¿Qué es la relevancia de búsqueda?

La relevancia de búsqueda mide qué tan bien se alinean los resultados de búsqueda proporcionados por un motor de búsqueda con la consulta y la intención del usuario. La calidad de los resultados de la búsqueda puede determinarse por la exactitud con la que la información mostrada coincide con las expectativas del usuario.

Mejorar la relevancia y el rendimiento de la búsqueda implica análisis lingüístico, algoritmos de clasificación y factores contextuales. Estos pueden incluir analíticas del comportamiento del usuario, datos de ubicación, popularidad e historial de búsqueda. La relevancia de búsqueda es un factor enorme en la experiencia del cliente y, con el equilibrio adecuado, la búsqueda se puede optimizar para satisfacer tanto las necesidades de una empresa como las de sus usuarios.

La relevancia de búsqueda se basa en algoritmos complejos que evalúan, procesan, recuperan y clasifican la información. Los algoritmos de relevancia de búsqueda decodifican la semántica de las palabras clave y la intención, evalúan la autoridad de las fuentes y decodifican señales como la participación, la geografía y las preferencias personales.

Los algoritmos comunes relacionados con la búsqueda incluyen:

La frecuencia de términos-frecuencia de documentos inversa (TF-IDF) se utiliza para evaluar la importancia de las palabras clave, recompensando los términos que aparecen con frecuencia en los documentos de destino pero no en otros documentos.

RankBrain es un algoritmo impulsado por inteligencia artificial desarrollado por Google que utiliza machine learning para interpretar y procesar consultas a fin de lograr una mejor comprensión de la intención del usuario, que a menudo puede tener matices o ser ambigua.

Los modelos de espacio vectorial funcionan representando documentos y consultas como vectores en un espacio dimensional, lo que permite comparar y clasificar.

El análisis semántico latente identifica las relaciones latentes entre términos utilizando un enfoque estadístico para procesar palabras y frases asociadas.

El procesamiento del lenguaje natural (PLN) es una técnica de machine learning que permite a los motores de búsqueda comprender mejor el contexto y la semántica del lenguaje humano utilizado en la búsqueda.

Los factores clave en la relevancia de búsqueda incluyen señales que van desde la densidad de palabras clave hasta las métricas de participación. Los motores de búsqueda rastrean contenido y enlaces, recopilan e indexan los datos y asignan relevancia a cada página, puntuando, ordenando y clasificando los resultados en función de un amplio conjunto de criterios. Luego, deben analizar los contextos de las palabras clave y el discurso para ofrecer lo que el buscador realmente está buscando.

Los factores clave en la relevancia de la búsqueda incluyen:

• Análisis de texto y relevancia de palabras clave
  El proceso de hacer coincidir los términos de consulta con el contenido de artículos, páginas, documentos y listados de productos es fundamental para establecer la relevancia. La tarea se complica por las complejidades de la redacción del lenguaje natural, los sinónimos, las variantes de palabras, los errores ortográficos, las variantes ortográficas regionales y la ortografía fonética, por nombrar solo algunos.
• Calidad del contenido
  El contenido autorizado tiende a tener una clasificación más alta según su evaluación de credibilidad y exactitud. La novedad también influye, ya que el contenido más reciente se considera más relevante para determinadas búsquedas.
• Ponderación de términos
  Para determinar qué palabras clave deben tener prioridad, se asignan valores numéricos a cada término, y esos valores son cruciales para la exactitud de los resultados.
• Intención del usuario
  Los algoritmos ayudan a determinar el verdadero objetivo de un usuario, abordando tanto la búsqueda explícita como el contexto semántico detrás de ella.
• Personalización y localización
  La relevancia contextual permite a los motores de búsqueda adaptar los resultados en función de factores específicos del usuario, incluida la ubicación geográfica, el idioma, el tipo de dispositivo y el historial de navegación y búsqueda.
• Métricas de participación del usuario
  Las tasas de clics ayudan a medir la participación del usuario. Las búsquedas sin resultados o aquellas sin clics proporcionan información sobre la satisfacción del usuario con los resultados de la búsqueda.

La relevancia de búsqueda es importante para la satisfacción del usuario. Cuando los usuarios pueden encontrar de forma rápida y eficiente la información que buscan, su experiencia mejora enormemente. Según tu negocio, eso puede significar que más compradores se conviertan en clientes, más navegadores ocasionales se conviertan en lectores o consumidores habituales, o más miembros del equipo están habilitados para completar tareas y tomar decisiones importantes.

El 43 % de los usuarios¹ van directamente a la barra de búsqueda cuando navegan por un sitio web y tienen hasta tres veces más probabilidades de realizar una conversión que quienes no realizan búsquedas. Para las empresas, la búsqueda suele ser el primer punto de interacción con clientes o clientes potenciales. Por lo tanto, es vital para generar confianza en los usuarios, participación e ingresos. Internamente, la entrega simplificada de información relevante ahorra tiempo y esfuerzo.

La mala relevancia de búsqueda genera frustración y los usuarios pueden abandonar un sitio para realizar su consulta en un canal diferente, para no volver nunca más. Para los minoristas en línea, eso significa perder compradores que no pueden encontrar los productos que buscan. Los resultados relevantes se traducen en mayores tasas de conversión y mayores ingresos. Los minoristas en línea también pueden beneficiarse de experiencias de comercio electrónico basadas en búsquedas que aumenten el tamaño del carrito, como las pestañas “los compradores también compraron” o “artículos similares”.

Para las empresas que producen contenido, una mayor relevancia de búsqueda significa una mayor visibilidad y un alcance de audiencia más amplio. Para investigadores, médicos, estudiantes y profesionales, los resultados exactos conducen a un mejor trabajo.

Las necesidades y la intención de cada buscador son diferentes. Medir de manera exacta o sistemática la relevancia es un desafío. Los puntos de referencia de la industria brindan alguna orientación, como el Benchmarking-IR (BEIR), que es un transformador previamente capacitado que evalúa los métodos de recuperación de información en un sistema de clasificación. La Comprensión de lectura automática de Microsoft (MS-MARCO), por ejemplo, es parte del punto de referencia BEIR con un set de datos de preguntas y respuestas para evaluar la eficacia de la búsqueda. Si bien esto proporciona una indicación de la relevancia de la búsqueda, no existe un método de puntuación absoluto.

Una forma de obtener información sobre la eficacia de tu búsqueda es buscar tendencias en el comportamiento de los usuarios y buscar constantemente formas incrementales de mejorarlas.

La eficacia de búsqueda se puede medir por la cantidad de escritura, reescritura y revisión de un término de búsqueda que necesita un usuario para encontrar la información correcta. La eficiencia de búsqueda se define por la cantidad de esfuerzo general que realiza un usuario para ubicar la información deseada. Ambos ofrecen una ventana a la relevancia general de tu búsqueda. Las analíticas de búsqueda también pueden ofrecer información sobre la frecuencia con la que los usuarios buscan, qué buscan y si lo encuentran o no.

La recuperación es la fracción de registros relevantes recuperados en comparación con el número total de registros relevantes. La precisión es la relación entre los resultados relevantes en comparación con el número total de registros irrelevantes y relevantes. Si bien la recuperación y la precisión son medidas clave, a menudo requieren cierto grado de evaluación y supervisión humana para evaluarlas, lo que puede resultar costoso. Recopilar comentarios de los usuarios a través de encuestas o botones interactivos ofrece una visión menos costosa de cómo los usuarios perciben la relevancia de los resultados de búsqueda.

Las métricas del comportamiento del buscador ofrecen juicios de relevancia indirectos pero implícitos. Una de esas métricas cuantitativas valiosas es la tasa de clics (CTR), que mide el porcentaje de usuarios que hacen clic en un resultado después de verlo. Las CTR más altas significan una mayor relevancia. El tiempo de permanencia, o el tiempo que un usuario pasa en una página después de hacer clic en un enlace de resultados de búsqueda, es otro indicador clave, con tiempos de permanencia más largos asociados con contenido más relevante y de calidad. Por otro lado, el porcentaje de usuarios que abandonan una página sin interactuar, conocido como tasa de rebote, puede indicar que el contenido no cumplió con las expectativas.

Mejorar la relevancia de búsqueda es un proceso continuo. Además de adoptar los más recientes algoritmos de machine learning, capacidades de procesamiento de lenguaje natural y reconocimiento de entidades, estas son algunas técnicas para mejorar la relevancia de búsqueda con el tiempo:

• Ampliar la comprensión de búsqueda
  Para ampliar el alcance de los resultados, amplía la comprensión de búsqueda para términos relacionados conectados por definición y alcance, o sinónimos de palabras clave, que son palabras o frases con el mismo significado o uno similar al de tu término de búsqueda. Amplía también para incluir resultados de coincidencias parciales, que coinciden con algunas partes de una consulta, si no con toda ella. La detección automática de idioma también se puede utilizar para sugerir texto similar a búsquedas anteriores.
• Mejorar la tolerancia a errores tipográficos
  La tolerancia a errores tipográficos mejorada significa que los usuarios aún pueden obtener los resultados deseados, a pesar de las palabras mal escritas. La tolerancia a errores tipográficos hace que la búsqueda sea más sencilla porque el usuario no tiene que volver a escribir su consulta. En lugar de depender de una coincidencia exacta, agrega más tolerancia a los errores ortográficos y tipográficos mejorando las capacidades de autocorrección y revisión ortográfica. También puedes sugerir alternativas y corregir términos de búsqueda con una característica de tipo “¿Quiso decir?”.
• Incorporar facetas y filtros
  Las facetas, también conocidas como filtros inteligentes, ayudan a los usuarios a limitar su búsqueda. Las facetas y los filtros son más útiles en sitios con grandes cantidades de información. Detecta filtros automáticamente o permite a los usuarios limitar los resultados de búsqueda según atributos relevantes como ubicación, tema, precio, categoría y fecha.
• Adoptar la personalización
  La personalización de los resultados en función de las preferencias del usuario, la ubicación, el historial de búsqueda y compras y el comportamiento conduce a una mayor relevancia. Adapta los resultados a tu usuario clasificando las búsquedas más relevantes en una posición más alta. La personalización también es una parte clave de la búsqueda predictiva, ya que anticipa las necesidades futuras de su usuario con sus búsquedas anteriores.
• Aprovechar los comentarios de los usuarios
  Alentar a los usuarios a proporcionar comentarios sobre la calidad de los resultados ayuda a los motores de búsqueda a aprender y mejorar. Los comentarios de los usuarios son la mejor medida de cuán relevante es realmente una búsqueda. El uso de comentarios puede brindar a tu motor de búsqueda una mejora continua.
• Optimizar la UX
  Limpia tu sitio eliminando páginas obsoletas, contenido duplicado, palabras clave o etiquetas no utilizadas y enlaces rotos. Optimiza tu diseño de UX, como hacer que la barra de búsqueda sea fácil de encontrar y de uso intuitivo. Estructura tu sitio para garantizar que los motores de búsqueda puedan rastrear e indexar el contenido de manera más efectiva.
• Priorizar las áreas del sitio de alto valor
  Para mostrar lo más valioso a los usuarios, pondera más los resultados de las áreas de contenido de calidad de tu sitio, incluidas las páginas con mayor participación, autoridad, vínculos de retroceso y tasas de conversión.

Luchar contra los resultados de búsqueda de baja calidad puede ser un proceso frustrante y las soluciones no siempre son transparentes. Siempre habrá una ambigüedad inherente a la interpretación de consultas con múltiples significados. Descifrar la verdadera intención sin mucho más que hacer es una ciencia imperfecta. La búsqueda verdaderamente relevante es un laberinto cognitivo que incluso la IA más avanzada aún tiene que resolver.

Para mantenerse actualizados, los motores de búsqueda deben adaptarse rápidamente al creciente océano de contenido que se genera cada segundo en todo el mundo, en un panorama diverso y cambiante de idiomas, dialectos, jergas y matices regionales. Y, aunque los resultados de búsqueda personalizados contribuyen en gran medida a la relevancia, también pueden crear burbujas que limitan la exposición a diferentes perspectivas.

Para las organizaciones, optimizar la relevancia de la búsqueda a menudo puede resultar desconcertante. Y la pequeña ventana de tiempo para entregar resultados de búsqueda relevantes a los usuarios siempre parece estar acortándose.

Elasticsearch Relevance Engine ayuda a los usuarios a encontrar exactamente lo que necesitan para brindar experiencias de búsqueda basadas en IA altamente relevantes y personalizadas desde el primer momento con machine learning de última generación.

Nuestras completas herramientas de ajuste de relevancia de arrastrar y soltar también le permiten analizar, optimizar y personalizar para ofrecer resultados aún más precisos. Con la relevancia adaptativa, puede dar a sus resultados de mayor rendimiento la mejor facturación con recomendaciones automatizadas basadas en datos y en análisis de búsqueda. También puede mejorar la relevancia semántica con IA generativa, búsqueda vectorial, compatibilidad con modelos de transformadores de PLN y gestión de modelos de terceros.

Actualmente, existen técnicas de búsqueda avanzadas que ayudan a lograr grandes avances en la relevancia de búsqueda.

La búsqueda semántica interpreta los significados de la búsqueda del usuario, que utiliza el contexto para responder a su intención en lugar de la búsqueda palabra por palabra. La búsqueda vectorial se utiliza a menudo para la búsqueda semántica, encontrando datos similares con algoritmos de vecino más cercano (ANN) aproximado para producir resultados con mayor relevancia. La búsqueda híbrida utiliza una combinación de métodos de búsqueda por palabras clave y por vectores.

A medida que estos tipos de búsqueda evolucionen, las métricas de relevancia de la búsqueda también se transformarán para tener en cuenta su impacto. Otras innovaciones tecnológicas también afectarán el futuro de la relevancia de búsqueda.

En casi todas las áreas de la cultura y la empresa, los motores de búsqueda impulsados por IA prometen mejorar enormemente la relevancia de la búsqueda con mucho menos trabajo manual por parte de las organizaciones. La IA habilitará capacidades como la detección automática de sinónimos, algoritmos de clasificación que aprenden automáticamente a partir de métricas y comentarios, y un seguimiento de la actividad del usuario en tiempo real que puede anticipar lo que un cliente quiere antes de que siquiera piense en pedirlo.

En el comercio electrónico, las barras de búsqueda inteligentes multilingües que pueden procesar información visual a partir de imágenes y videos revolucionarán las compras, con la capacidad de sugerir el producto exacto, en el color, la marca y el tamaño exactos, que un cliente realmente desea, eliminando horas de desplazamiento. Proliferará la búsqueda por voz exacta. Y, con una exactitud cada vez mayor, la IA generativa producirá respuestas contextuales muy relevantes a las consultas, con recomendaciones específicas y mucho más útiles, en lugar de una lista de resultados. El machine learning ya está abriendo una amplia y nueva frontera en la relevancia de búsqueda.

• Mejora la relevancia de búsqueda y la calidad de la búsqueda en el sitio con Elastic
• Guía de Kibana sobre la relevancia de búsqueda
• Aceptación del futuro de la relevancia de búsqueda