Qu'est-ce que la pertinence des recherches ?

La pertinence des recherches mesure l'alignement des résultats de recherche fournis par un moteur de recherche avec la requête et l'intention d'un utilisateur. La qualité des résultats de recherche peut être déterminée par la précision avec laquelle les informations affichées correspondent aux attentes d'un utilisateur.

L'amélioration de la pertinence et des performances des recherches implique une analyse linguistique, des algorithmes de classement et des facteurs contextuels. Cela peut inclure une analyse des comportements de l'utilisateur, des données géographiques, la popularité et l'historique de recherche. La pertinence des recherches est un immense facteur de l'expérience client, et avec le bon équilibre, la recherche peut être optimisée de sorte à répondre aussi bien aux besoins d'une entreprise qu'à ceux de ses utilisateurs.

La pertinence des recherches est optimisée par des algorithmes qui évaluent, traitent, récupèrent et classent les informations. Les algorithmes de pertinence des recherches décodent la sémantique des mots-clés et de l'intention, évaluent l'autorité des sources et décodent les signaux comme l'engagement, l'emplacement géographique et les préférences personnelles.

Parmi les algorithmes courants associés à la recherche :

Le TF-IDF (Term Frequency-Inverse Document Frequency) est utilisé pour évaluer l'importance des mots-clés, en récompensant des termes qui apparaissent fréquemment dans les documents cibles, mais pas dans d'autres documents.

RankBrain est un algorithme optimisé pour l'IA et développé par Google, qui utilise le Machine Learning pour interpréter les requêtes afin de bénéficier d'une meilleure compréhension de l'intention des utilisateurs, qui peut souvent être nuancé ou ambigu.

Les modèles vectoriels fonctionnent en représentant des documents et des requêtes en tant que vecteurs dans un espace dimensionnel, permettant ainsi de comparer et de classer les données obtenues.

L'analyse sémantique latente identifie les relations latentes entre les termes en utilisant une approche statistique pour traiter les mots et les expressions associés.

Le traitement du langage naturel (NLP) est une technique de Machine Learning qui permet au moteur de recherche de mieux comprendre le contexte et la sémantique du langage humain utilisé dans la recherche.

Les facteurs de la pertinence des recherches comprennent des signaux qui vont de la densité des mots-clés aux indicateurs d'engagement. Les moteurs de recherche explorent du contenu et des liens, collectent et indexent les données, et attribuent une pertinence à chaque page, en notant, triant et classant les résultats sur la base d'un important groupe de critères. ils doivent ensuite disséquer les contextes des mots-clés et des paroles afin de délivrer ce que l'utilisateur recherche vraiment.

Parmi les facteurs clés de la pertinence des recherches :

• L'analyse textuelle et la pertinence des mots-clés
  Le processus de mise en correspondance des termes de recherche avec le contenu des articles, pages, documents et listes de produits est essentiel à l'établissement de la pertinence. La tâche se complique en raison des complexités des formulations, synonymes, variantes de mots, fautes d'orthographe, variantes orthographiques régionales et orthographes phonétiques, pour n'en citer que quelques-unes, du langage naturel.
• Qualité du contenu
  Un contenu fiable a tendance à se placer dans les premiers résultats sur la base de son évaluation de crédibilité et de précision. La nouveauté joue également un rôle, et le contenu le plus récent est considéré comme plus pertinent pour certaines requêtes.
• Pondération des termes
  Pour déterminer les mots-clés prioritaires, des valeurs numériques sont attribuées à chaque terme ; ces valeurs sont cruciales à la précision des résultats.
• Intention de l'utilisateur
  Des algorithmes aident à déterminer l'objectif réel d'un utilisateur, en répondant aussi bien à une requête de recherche explicite qu'au contexte sémantique qui se cache derrière.
• Personnalisation et localisation
  La pertinence contextuelle permet aux moteurs de recherche d'adapter les résultats sur la base de facteurs spécifiques à l'utilisateur, notamment l'emplacement géographique, la langue, le type d'appareil ainsi que l'historique de navigation et de recherche.
• Indicateurs d'engagement de l'utilisateur
  Les taux de clic aident à mesurer l'engagement de l'utilisateur. Les recherches sans résultat et/ou les recherches sans clics fournissent des informations concernant la satisfaction de l'utilisateur quant aux résultats de recherche.

La pertinence des recherches est importante pour la satisfaction client. Lorsque les utilisateurs trouvent rapidement et de façon efficace les informations qu'ils recherchent, cela améliore grandement leur expérience. En fonction de votre activité, cela peut signifier que davantage d'acheteurs sont convertis en clients, davantage de navigateurs occasionnels deviennent des lecteurs ou des consommateurs réguliers, ou davantage de membres d'équipe ont la possibilité de terminer leurs missions et de prendre des décisions importantes.

43 % des utilisateurs¹ se dirigent directement vers la barre de recherche lorsqu'ils naviguent sur un site web et sont jusqu'à trois fois plus susceptibles de se convertir que des utilisateurs qui n'effectuent aucune recherche. Pour les entreprises, la recherche est souvent le premier point d'interaction avec des clients ou acheteurs potentiels. Elle est donc vitale pour instaurer un climat de confiance et créer de l'engagement ainsi que du chiffre d'affaires. En interne, la livraison rationalisée d'informations pertinentes fait gagner du temps et économise des efforts.

Une pertinence de recherche médiocre conduit à une frustration chez les utilisateurs, qui risquent d'abandonner un site pour mener leurs recherches sur un canal différent, sans jamais revenir. Pour les détaillants en ligne, cela signifie perdre des acheteurs qui ne parviennent pas à trouver les produits qu'ils cherchent. Des résultats pertinents se traduisent par des taux de conversion plus élevés et un meilleur chiffre d'affaires. Les détaillants en ligne peuvent également bénéficier d'expériences d'e-commerce axées sur les données, qui augmentent la taille du panier, comme les onglets "les utilisateurs ont également acheté" ou "articles similaires".

Pour les entreprises qui produisent du contenu, une pertinence de recherche plus élevée signifie une meilleure visibilité et une portée d'audience plus large. Pour les chercheurs, les médecins, les étudiants et les professionnels, des résultats plus précis conduisent à un meilleur travail.

Les besoins et l'intention sont différents selon les utilisateurs qui effectuent les recherches. Mesurer la pertinence de façon précise et systématique représente un défi. Les références du secteur d'activité fournissent des pistes, comme Benchmarking-IR (BEIR), un transformateur pré-entraîné qui évalue les méthodes de récupération des informations sur un système de classement. La solution MS-MARCO (Microsoft Machine Reading Comprehension) par exemple, fait partie de la référence BEIR, et fournit un ensemble de données de réponses aux questions pour évaluer l'efficacité de la recherche. Bien que cette solution fournisse une indication de la pertinence des recherches, il n'existe aucune méthode d'attribution de score absolue.

Un moyen de savoir si vos recherches sont efficaces est d'analyser les tendances de comportement des utilisateurs, et de rechercher continuellement des moyens croissants de les améliorer.

L'efficacité de la recherche peut être mesurée par le nombre de fois qu'un terme de recherche est tapé, retapé et révisé avant qu'un utilisateur puisse trouver les bonnes informations. L'efficience de la recherche se définit par la quantité d'efforts fournis par l'utilisateur pour trouver les informations qu'il souhaite. Les deux permettent de vous faire une idée de votre pertinence de recherche globale. L'analyse des recherches peut également fournir des informations sur la fréquence à laquelle les utilisateurs effectuent des recherches, ce qu'ils recherchent et s'ils trouvent ou non ce qu'ils souhaitent.

Le rappel représente la fraction d'enregistrements pertinents récupérés par rapport au nombre total d'enregistrements pertinents. La précision représente la proportion de résultats pertinents par rapport au nombre total d'enregistrements pertinents ou non pertinents. Bien que le rappel et la précision soient des mesures clés, ils demandent souvent un certain niveau d'évaluation et de supervision humaine, ce qui peut représenter des coûts élevés. En recueillant des commentaires utilisateur via des enquêtes ou des boutons interactifs, vous pouvez découvrir de façon plus abordable la façon dont les utilisateurs perçoivent la pertinence des résultats de recherche.

Les indicateurs de comportement des utilisateurs offrent des jugements de pertinence indirects, mais implicites. Le taux de clic est l'un de ces précieux indicateurs quantitatifs, qui mesure le pourcentage d'utilisateurs qui cliquent sur un résultat après l'avoir vu. Des taux de clic plus élevés indiquent une meilleure pertinence. Le temps de détection, ou la durée qu'un utilisateur passe sur une page après avoir cliqué sur un lien de résultats de recherche, est un autre indicateur clé ; les temps de détection plus longs sont associés à un contenu de qualité plus pertinent. D'un autre côté, le pourcentage d'utilisateurs qui quittent une page sans interaction, connu sous le nom de taux d'abandon, peut indiquer que le contenu n'a pas répondu aux attentes.

L'amélioration de la pertinence des recherches est un processus continu. En plus de l'adoption des derniers algorithmes de Machine Learning, des capacités de traitement du langage naturel et de la reconnaissance d'entités, voici quelques techniques pour améliorer la pertinence des recherches dans le temps :

• Développer la compréhension des requêtes
  Pour élargir la portée de vos résultats, développez la compréhension des requêtes pour les termes associés connectés par définition et champ d'application, ou synonymes de mots-clés, qui sont des mots ou expressions dont le sens est le même ou similaire à celui du terme de recherche. Développez également de sorte à inclure les résultats à correspondance partielle, qui correspondent à certaines parties d'une requête, voire à l'intégralité de celle-ci. La détection de langue automatique peut également servir à suggérer du texte similaire aux recherches précédentes.
• Augmentez la tolérance aux fautes d'orthographe
  Une plus grande tolérance aux fautes d'orthographe signifie que vos utilisateurs peuvent toujours trouver les résultats qu'ils cherchent, malgré des fautes d'orthographe. La tolérance aux fautes d'orthographe facilite la recherche, car l'utilisateur n'a pas à retaper sa requête. Plutôt que de dépendre d'une correspondance exacte, augmentez la tolérance aux fautes d'orthographe et aux coquilles en améliorant vos capacités de correction automatique et de vérification orthographique. Vous pouvez également suggérer des alternatives et corriger les termes de recherche avec une fonctionnalité "Est-ce que vous voulez dire ?".
• Incorporez des facettes et des filtres
  Les facettes, également connues sous le nom de filtres intelligents, aident les utilisateurs à préciser leur recherche. Les facettes et les filtres sont plus utiles sur les sites qui traitent un grand nombre d'informations. Détectez automatiquement les filtres ou permettez aux utilisateurs de limiter les résultats de recherche sur la base d'attributs pertinents comme la situation géographique, le sujet, le prix, la catégorie et la date.
• Adoptez la personnalisation
  Personnaliser les résultats sur la base des préférences de l'utilisateur, de l'emplacement géographique, de l'historique de recherche et d'achat ainsi que du comportement, permet de bénéficier d'une meilleure pertinence. Adaptez les résultats à votre utilisateur en mettant en avant les recherches les plus pertinentes. La personnalisation est également l'une des clés de la recherche prédictive, et permet d'anticiper les futurs besoins de votre utilisateur grâce à ses recherches précédentes.
• Exploitez les commentaires des utilisateurs
  Encourager les utilisateurs à fournir des commentaires sur la qualité des résultats aide les moteurs de recherche à apprendre et à s'améliorer. Les commentaires des utilisateurs représentent la meilleure des mesures pour connaître la réelle pertinence d'une recherche. L'utilisation des commentaires peut aider à améliorer votre moteur de recherche de façon continue.
• Optimisez votre expérience utilisateur
  Nettoyez votre site en supprimant les pages obsolètes, le contenu en double, les mots-clés et tags non utilisés et les liens brisés. Rationalisez la conception de votre expérience utilisateur, par exemple en faisant en sorte que votre barre de recherche soit intuitive et facile à trouver. Structurez votre site pour garantir que les moteurs de recherche puissent explorer et indexer votre contenu de façon plus efficace.
• Donnez la priorité aux sections à forte valeur ajoutée de votre site
  Pour faire apparaître les informations les plus utiles aux utilisateurs, donnez plus de poids aux résultats provenant de sections au contenu de qualité de votre site, y compris les pages avec les taux d'engagement, d'autorité, de lien de retour et de conversion les plus importants.

Lutter contre les résultats de recherche de basse qualité peut s'avérer être un processus frustrant, et les solutions ne sont pas toujours transparentes. Il existera toujours une ambiguïté inhérente à l'interprétation des requêtes ayant plusieurs sens. Déchiffrer l'intention réelle avec peu de contexte est une science imparfaite. La recherche réellement pertinente est un labyrinthe cognitif dans lequel même l'IA la plus avancée doit encore apprendre à se repérer.

Pour rester à jour, les moteurs de recherche doivent rapidement s'adapter à l'océan croissant de contenu généré chaque seconde dans le monde, et ce dans un paysage divers et changeant de langues, dialectes, argots et nuances régionales. Et bien que les résultats de recherche personnalisés contribuent grandement à la pertinence, ils peuvent également créer des bulles qui limitent l'exposition à différentes perspectives.

Pour les organisations, optimiser la pertinence des recherches peut bien souvent sembler déconcertant. Et l'infime laps de temps nécessaire à la livraison de résultats de recherche pertinents aux utilisateurs semble se réduire de plus en plus.

Elasticsearch Relevance Engine aide les utilisateurs à trouver exactement ce dont ils ont besoin pour fournir immédiatement des expériences de recherche optimisées par l'IA hautement pertinentes et personnalisées grâce à un Machine Learning de pointe.

Nos outils de réglage de la pertinence complets en glisser-déposer vous permettent également d'analyser, optimiser et personnaliser afin de délivrer des résultats encore plus précis. Avec la pertinence adaptable, mettez en avant vos résultats les plus performants grâce à des recommandations automatisées, basées sur l'analyse des recherches. Vous pouvez également améliorer la pertinence sémantique grâce à l'intelligence artificielle générative, la recherche vectorielle, la prise en charge des modèles de transformateur du traitement du langage naturel et la gestion des modèles.

Il existe actuellement des techniques de recherche avancées qui aident à faire énormément avancer la pertinence des recherches.

La recherche sémantique interprète les significations de la requête de l'utilisateur, qui utilise le contexte pour répondre à leur intention plutôt que la recherche mot pour mot. La recherche vectorielle est souvent utilisée dans le cadre de la recherche sémantique, en trouvant des données similaires à l'aide d'algorithmes de recherche du plus proche voisin approximatif (ANN), pour fournir des résultats plus pertinents. La recherche hybride utilise une combinaison de méthodes de recherche vectorielle et par mots-clés.

À mesure que ces types de recherche évolueront, les indicateurs de pertinence des recherches se transformeront également pour tenir compte de leur impact. D'autres innovations technologiques impacteront également l'avenir de la pertinence des recherches.

Dans pratiquement chaque domaine de la culture et de l'entreprise, les moteurs de recherche optimisés par l'IA promettent d'améliorer fortement la pertinence des recherches et de diminuer drastiquement le travail manuel que les organisations devront fournir. L'IA fournira des capacités comme la détection automatique des synonymes, le classement d'algorithmes qui apprennent automatiquement à partir d'indicateurs et de commentaires, et le suivi en temps réel de l'activité d'un utilisateur, qui peut anticiper les souhaits d'un client avant même qu'il n'ait pensé à les énoncer.

En e-commerce, les barres de recherche intelligentes multilingues qui peuvent traiter les informations visuelles à partir d'images et de vidéos révolutionneront le processus d'achat, en fournissant la capacité de suggérer le produit exact, dans la bonne couleur, marque et taille, que le client souhaite, ce qui éliminera des heures de recherche. La recherche précise par la voix proliférera. Et avec une meilleure précision, l'IA générative produira des réponses contextuelles ultra pertinentes aux requêtes, avec des recommandations spécifiques bien plus utiles, plutôt qu'une liste de résultats. Le Machine Learning ouvre déjà la voie à une large nouvelle frontière de pertinence des recherches.

• Améliorez la pertinence des recherches et la qualité de la recherche sur site avec Elastic
• Guide Kibana pour la pertinence des recherches
• Se préparer à l'avenir de la pertinence des recherches