungen, die diese im Benutzer hervorruft. Die Marke und ihr Wert sind von kritischer Bedeutung für die Langzeitstrategie und den Fortbestand des Unternehmens. Wenn wir immer nur auf die grundlegendsten Instinkte der Benutzer ansprechen würden, den kleinsten gemeinsamen Nenner, wo würden wir dann landen? Wahrscheinlich würden wir Souvenirs und lustige T-Shirts verkaufen (oder schlimmeres).

Nein, unser Ziel muss sein, den Dialog auf eine höhere Ebene zu heben. Menschen müssen weiter die großen Entscheidungen treffen, die Maschinen übernehmen die kleinen Entscheidungen. Menschen bestimmen die Maßstäbe, nach denen wir die gewünschten Ziele definieren (Umsatz, Wert, Marke), die Maschinen optimieren die digitale Interaktion der Nutzer, um diese Ziele zu erreichen.

Anders ausgedrückt, sie kümmern sich für uns um die Details. Dafür sind Computer da.

 

Personalisierung findet jetzt statt und ist mobil

Die wichtigste Antriebskraft der Personalisierung heutzutage ist die mobile Nutzung.

Auf einem großen Computerbildschirm können lange Textabfragen eingegeben werden, Personalisierung und hochklassige Relevanzbewertung sind daher weniger wichtig. Der Benutzer gibt über die Tastatur lange Abfragen mit vielen Begriffen ein, führt mehrere Abfragen aus, wenn die Erste nicht zufriedenstellend war, und kann viele Ergebnisseiten durchsuchen, mit Hunderten von Contentelementen.

Bei mobilen Geräten funktioniert dieses Prinzip nicht.

  1. Auf mobilen Geräten lange Abfragen einzugeben ist mühselig und führt oft zu Tippfehlern.
  2. Außerdem können mobile Geräte nur einen sehr begrenzten Content anzeigen.

Auf einem mobilen Gerät kann man nur einige wenige Zeichen eingeben (je weniger, desto besser), der ausgegebene Content ist oft auf ein oder zwei Elemente begrenzt.

Wie soll eine Suchmaschine damit arbeiten? Nur mit optimaler Relevanzbewertung und der dafür notwendigen Personalisierung können Unternehmen erfolgreich mit solch einer Umgebung agieren.

 

Fangen wir an

In diesem Artikel habe ich versucht, eine Vision zu umreißen, wie die Personalisierung die Welt der Suche verändern wird. Heutzutage haben wir bereits eine gewisse Personalisierung, aber nur auf "durchschnittliche" Nutzer bezogen, und eher zufällig, eindimensional und (normalerweise) nicht erprobt oder statistisch begründet.

Search Technologies hat sich in letzter Zeit stark damit befasst, Suchmaschinen so zu entwickeln, dass Big Data Signale für Matching liefert und neue Operatoren für Suchmaschinen entwickelt werden, die solche statistischen Modelle direkt in der Suchmaschine verarbeiten.

Dabei bieten diese Technologien aber auch die perfekte Grundlage, um die Suche enorm weit in die Zukunft zu befördern. Über die Personalisierung von Suchergebnissen kann die Beziehung zwischen dem Benutzer und der Suchmaschine komplett neu definiert werden.

Search Technologies hat vielleicht noch keine personalisierte Suchmaschine speziell für Ihre Branche, ihren Nutzerkreis oder ihr Contentmodell vorhanden, aber unsere Erfahrung mit Zuordnungsmaschinen, benutzerdefinierten Relevanzmodellen und Big Data eröffnet ungeahnte Möglichkeiten, herausragende neue Maschinen der Personalisierung zu erschaffen.

Fangen wir also an.

--  Paul

0