Back to top

Log-Analyse für die Optimierung von Suche und Personalisierung in mobilen Apps

Suche für mobile Apps – Blog-Reihe

Willkommen beim dritten Artikel unserer Reihe zur Suche für mobile Apps!

Eine kurze Zusammenfassung: Im zweiten Teil unserer Reihe haben wir Tipps besprochen, wie man die Benutzerabsichten durch die Abfragen erkennen kann und Tags und Aktionen für diese Abfragen erstellt, um so die Anzeige in der Benutzeroberfläche und die Reaktionen der App zu steuern. Wir haben auch besprochen, wie die beliebte Funktion der Textvervollständigung/Abfragevorschläge arbeitet, die erste Eingaben des Benutzers annimmt und daraus eine Liste möglicher Vorschläge erstellt. 

Jetzt sind Sie also ein Experte für Abfragekennzeichnung und Erstellen intelligenter Abfragevorschläge, also gehen wir jetzt weiter zu Logs und Analyse, betrachtet vom Standpunkt mobiler Apps aus.

 

Logs? Da sollen wir uns durchwühlen?

log analyse mobile app sucheEs bleibt uns nichts Anderes übrig, wenn wir diesen Berg der Zweideutigkeiten abarbeiten wollen, der durch Benutzerverhalten allgemein und speziell in mobilen Apps entsteht. Wie schon in Teil 1 dieser Blogreihe besprochen, erfordert die Usability in mobilen Apps besondere Erwägung. In mobilen Apps ist weniger Bildschirmplatz vorhanden als auf dem Desktop, alles ist kleiner, auch der Text und die Tastatur. Weniger Platz, mobile Umgebungen und möglicherweise langsamere Ladezeiten der Benutzeroberfläche führen zu Änderungen in den Benutzererwartungen und zu anderem Verhalten als am Desktop.

Um die Benutzer komplett zu verstehen, braucht man ein System, das alle Aktionen erfasst, die durch Nutzung der App durch die Benutzer und Navigation durch die Elemente entstehen. Hierbei werden Abfragen erfasst, Klicks, eingegebene oder aufgegebene Inhalte im Warenkorb, Zugangspunkte, Benachrichtigungen und anderes Verhalten. Ein genauerer Blick auf diese Daten zeigt vergangene Verhaltensmuster auf, die Trends für die Zukunft aufdecken können. Hierdurch kann das Suchteam die Suchmaschine optimieren, das Contentteam die Daten in der App verstehen und das Marketingteam besseren Zugang zu den Benutzern finden. In den Stichpunkten unten werden weitere Vorteile der Analyse des Benutzerverhaltens angesprochen. 

Um alle relevanten Daten im Log zu erfassen und eine erfolgreiche Analyse vornehmen zu können, müssen die folgenden Datenarten erfasst werden:

  • Die Anwendung (App, Desktop oder mobiles Internet), über die gesucht wird

Natürlich kommen die Logs von der App, soviel wissen wir schon. Aber manche Unternehmen finden es hilfreich, alle Logs aus allen Anwendungen zu sammeln, um umfassende Analysen und Vergleiche anstellen zu können. In solchen Situationen muss es eine Art Indikator geben, der anzeigt, ob der konkrete Log-Eintrag aus der mobilen App kommt oder von der Desktop-Site.

  • Datum und Zeit (sekundengenau), wann die Suche ausgeführt wurde

Die Benutzer navigieren oft sehr schnell durch die App, daher muss man erfassen, ob sie beispielsweise nur versehentlich einen Link angeklickt haben und sich direkt korrigiert haben (vielleicht nur eine oder zwei Sekunden auf der Seite), oder ob sie die Ergebnisse genauer angesehen haben (angezeigt durch einen längeren Zeitraum zwischen den Übermittlungen der Abfragen).

  • Die User-ID des Benutzers, der die Suche ausgeführt hat

Hiermit können die Aktionen eines bestimmten Benutzers im Verlauf einer Sitzung oder über einen bestimmten Zeitraum verfolgt werden. So kann man beispielsweise prüfen, ob Kunden, die ein Smartphone über Ihre Website gekauft haben, auch weiter nach Zubehör dafür suchen.

  • Der exakte Text, den der Benutzer eingegeben hat

Die exakte Abfrage gibt Einblicke in die Gedanken des Benutzers. Nennt der Benutzer sein Smartphone wirklich Smartphone, oder Telefon, oder Handy, oder nutzt er den exakten Modellnamen, wie z.B. Galaxy? Ändern sich seine Suchen abhängig davon, welches Gerät er gerade benutzt?

  • Suchparameter

Zu diesen gehören benutzerspezifizierte Parameter, wie angewandte Filter, wie auch gerätespezifische Parameter, wie die angezielte URL, die Geolocation oder Geräteart. All diese Aktionen sollten erfasst werden, um Muster und Trends zu erkennen.

  • Ob die Abfrage aus den Empfehlungen der Abfragevorschläge ausgewählt wurde

Diese Information hilft dabei, die Qualität der Abfragevorschläge zu bestätigen und Feineinstellungen vorzunehmen.

  • Die erste angeforderte Ergebniszahl

Hierdurch erfährt man, ob der Benutzer spätere Ergebnisseiten in der App angesehen hat. Das zeigt etwa an, ob man noch an der Relevanz arbeiten muss, damit die Benutzer nicht zu lange blättern müssen, um relevante Ergebnisse und Antworten zu finden.

Diese Daten sollten alle schon automatisch erfasst werden. Wenn das noch nicht der Fall ist, keine Angst. Fangen Sie einfach jetzt damit an, die Daten zu sammeln. Man braucht möglichst viele Daten, um eine gute Analyse des Benutzerverhaltens vornehmen zu können, aber selbst ein Monat Daten kann Trends und Muster hinsichtlich der Suche und der Qualität der Ergebnisse aufzeigen.

 

Welche Daten muss ich haben, um Benutzerverhalten und Trends zu erkennen?

Wenn es um Muster und Trends geht, sollte man mindestens die folgenden Elemente in den Daten bestimmen:

  • Häufigste Abfragen

Diese zeigen an, woran die Benutzer am häufigsten interessiert waren, welche Frage am häufigsten beantwortet werden mussten. Abfragemuster, wie die Struktur der Abfrage (einzelner Begriff oder als Frage eingegeben), Zeitraum der Abfrage (Ferien, Wochenende, bestimmte Tage der Woche) und beliebte Trends können von den häufigsten Abfragen erkannt werden.

  • Abfragen mit null Ergebnissen

Die Abfragen, die keine Ergebnisse geliefert haben. Das könnte daran liegen, dass der Suchbegriff nicht im Index gefunden wurde. Manchmal mag das einen Grund haben, manchmal liegt es aber daran, dass die Daten besser indexiert werden müssen. Abfragen mit null Ergebnissen können auch durch Tippfehler kommen. Wenn eine Abfrage mit null Ergebnissen nur einmal pro Datenjahr vorkommt, muss man sich keine großen Gedanken machen. Wenn diese Abfrage aber hundertfach auftritt (und vielleicht sogar unter den häufigsten Abfragen vorkommt), sollte man ein Wörterbuch mit Begriffen für die Rechtschreibprüfung in Betracht ziehen.

  • Linguistische Verbesserungen

Ermitteln Sie die häufigsten Abfragen und jene, die keine Ergebnisse geliefert haben, und bestimmen Sie Bereiche, in denen Verbesserungspotenzial durch das Implementieren von Synonymen, Stammformreduktion oder Lemmatisierung besteht. Nehmen wir als Beispiel eine App eines Unternehmens, das Teile und Zubehör für Allradfahrzeuge verkauft. Wenn ein Benutzer hier nach „gelände“ sucht und keine Ergebnisse findet, muss man ein Synonym einführen, das von„gelände“ zu verwandten Begriffen wie „Allrad“„Geländewagen“ oder „4x4“ führt.

  • Gelegenheiten für Abfragekennzeichnung

Die Suchbegriffe der Benutzer sollten mit Mustern verbunden werden, um ihre Absicht zu erkennen. Hierzu werden Tags definiert, die Absichten markieren, und welche bei Query Processing und Benutzeroberfläche der App Aktionen auslösen, um so benutzerdefiniertes Verhalten in den Ergebnissen zu ermöglichen. Detailliertere Beispiele für die Abfragekennzeichnung findet man in Teil 2 dieser Blogreihe.

  • Klick-Durchsatz

Was bringt die Benutzer dazu, etwas anzuklicken? Klicken sie auf Werbung und Banner? Wollen sie mehr Informationen in den Ergebnissen? Fügen sie dem Warenkorb Dinge hinzu? Schließen sie den Kauf auch ab?

 

Jetzt, wo ich die Daten habe, was fange ich damit an?

Log-Analyse ist die Antwort. Hier kommen alle Daten aus den Logs harmonisch zusammen, oder besser ausgedrückt in ordentlich sortierten und organisierten Zeilen mit interessanten Informationen. Logs sind als Futter für die Tools der Analyse da. Die Analyse ist die Berechnung, die das Tool mit den Daten aus den Logs vornimmt. Der Output der Tools ist, was die Suchanalysten verwenden, um die Gedanken und Intentionen der Benutzer in der App zu verstehen.

Tools der Log-Analyse setzen oft Software Development Kits (SDKs) ein, um Informationen aus mobilen Apps zu erfassen. Je nach Art der App, iOS oder Android, müssen unterschiedliche Konfigurationen angewandt werden, damit das Analysetool die Aktionen und Ereignisse erfassen kann, die in der App auftreten. Alternativ kann man auch eine flexible Open-Source-Lösung für die Log-Analyse in Betracht ziehen, wie den Elastic-Stack (Elasticsearch, Logstash, Beats und Kibana), der ein leistungsfähiges und vollständige Funktionen umfassendes Framework für die Visualisierung bietet. 

Welche Tools genau verwendet werden können und wie man diese am besten konfiguriert würde den Rahmen dieses Artikels sprengen. Hier gibt es aber ein Beispiel mit technischen Details, wie wir ein Open-Source-Tool für die Log-Analyse verwendet haben, um einem Kunden aus dem Bereich E-Commerce mit seinen Logs zu helfen. Weitere, tiefer reichende Informationen über die Open-Source-Architektur für die Log-Analyse mittels Elastic-Stack findet man auch inunserem kostenlosen White Paper.

-- Kristy

0