¿Cómo pueden los gerentes de producto mejorar la precisión y la recuperación de la búsqueda?

Desde la perspectiva de un gerente de producto, ¿es necesario mejorar estos dos indicadores? ¿Cómo cooperar con los ingenieros de RD?

Como se muestra en la figura:

Esperamos seleccionar la pieza correcta (T) del conjunto completo, pero inevitablemente se mezclará con algunos errores de juicio (las incorrectas se consideran right ), por lo que obtenemos precisión y recuperación.

El modelo básico de búsqueda es el proceso de indexar el contenido del documento por palabra, luego responder a los términos de búsqueda del usuario y filtrar los documentos correspondientes según la estructura del índice. Por eso, cuando hablamos de búsqueda, no podemos evitar mencionar la precisión y la recuperación.

Para la optimización de indicadores de datos puros, el algoritmo se basa en tres cosas: datos de muestra más precisos y más grandes; un modelo más optimizado y una potencia informática más potente.

Los modelos más optimizados tienden a estar más cerca del nivel de modelo y matemático. Cuando aplicamos modelos más nuevos, a menudo obtenemos mejores resultados de clasificación y predicción. Desde los primeros árboles de decisión y los métodos de aprendizaje automático hasta el aprendizaje profundo actual, la complejidad del modelo ha aumentado gradualmente y el efecto de salida del modelo también ha mejorado enormemente.

Potente potencia informática, desde el estado ideal hasta el estado real, el modelo informático optimizado está respaldado por la potencia informática. Como dice el refrán: "Un esfuerzo reducirá diez oportunidades". Sólo con una potencia informática suficiente como respaldo podremos respaldar la aplicación industrial y en línea de modelos. Tomemos como ejemplo el conocido motor de búsqueda Google. El consumo de energía diario del Google Cloud Computing Center es equivalente al consumo de energía de toda la ciudad de Ginebra, Suiza.

Datos de muestra más precisos y de mayor tamaño. Los modelos impulsados ​​por la potencia informática tienen que ver esencialmente con el ajuste, es decir, con obtener la puntuación más alta posible en las “pruebas de modelos” de datos de muestra una y otra vez. Como objeto del ajuste del modelo, los datos de muestra deben ser lo suficientemente ricos y precisos para "entrenar" un buen algoritmo. De lo contrario, al igual que el viejo dicho "basura entra, basura sale", los datos ruidosos proporcionados al modelo del algoritmo solo harán que la salida del modelo sea un desastre.

No es difícil ver en los tres elementos anteriores que hay más y mejores datos de muestra relacionados con los gerentes de producto.

Por lo tanto, continuaremos anotando, al igual que enseñar a los niños, y trabajaremos incansablemente para acumular suficientes muestras positivas y negativas para el algoritmo como base para el cálculo, mejorando así la efectividad del algoritmo. En aplicaciones industriales específicas, también podemos mejorar la calidad de los datos en los que se basa el algoritmo mediante la creación de varios diccionarios dirigidos, como diccionarios urbanos, diccionarios de empresas, diccionarios de celebridades, etc., con entradas cercanas a las respuestas estándar.

¿Qué piensa el product manager? Satisfacción del usuario en escenarios específicos.

Cuando los usuarios realizan búsquedas, necesitan obtener resultados satisfactorios en el menor tiempo posible.

Las métricas de precisión y recuperación son descripciones básicas de los resultados de búsqueda satisfechos por el usuario, pero no son descripciones completas.

Es decir, la precisión y la tasa de recuperación no pueden exceder un cierto umbral, pero cuando superan un cierto umbral, la contribución de estos dos indicadores a la satisfacción del usuario disminuirá marginalmente.

Los gerentes de producto deben pensar más en por qué los usuarios estarían satisfechos con esta situación.

En un ejemplo típico, un usuario busca "clima". Todo lo que necesita es un pronóstico del tiempo preciso.

A los usuarios no les importa la tasa de recuperación, es decir, no les importa si recuperamos 9W o 9,9W del sitio web meteorológico de 10W en toda la red. Tres mil de agua débil, una cucharada es suficiente.

Además, cuando la intención de búsqueda del usuario es particularmente clara, podemos incluso colocar los resultados directamente en la página de resultados de búsqueda sin pedirle al usuario que haga clic en el enlace. Este es el significado de Baidu Search Aladdin Card.

Desde la perspectiva de mejorar la satisfacción del usuario, hay más cuestiones que deben considerarse.

Por ejemplo, cuando los usuarios buscan "iPhone", sus intenciones son relativamente confusas.

¿Quiere comprar un iPhone y leer reseñas sobre el iPhone, o quiere ir al sitio web oficial de Apple?

En este caso, sólo podremos ordenar los resultados en función de las estadísticas y las preferencias de la mayoría de las personas.

¿Y ahora qué?

Este es un escenario en el que los gerentes de producto tienen que trabajar duro para refinar las intenciones de los usuarios a través de la interacción.

Esto es lo que veremos hoy. Las búsquedas relacionadas se insertarán en los resultados de búsqueda, lo que permitirá a los usuarios refinar sus intenciones más rápido a través de sugerencias de búsqueda relacionadas, brindando así a la máquina una entrada más efectiva.

Los indicadores son muy importantes, ya que permiten que diferentes equipos lleguen a un consenso sobre los indicadores de evaluación del negocio.

Los índices no son únicos, el mundo físico es tridimensional y rico, y el índice; Según nuestra comprensión del mundo físico, la reducción de dimensionalidad y el ajuste de datos, inevitablemente se perderá parte de la información en este proceso.

Por ejemplo, en términos de precisión y recuerdo, tenemos las siguientes premisas.

Pero, de hecho, muchos resultados de búsqueda son muy homogéneos y pueden sustituirse entre sí; cuanto más autorizado sea el sitio web, mayor será el peso de los resultados que proporciona.

Entonces, para gerentes de productos estratégicos. Por supuesto, podemos buscar indicadores, pero además de buscar indicadores, también necesitamos reflexionar y reconstruir la escena en etapas desde la perspectiva del tiempo:

Piense en las necesidades de los usuarios en el escenario actual. ¿Tan especial al respecto? ¿Necesitas nuevas estrategias para afrontarlo? ¿Necesita nuevas métricas para medir? Puede traer más posibilidades.