Utilisation du nuage de données pour optimiser l’analyse de la recherche

Utilisation du nuage de données pour optimiser l’analyse de la recherche


Aujourd’hui, nous lançons une série de blogs mensuels mettant en lumière nos Propulsé par Snowflake les partenaires. Dans chaque message, vous entendrez directement un partenaire Powered by Snowflake partager son point de vue sur une variété de sujets allant de la façon dont il a conçu et construit son application destinée aux clients sur Snowflake à ses réflexions sur les technologies émergentes et les tendances de l’industrie.

Chaque jour, les utilisateurs recherchent des centaines, voire des milliers (ou des dizaines de milliers) de sujets sur le site Web d’une organisation. À Analyse Yextnous transformons ces données de recherche brutes en intelligence client qui fournit à l’organisation un aperçu de ce que l’utilisateur recherche et comment il s’y prend pour l’obtenir.

Dans un monde idéal, les utilisateurs utiliseraient tous la même langue pour la recherche, et offrir une excellente expérience de recherche serait une chose « définissez-la et oubliez-la », mais à mesure que les préférences des clients changent et que la langue que nous utilisons pour décrire les choses change, il en va de même la façon dont les gens recherchent.

Bien qu’il soit extrêmement important de pouvoir collecter des données sur toutes ces recherches individuelles, nous avons besoin d’un moyen de donner un sens à cette vaste quantité d’informations, sinon cela devient simplement une autre source de bruit. L’une des façons dont Yext résout ce problème de bruit est d’utiliser une fonctionnalité que nous appelons Search Term Clustering.

Search Term Clustering est un outil prêt à l’emploi fourni avec Yext Analytics. Il tire parti de l’apprentissage automatique (ML) pour regrouper les recherches avec une intention commune afin que les clients puissent analyser leur entreprise en fonction des thèmes communs recherchés par leurs utilisateurs au lieu de parcourir des milliers de termes de recherche individuellement.

Par exemple, supposons que nous ayons un client qui utilise Yext Answers pour exécuter sa recherche de support, et que ses utilisateurs ont des questions sur la réinitialisation de leur mot de passe.

Figure 1 : Le regroupement des termes de recherche avec une intention similaire montre les sujets qui intéressent le plus les clients, afin que vous puissiez prendre des décisions commerciales éclairées sur les parties de votre expérience client qui nécessitent des améliorations, des ajouts et des ajustements.

Un utilisateur peut poser une question sur ce sujet de plusieurs façons qui ont toutes la même intention (réinitialiser son mot de passe) et peuvent toutes être résolues par la même information (un article sur la façon de réinitialiser votre mot de passe). Le clustering (voir Figure 1) aide les organisations à avoir une véritable idée de l’intérêt des utilisateurs pour un sujet afin qu’elles puissent hiérarchiser les améliorations de l’expérience pour y répondre.

Avant Snowflake, il était impossible pour Yext de fournir des fonctionnalités telles que le clustering de termes de recherche en raison de la quantité considérable de données et de la logique complexe requise pour le faire. Avec Snowflake comme épine dorsale de notre infrastructure d’analyse, nous sommes désormais en mesure de prendre en charge de puissantes informations sur les données comme celle-ci et bien plus encore pour nos clients d’une manière qui n’aurait jamais été possible auparavant.

Notre voyage vers Snowflake

Yext Analytics donne aux clients une visibilité sur la façon dont les gens interagissent avec leurs expériences et sur leurs performances à grande échelle. Nous générons d’énormes quantités de données et il est essentiel que notre infrastructure puisse prendre en charge la taille, la complexité et l’échelle des requêtes que nous devons émettre pour alimenter ces analyses, tout en étant facile à entretenir et rentable. Snowflake a été en mesure de fournir tout cela d’une manière que nos solutions précédentes ne pouvaient tout simplement pas.

Identifier nos défis

Avec nos solutions précédentes, la maintenance des entrepôts créait d’énormes frais généraux opérationnels pour nos équipes d’ingénierie. Cela a rendu le développement de nouvelles fonctionnalités beaucoup plus difficile et a finalement retardé notre capacité à fournir des fonctionnalités telles que le clustering à nos clients.

En raison de la façon dont notre solution précédente combinait CPU et stockage, la maintenance et l’administration du cluster sont devenues une énorme source de frais généraux pour l’équipe. Les ingénieurs devaient toujours être conscients de la taille et du calcul que notre cluster utilisait et faire évoluer de manière proactive nos clusters pour éviter les problèmes majeurs. Ce type de travail prenait souvent environ 20 % du temps de nos premiers intervenants et constituait une très mauvaise utilisation des ressources.

Cela signifiait également que nous devions être très sélectifs quant à la quantité de données que nous ajoutions à notre entrepôt, en particulier pour les fonctionnalités non orientées client, ce qui limitait notre capacité à centraliser nos données dans toute l’entreprise dans un seul entrepôt.

Enfin, le réglage des requêtes est devenu une perte de temps importante pour l’équipe. Nous avions constamment besoin d’évaluer les requêtes que nous lancions dans notre entrepôt pour nous assurer qu’il était en mesure d’exécuter les requêtes d’un client rapidement et efficacement.

Passer à Snowflake

Avec Snowflake, la mise à niveau et la mise à l’échelle de nos clusters sont devenues automatiques et n’ont nécessité que peu ou pas de temps d’arrêt. Nous disposions désormais de basculements interrégionaux pratiquement sans temps d’arrêt, ce que nous n’avions jamais eu auparavant.

Pour cette raison, nous n’avions plus besoin d’être aussi prudents quant au type et à la quantité de données que nous stockions dans notre entrepôt. Avec un stockage presque infini, nous avons pu pour la première fois centraliser nos données dans un entrepôt unique qui prend en charge à la fois les fonctionnalités et la livraison des données dans le produit, ainsi que nos besoins internes en matière de business intelligence.

En plus de tout cela, nous avons pu fournir à nos clients de nouvelles fonctionnalités, telles que le clustering de termes de recherche, dont nous ne pouvions que rêver tout en étant freinés par les limitations de performances des requêtes de la solution précédente.

Développer une relation plus étroite avec Powered by Snowflake

Rejoindre le programme Powered by Snowflake nous a permis de nous associer plus étroitement à Snowflake. Nous pouvons discuter de nos besoins avec Snowflake afin qu’ils comprennent mieux sur quoi nous travaillons et ce qui nous intéresse, et où la technologie Snowflake peut aider. Nous bénéficions également de poussées co-GTM qui nous donnent plus de visibilité. Avec Powered by Snowflake, nous avons développé une relation de travail avec Snowflake basée sur le fait d’être des partenaires, et pas seulement client et fournisseur.

Au fur et à mesure de la croissance de Yext, les données joueront un rôle de plus en plus important dans la façon dont nous gérons notre entreprise en interne et apporteront finalement de la valeur à nos clients. Avec Snowflake, nous avons maintenant un partenaire et les outils en place pour gérer cette croissance.
En savoir plus sur Analyse Yext et explorez les Propulsé par Snowflake programme.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.