Como personalizar experiências de busca com a Elastic

Criar experiências de busca personalizadas pode ser muito complicado. Nesta postagem, detalharemos as etapas para você iniciar o processo, priorizando os resultados de busca de acordo com os perfis de usuário, para poder oferecer recomendações relevantes e acelerar os fluxos de trabalho. Mas, antes de chegar a esse ponto, vamos entender por que a busca personalizada é importante.

[Baixe o artigo técnico: Ecommerce search personalization on Elastic]

A influência da busca personalizada

A busca é o que move as experiências digitais personalizadas que você vive no dia a dia, e talvez você nem se dê conta disso. Estes são apenas alguns exemplos:

• A busca durante a digitação usa o seu histórico de busca para sugerir consultas.
• Os artigos de base de conhecimento oferecem conteúdos de acordo com as suas preferências de assinatura.
• As sugestões de prestadores de serviços de saúde são feitas com base no seu histórico médico e na sua localização.
• As recomendações de compras online que você recebe são baseadas em compras anteriores que você fez e em produtos favoritos de usuários com perfil semelhante ao seu.

Como a personalização se tornou tão popular? Os resultados comerciais importantes obtidos com a personalização levaram a isso. De acordo com uma pesquisa recente feita com os consumidores conduzida pela Wakefield: 

• 88% dos consumidores online têm mais probabilidade de continuar as compras em websites que oferecem uma experiência personalizada.
• 84% reportam que a personalização influencia suas decisões de compra.
• 68% adquiriram itens que não tinham a intenção de comprar por influência de recomendações personalizadas.

Em resumo, a personalização gera lealdade, influencia decisões e aumenta o volume de compras. Então, as organizações e os desenvolvedores que criam experiências de busca estão prestando atenção a essa tendência. 

[Artigo relacionado: Por que personalizar vale a pena para os varejistas online]

A personalização é um problema de dados 

Todas as arquiteturas de personalização seguem as mesmas etapas: ingestão de dados, análise de dados e experiência adaptada para usuários finais. Cada etapa é baseada nos dados, desde a coleta até sua análise, para finalmente usar as informações em uma experiência personalizada.

A primeira etapa é reunir os dados do cliente que vão compor a sua estratégia de personalização. Em geral, isso significa integrar os dados do cliente com conjuntos de dados adicionais como consultas, cliques e históricos de compras. 

Depois, é preciso analisar os dados agregados para entender as preferências do usuário final e refinar as tendências. Você pode fazer isso manualmente ou com assistência automatizada de machine learning. Os insights que você reúne com base nessa análise geram o seu modelo de busca personalizada.

Por fim, você aplica os resultados da sua análise de dados para projetar uma experiência de busca personalizada. 

Parece simples, não é? Na Elastic, a gente sempre diz: “Depende…” 

Como a Elastic agiliza a busca personalizada

Por sorte, a Elastic é uma empresa de analítica de dados baseada em recursos de busca. Então, oferecemos aos profissionais uma ampla variedade de ferramentas para o desenvolvedor, desde opções low-code prontas para uso até APIs que oferecem controle total na experiência. Flexibilidade é o princípio básico que se aplica a cada etapa do processo, pois todos os casos de uso de personalização são diferentes uns dos outros e, por definição, precisam ser customizados de forma apropriada. 

Do ponto de vista da ingestão de dados, você pode acessar conectores pré-compilados, frameworks para a compilação de conectores para fontes personalizadas e integrações de terceiros para obter e armazenar dados relevantes na Elastic. 

Você pode indexar os dados na Elastic para fazer a análise no Kibana, a ferramenta de visualização de dados e uso de dashboard da Elastic. Além disso, pode automatizar as agregações com as APIs do Elasticsearch. Você pode até analisar os dados em todos os clusters para atender aos requisitos de privacidade ou residência dos dados. É possível usar modelos de machine learning proprietários ou importá-los diretamente do Hugging Face para automatizar a análise. Usar a busca de vetor nativa da Elastic para criar e fornecer seus próprios mecanismos de recomendação personalizada também é uma possibilidade.

Quando tudo estiver pronto para você aplicar seus insights personalizados para a busca, poderá então usar as APIs do Enterprise Search da Elastic que permitem o ajuste imediato do modelo de relevância com boosts ou com pesos de campo. Para obter mais controle ainda sobre a classificação dos resultados, use as APIs do Elasticsearch. Você também pode usar a UI de busca da Elastic para criar de maneira rápida uma experiência de busca usando uma biblioteca de Javascript que se conecta diretamente ao seu mecanismo de busca da Elastic.

Para aprofundar-se um pouco mais

A busca personalizada oferece mais recursos para as experiências digitais modernas que volta e meia vemos. As experiências personalizadas dão resultados e impulsionam o engajamento dos clientes, as vendas e o retorno nos negócios. 

Cada organização deveria ter uma estratégia de personalização. E, se você está criando experiências personalizadas, também precisa de uma estratégia de dados, pois a personalização depende totalmente da ingestão e da análise dos dados, bem como da apresentação das informações personalizadas, para atender às demandas dos usuários finais. 

Na Elastic, acreditamos que a flexibilidade é a chave para criar experiências personalizadas. Oferecemos uma série de recursos integrados, ferramentas do desenvolvedor e bibliotecas para você conseguir o controle máximo e poder adaptar a personalização aos seus usuários. 

Assista a uma demonstração real de codificação para reclassificar os resultados de busca com dados de cliques e aplicar a busca vetorial à personalização em Como implementar a personalização da busca para comércio eletrônico com o Elasticsearch. 

Para obter mais detalhes sobre como criar uma personalização baseada em analítica com o Enterprise Search da Elastic, incluindo amostras de códigos, e também mais informações sobre a busca vetorial nativa da Elastic e sua abordagem flexível e aberta para machine learning, baixe o artigo técnico.