De effecten van Machine Learning op de zoekbalk van uw site

Crowd of passengers having fun in a bustling city on a vibrant floor

Published on May 2019 by Arjan Franzen

Persoonlijk heb ik niet zoveel met de zogeheten “Silicon Valley-inspiratiereizen”. Begrijp me goed: het klinkt leuk, maar er alleen voor inspiratie heen gaan voelt wat geforceerd. Maar hoe noemt u het als u toevallig in San Francisco bent, u in de software zit en u ‘geïnspireerd’ raakt? 😉

Dit overkwam mij toen ik in april 2019 in San Francisco was om een talk te geven over Maxeda, Cloudtransformatie en al het moois dat we daar deden. “Omdat we toch in SF waren” besloten we af te spreken met het toffe team van Constructor.io. (zie foto)

Constructor.io. is een Search-ML-startup in downtown San Francisco. Hun producten stellen e-commerceplatformen in staat hun gebruikers een betere zoekervaring te bieden. Constructor.io. gebruikt Machine Learning om de site te trainen in wat bepaalde producten ‘betekenen’ bij zoekwoorden. Klinkt veelbelovend; eens kijken wat zij ons kunnen vertellen.

We hadden een prima gesprek en gingen weg met een veel beter beeld van waarom Machine Learning cruciaal is voor e-commerceplatformen. “be more like Google when you’re doing search” werkte inspirerend voor ons: we worstelden met veel handwerk voor de ±100k producten die online moeten. Het automatiseren van ranking op basis van klantgedrag is cruciaal, want ‘human brain resources’ zijn altijd beperkt!

Update: nov 2020. Na een soepel implementatieproject draait de nieuwe constructor.io-zoekmachine het online platform van deze grote regionale doe-het-zelfretailer.

Voor: er wordt geen Machine Learning (ML) gebruikt in de zoekfunctie. In plaats daarvan gebruikt de (nu oude) site letterlijke tekstzoekopdrachten. Geen goede ondersteuning voor samengestelde woorden. In het Nederlands (net als in Duits en Turks) worden samenstellingen ‘aan elkaar geplakt’. In dit voorbeeld zoeken we een Tuinhuis.

Dat is in het Nederlands één woord, samengesteld uit twee: tuin en huis. Zoekt u op de twee losse woorden, dan krijgt u zeer matige resultaten. Geen tuinhuisjes, maar behang van een merk dat precies die twee woorden als merknaam heeft; daardoor komen de behangproducten hoger te staan.

Met Machine Learning leert ‘de machine’ (de site) dit soort menselijke fouten te compenseren. Door te observeren hoe gebruikers naar producten zoeken, vervolgens op een product klikken en bepaalde producten kopen, leert de machine wat woorden betekenen.

Het resultaat, na, is dat u 100% treffers voor de tuinhuisjes krijgt.

Een tweede scenario beschrijft de ‘voor’- en ‘na’-situatie bij het zoeken naar een hamer. Voor gaf de zoekfunctie producten terug waar ‘hamer’ in de titel stond: veiligheidshamer, houten hamer en een boor. Dat zijn uiteraard niet de producten die u nodig heeft als u een hamer zoekt.

Met een Machine Learning-zoekoplossing zijn de resultaten voor hamers wél goed.

Machine Learning voor productzoekopdrachten doet wonderen voor conversie en user experience, en bespaart Product Managers heel veel tijd die nu opgaat aan het handmatig verbeteren van zoekopdrachten. In het oude scenario was het vinden van beter converterende synoniemen manueel werk, zeer foutgevoelig en simpelweg te veel bij rond 100k producten online. Machine Learning Search ligt aan de basis van het wereldwijde succes van Google (sinds begin jaren 2000). Het wordt snel de de facto standaard in alle zoekmachines.