Completamento automatico e tolleranza agli errori per la ricerca nell'e‑commerce indiano

Perché i nomi dei prodotti in India mandano in crisi la ricerca

La ricerca negli e‑commerce indiani fallisce per una ragione semplice: le persone non chiamano lo stesso oggetto con lo stesso nome. Lo stesso prodotto può essere digitato in inglese, hindi, tamil o in una miscela, e ogni regione ha parole quotidiane diverse.

Un acquirente può cercare “atta”, “aata”, “gehu ka atta” oppure solo il nome del brand. Un altro digita “jeera”, “zeera” o semplicemente “cumin”. Se il catalogo contiene solo una di queste varianti, una query normale può non restituire nulla.

Piccole differenze ortografiche danneggiano più di quanto si pensi perché i motori di ricerca spesso trattano la query come testo esatto. Una vocale mancante, uno spazio in più o un ordine diverso delle parole possono far sparire il prodotto giusto dai primi risultati o portare a zero risultati.

Motivi comuni per cui i nomi dei prodotti in India si frammentano:

• Più alfabeti e traslitterazioni (hindi scritto con lettere inglesi, ortografie locali)
• Termini regionali per lo stesso articolo (cibo, abbigliamento, articoli per la casa)
• Nomi prioritari del brand vs generici (“Surf Excel 1kg” vs “detergent powder”)
• Abbreviazioni e forme parlate (“kurti” vs “kurta top”, “1 ltr” vs “1L”)
• Errori di tastiera e autocorrezione (“pista” che diventa “pita”, “saree” vs “sarri”)

Autocomplete e tolleranza agli errori cambiano l'esperienza dell'acquirente. L'autocomplete riduce lo sforzo guidando le persone verso la formulazione che il tuo store capisce, prima che inviino la ricerca. La tolleranza agli errori evita che query “quasi giuste” falliscano, così gli utenti vedono comunque articoli rilevanti anche se l'ortografia non è perfetta.

L'obiettivo pratico per completamento automatico e tolleranza agli errori nella ricerca e‑commerce indiana non è un "supporto linguistico perfetto". È misurabile: meno ricerche a risultati zero e scoperta prodotto più veloce, così più utenti raggiungono una lista di prodotti invece di una strada senza uscita.

Idee chiave in parole semplici

Una buona ricerca in India riguarda meno algoritmi sofisticati e più il capire come le persone digitano davvero i nomi dei prodotti. Molti utenti mescolano inglese e parole locali, scrivono lo stesso termine in tre modi diversi e si aspettano comunque che la ricerca "capisca".

L'autocomplete aiuta prima che la query sia completa. Se qualcuno digita "jeer…", puoi suggerire “jeera rice”, “jeera powder” o “jeera whole”. Fatto bene, l'autocomplete riduce lo sforzo e spinge delicatamente verso termini presenti nel catalogo.

La tolleranza agli errori significa che trovi comunque corrispondenze quando l'utente sbaglia in modo probabile, come “zeera” vs “jeera” o “shampo” vs “shampoo”. L'obiettivo è correggere gli errori comuni senza cambiare il significato. Troppa tolleranza crea corrispondenze strane (per esempio, una query corta come “ram” che improvvisamente corrisponde a prodotti non correlati).

I sinonimi sono semplici: parole diverse, stessa intenzione. “Atta” e “wheat flour” dovrebbero portare allo stesso insieme di prodotti. Nell'e‑commerce indiano i sinonimi spesso includono termini simili a brand (“biscuit” vs “cookies”), parole regionali e soprannomi di categoria.

La traslitterazione è quando le persone digitano parole in lingue indiane usando lettere inglesi. Qualcuno può scrivere “namkeen”, “nimeen” o “namkin” a seconda dell'abitudine e della tastiera. Le regole di traslitterazione aiutano a far corrispondere queste varianti, anche se il tuo catalogo usa una sola ortografia.

Un modo pratico per pensare a completamento automatico e tolleranza agli errori nell'e‑commerce indiano:

• Autocomplete guida l'utente verso una query valida e popolare.
• La tolleranza agli errori salva l'utente quando sbaglia l'ortografia.
• I sinonimi collegano parole diverse alla stessa intenzione di acquisto.
• La traslitterazione collega ortografie diverse allo stesso termine in lingua locale.

Quando queste idee sono chiare, puoi costruire una piccola mappatura controllata e ampliarla usando l'analytics reale delle ricerche, invece di indovinare.

Costruisci il tuo dizionario di naming indiano (input da raccogliere)

Un buon dizionario di ricerca parte dai tuoi dati, non da supposizioni. L'obiettivo è semplice: catturare come le persone chiamano davvero i prodotti in India, inclusi termini locali, ortografie e abbreviazioni, così autocomplete e tolleranza agli errori hanno una base solida.

Per prima cosa, esplora il tuo catalogo. Titoli dei prodotti, nomi di categoria, attributi, etichette di variante, brand, taglie e unità spesso contengono la formulazione “ufficiale” che gli utenti dovrebbero poter raggiungere. Per generi alimentari questo può includere termini generici e specifici come “toor dal”, “arhar dal” e “split pigeon peas” se li usi.

Poi, raccogli il linguaggio reale dei clienti. I log di ricerca mostrano cosa digitano quando vanno di fretta; le chat del supporto mostrano come descrivono gli oggetti quando non li trovano. Anche poche settimane di log possono far emergere pattern ripetuti come “aata/atta”, “dahi/curd” o “chilli/chili”.

Costruisci input da cinque fonti, poi uniscili e puliscili:

• Testo del catalogo (titoli, attributi, varianti, brand, taglie)
• Query di ricerca (incluse quelle a risultati zero)
• Chat del supporto clienti e note di chiamata
• Termini regionali e locali che il tuo team già usa
• Abbreviazioni di unità e bundle (ml, ltr, pcs, combo, 1+1)

Infine, separa i termini generici da quelli di brand. “Atta” dovrebbe corrispondere a molti prodotti, mentre un nome di brand non dovrebbe tirare dentro articoli non correlati. Mantieni due liste etichettate (generico vs brand) così le regole successive non confondono l'intento e la classifica.

Procedura passo-passo: crea un piano di sinonimi e traslitterazioni

Inizia in piccolo. Scegli 20–50 categorie che guidano la maggior parte delle ricerche e dei ricavi, come generi alimentari, bellezza ed elettronica popolare. Questo mantiene il lavoro focalizzato e ti aiuta a vedere l'impatto velocemente.

Poi crea una sola “tabella di naming” condivisa che tutti possano modificare (merchandising, contenuti, supporto). Tienila prima in un foglio di calcolo, poi sincronizzala nell'indice di ricerca.

1) Crea una lista canonica

Per ogni categoria, scegli il termine che vuoi che il sistema tratti come il nome “principale” (canonico). Usa ciò che i clienti riconoscono, non il nome del fornitore.

Crea righe come queste:

Aggiungi unità e pattern di confezione come token separati e riutilizzabili: 1kg, 500 g, 2x, combo pack, family pack. Spesso causano zero risultati perché gli utenti digitano tutto.

2) Stabilisci regole "stesso prodotto" rigorose

Un sinonimo dovrebbe significare che il cliente sarebbe soddisfatto con gli stessi risultati. Scrivi una regola breve che il team possa seguire:

• Permesso: varianti regionali, abbreviazioni di brand, ortografie comuni
• Permesso: traslitterazione Hinglish quando il significato resta lo stesso
• Non permesso: prodotti adiacenti (cleanser vs toner, cumin vs carom)
• Non permesso: taglie diverse come sinonimi (la taglia è un filtro)
• Non permesso: "healthy" o "premium" come sinonimo dell'articolo base

3) Mantienilo facile da aggiornare

Assegna un responsabile per categoria e stabilisci una revisione semplice (settimanale all'inizio). Quando il supporto vede reclami “non trovato”, aggiungono i termini alla tabella lo stesso giorno.

Se costruisci questo in uno stack di ricerca custom, uno strumento di tipo Koder.ai può aiutarti a pubblicare l'interfaccia admin e il workflow di sincronizzazione rapidamente, mantenendo la lista di sinonimi modificabile da team non tecnici.

Progetta un autocomplete che sembri giusto per l'India

L'autocomplete dovrebbe essere veloce, familiare e tollerante. Per l'e‑commerce indiano, il guadagno più grande è avere suggerimenti utili già dalle prime lettere. Le persone digitano in fretta, passano tra inglese e termini locali e non ricordano l'ortografia esatta.

Inizia a tarare per i prefissi. I primi 2–4 caratteri dovrebbero già mostrare suggerimenti forti e a intento elevato. Se qualcuno digita "sha", non sprecarle le prime posizioni con articoli rari. Mostra ciò che la maggior parte degli acquirenti intende e ciò che vendi in profondità.

Rendi i suggerimenti consapevoli della categoria, non solo delle parole. Se l'utente digita un termine locale come "shakkar", i suggerimenti dovrebbero indicare chiaramente la categoria (zucchero) e i sottotipi popolari che hai (polvere, biologico, ecc.). Questo riduce la confusione e diminuisce la probabilità che scelgano un risultato non correlato.

Mantieni i suggerimenti brevi e leggibili. Un buon pattern è: brand + prodotto (quando è davvero comune) oppure prodotto + attributo chiave. Evita di infilare taglie, lunghi numeri di modello e più attributi in una sola riga.

Regole UI pratiche che generalmente funzionano bene:

• Mostra al massimo 5–8 suggerimenti, con le prime 3 ottimizzate per conversione.
• Normalizza spazi e punteggiatura, così "t-shirt", "tshirt" e "t shirt" conducono allo stesso insieme di suggerimenti.
• Preferisci articoli e categorie che puoi evadere ora (in stock e attivi).
• Mescola i tipi con attenzione: 1–2 suggerimenti di categoria, poi prodotti, poi brand.
• Non mostrare suggerimenti che non puoi vendere (categorie morte, brand dismessi).

Esempio: un utente digita "dett". In India molti intendono "Dettol" (intento brand), ma alcuni cercano "handwash" o "sanitizer" (intento prodotto). Il tuo autocomplete può mostrare "Dettol Handwash", "Dettol Sanitizer" e una categoria come "Handwash" così entrambi gli intenti sono coperti senza indovinare troppo.

Fatto con coerenza, autocomplete e tolleranza agli errori nell'e‑commerce indiano diventano meno questione di algoritmi intelligenti e più di dare all'acquirente il passo successivo ovvio.

Imposta la tolleranza agli errori senza corrispondenze confuse

La tolleranza agli errori aiuta a trovare i prodotti anche quando si sbaglia a scrivere. Ma se la rendi troppo permissiva, la ricerca inizia a mostrare elementi “abbastanza vicini” che sembrano sbagliati. L'obiettivo è semplice: catturare gli errori evidenti e stare cauti quando l'intento può cambiare.

Inizia con regole sicure di edit-distance basate sulla lunghezza della parola. Le parole corte si rompono facilmente, quindi mantienile rigorose. Le parole più lunghe possono tollerare un po' più di flessibilità.

• 1–4 lettere: permetti 0–1 edit (esempio: “atta” -> “atta”, “atta” -> “attta”)
• 5–8 lettere: permetti fino a 2 edit
• 9+ lettere: permetti fino a 3 edit
• Se una query ha più parole, applica gli edit per parola ma limita il totale degli edit per tutta la query

Tratta i numeri come una classe separata. “1kg” e “10kg” non dovrebbero essere intercambiabili, e “500ml” non dovrebbe diventare “1500ml”. Una regola pratica: non applicare tolleranza agli errori all'interno di token numerici e non cambiare le unità. Consenti solo correzioni di formattazione come spazi o maiuscole/minuscole (“1 kg”, “1KG”, “1kg”).

Proteggi i nomi di brand e i termini ad alto intento dall'essere “corretti” in parole generiche. Mantieni una piccola lista protetta (top brand, private label e query simili a brand). Se una query corrisponde da vicino a un termine protetto, preferisci mostrare un suggerimento invece di riscriverla.

Gli errori da vicinanza della tastiera sono comuni su mobile, soprattutto con Hinglish. Aggiungi tolleranza extra per tasti vicini (a-s, i-o, n-m), ma solo quando il resto della parola è una corrispondenza forte.

Quando la correzione è ambigua, mostrala come suggerimento, non come sostituzione silenziosa. Per esempio, se “dove” potrebbe diventare “done” o “dovee”, mostra “Intendevi dove?” e mantieni visibili i risultati originali. Questo mantiene alta la fiducia e riduce i click di ritorno arrabbiati.

Traslitterazione e termini in lingua locale (regole pratiche)

Le query indiane spesso mescolano alfabeti e abitudini in una sola riga: “जीरा rice”, “jeera चावल”, “zeera rice” o “poha nashta”. La tua ricerca dovrebbe trattare queste come lo stesso intento, non mondi separati. Per autocomplete e tolleranza agli errori nell'e‑commerce indiano, l'obiettivo è semplice: mappare i molti modi di scrivere un nome di prodotto a un unico significato pulito.

Inizia con un piccolo set pratico di regole e amplialo solo quando vedi che funziona.

Regole pratiche di normalizzazione

• Accetta il mixing di script normalizzando tutto in una "forma di ricerca" condivisa (mantieni la query originale per analytics, ma confronta con la versione normalizzata).
• Aggiungi coppie di traslitterazione solo per i tuoi articoli principali prima (per esempio: namkeen, bhujia, poha, jeera). Includi le ortografie comuni che gli utenti digitano davvero.
• Gestisci le varianti di vocali lunghe come coppie esplicite dove contano (poha vs pauha, jeera vs zeera), invece di cercare di indovinare ogni spostamento vocalico.
• Usa scambi fonetici con attenzione e in modo ristretto: v‑w, b‑v, j‑z. Applicali solo su token di prodotto noti, non su tutta la query, per evitare corrispondenze strane.
• Mantieni i nomi di brand e gli SKU per lo più "come scritti" così non li riscrivi accidentalmente in qualcos'altro.

Quali lingue supportare per prime

Scegli in base al traffico e ai risultati zero, non all'ambizione. Un ordine comune è inglese più Hinglish prima, poi aggiungi lo script hindi se una quota significativa di query lo usa. Se vedi domanda in una regione specifica, estendi con la lingua successiva nei log, una categoria alla volta.

Circuito analytics: migliora la ricerca in base al comportamento reale

La qualità della ricerca non è un setup unico. Trattala come un'abitudine settimanale: osserva cosa digitano le persone, cosa cliccano e dove mollano. Così autocomplete e tolleranza agli errori per l'e‑commerce indiano migliorano senza indovinare.

Inizia con un piccolo set di metriche core e mantienile coerenti settimana dopo settimana:

• Tasso di risultati zero (globale e per le query principali)
• Tasso di raffinamento (utenti che riscrivono o aggiungono filtri subito dopo la ricerca)
• Aggiunte al carrello dopo la ricerca (o click su prodotto dopo la ricerca se i carrelli sono rumorosi)
• Uso dell'autocomplete (click sui suggerimenti vs digitazione completa)
• Impatto delle correzioni (query corrette da typo che portano a click vs bounce)

Una volta alla settimana, estrai le query principali senza risultati e classifica ognuna. Mantieni le categorie semplici così i team le useranno davvero: sinonimo mancante (jeera vs zeera), variazione ortografica, mismatch brand o modello, lingua o script sbagliato, o gap di catalogo (prodotto non disponibile). L'obiettivo è separare "la ricerca ha bisogno di un sinonimo" da "l'inventario manca".

I dati di autocomplete spesso danno risultati rapidi. Se gli utenti ignorano spesso i suggerimenti e finiscono la digitazione, i suggerimenti potrebbero essere troppo generici, in ordine sbagliato o mancanti di termini locali. Se cliccano i suggerimenti ma poi affinano o abbandonano, il suggerimento può sembrare giusto ma portare a risultati deboli.

I typo necessitano di audit, non solo di maggior tolleranza. Campiona 20–50 query corrette a settimana e etichettale come:

• Utile (corretto verso il prodotto inteso)
• Ininfluente (abbastanza vicino, l'utente ha comunque trovato articoli)
• DANNOSO (corretto verso un prodotto o categoria diversa)

Metti questo in una vista dashboard semplice che prodotto e marketing possano leggere in 2 minuti: top query a risultati zero con causa assegnata, top suggerimenti di autocomplete e click rate, e una breve lista di azioni per la prossima release. Se costruisci strumenti interni velocemente (per esempio, con Koder.ai), questa dashboard e la pipeline di esportazione settimanale sono ottimi primi progetti.

Errori comuni e trappole da evitare

La maggior parte dei problemi di ricerca in India non deriva da “più sinonimi”. Nascono da alcuni errori prevedibili che lentamente spingono gli utenti verso risultati sbagliati e minano la fiducia.

Una delle trappole principali è usare sinonimi troppo ampi che uniscono prodotti diversi. Se "cream" e "lotion" diventano intercambiabili, chi cerca una crema viso densa può finire su una lozione corporea leggera e poi andarsene. Mantieni i sinonimi stretti: mappa varianti dello stesso intento, non categorie adiacenti.

Un altro errore comune è ignorare il significato di taglia e unità. “Oil 1L” e “oil 5L” non sono la stessa missione di acquisto, né “atta 5 kg” e “atta 10 kg”. Se le regole ignorano le unità, un utente che vuole rifornirsi sfoglierà confezioni piccole e la classifica sembrerà casuale.

Ecco errori ad alto impatto da tenere d'occhio:

• Trattare prodotti vicini come sinonimi (cream vs lotion, shampoo vs conditioner)
• Ignorare parole di taglia, quantità e unità (1L, 5L, 500 ml, 10 pcs)
• Lasciare che la tolleranza agli errori "corregga" i nomi di brand in altri brand
• Mostrare suggerimenti autocomplete che non puoi consegnare a quel CAP
• Impostare regole e dimenticarsele, specialmente dopo promozioni e picchi stagionali

I nomi di brand richiedono cura extra. Se qualcuno digita “Himalya face wash” e le tue impostazioni di correzione lo trasformano in un altro brand popolare, sembra una trappola. Una regola più sicura è: essere permissivi sulle parole generiche (“shampu”), ma più rigorosi su brand e token simili a modelli.

L'autocomplete può ritorcersi contro quando suggerisce articoli non disponibili. Per esempio, suggerire “ghee 2L” perché è una query frequente, anche se è disponibile solo la 1L, crea delusione. Preferisci suggerimenti che puoi evadere oggi.

Se costruisci autocomplete e tolleranza agli errori per l'e‑commerce indiano, aggiungi un'abitudine di revisione: dopo una settimana di vendite, controlla nuove query top, misspelling in crescita e termini a risultati zero. Anche piccoli cambi stagionali (stagione dei matrimoni, monsoni, esami) possono cambiare ciò che le persone digitano.

Se vuoi testare queste modifiche rapidamente, Koder.ai può aiutarti a prototipare un servizio di regole di ricerca e una pagina admin per gestire sinonimi, unità e protezioni di brand, poi esportare il codice quando sei pronto.

Esempio realistico: correggere le ricerche “jeera rice” e “zeera rice”

Un acquirente digita “zeera rice” e ottiene zero risultati. Non cerca un prodotto diverso. Intendeva “jeera rice” (riso al cumino), ma lo ha scritto come lo pronuncia.

Lo risolvi con due cambiamenti piccoli e sicuri: un sinonimo per varianti ortografiche comuni e una regola conservativa per i typo. Per questa query, tratta “zeera” come variante traslitterata di “jeera”, non come significato a sé.

Una mappatura pratica che funziona bene:

• Sinonimo di query: zeera -> jeera
• Sinonimo di query: zira -> jeera
• Mantieni i nomi prodotto come sono nel catalogo (non rinominare gli SKU)

Poi aggiungi una regola di tolleranza agli errori rigorosa sulle parole corte. Per esempio, permetti 1 edit (un carattere sbagliato, mancante o scambiato) solo quando la lunghezza del token è 5+ caratteri. Questo aiuta a catturare “jeera” vs “jeeraa”, ma evita corrispondenze confuse su token molto corti.

Dopo la modifica, l'autocomplete dovrebbe guidare l'acquirente invece di indovinare troppo. Quando digita “zee…”, suggerisci:

• “jeera rice”
• “jeera basmati rice”
• “jeera (cumin)”

E quando invia “zeera rice”, i risultati dovrebbero mostrare i tuoi prodotti “jeera rice” in cima, più articoli correlati come cumin e basmati, a seconda delle regole di ranking.

Una settimana dopo, controlla gli analytics della ricerca focalizzati sul comportamento, non solo sui click:

• Tasso di risultati zero per “zeera”, “zira” e “jeera”
• Tasso di raffinamento della ricerca (gli utenti hanno riscritto la query?)
• Aggiunte al carrello dopo la ricerca per quelle query
• Click principali per confermare che il sinonimo non sta tirando dentro elementi non correlati

Se i risultati peggiorano (per esempio, “zira” inizia a corrispondere a un brand o a un'altra categoria), torna rapidamente indietro disabilitando solo quel gruppo di sinonimi, non tutto il sistema. Tieni una configurazione versionata per poter ripristinare in minuti. Questo loop di feedback stretto è il cuore del completamento automatico e della tolleranza agli errori per la ricerca e‑commerce indiana.

Checklist veloce prima della distribuzione

Prima di applicare nuovi sinonimi, autocomplete o impostazioni di tolleranza, fai un controllo rapido che mischi dati reali di query con test pratici. Questo evita che cambiamenti "utili" creino risultati rumorosi (per esempio, far corrispondere il prodotto sbagliato perché due parole si somigliano).

Usa questa breve checklist pre‑rilascio per completamento automatico e tolleranza agli errori nell'e‑commerce indiano:

• Estrai le top 50 query degli ultimi 7–14 giorni e raggruppale per intento (brand, prodotto generico, variante come taglia o colore, e problema da risolvere come “hair fall oil”). Se una query può significare due cose, annotale entrambe.
• Estrai le top 50 query a risultati zero e decidi la correzione per ciascuna: mappa a una categoria esistente, aggiungi un sinonimo (termine locale o ortografia), aggiungi un prodotto mancante o bloccalo se irrilevante. Non lasciarle come “lo sistemeremo dopo”.
• Aggiorna la lista di sinonimi e traslitterazioni con un responsabile, una data di ultimo aggiornamento e una breve motivazione. Questo evita modifiche casuali come aggiungere "atta = aata = aataa" in posti diversi.
• Testa l'autocomplete nelle tue categorie principali con frasi reali: prova inglese, Hinglish e abbreviazioni comuni. Verifica che i suggerimenti non saltino su articoli di nicchia troppo presto e che includano varianti popolari (come “1kg”, “500g”, “pack of 2”).
• Stressa la tolleranza agli errori con 20 query difficili: errori di brand (soprattutto lettere doppie), numeri misti (“iPhone 15 pro 256”), e parole simili (“jeera/zeera”, “besan/besan flour”). Conferma che i risultati in cima siano corretti, non solo “vicini”.

Se qualcosa fallisce, distribuisci prima una modifica più piccola. Un rollout controllato batte un grande aggiornamento che rende la ricerca casuale.

Prossimi passi: un piano di rollout semplice (e come farlo più velocemente)

Inizia con una categoria dove il problema di ricerca è evidente, come generi alimentari, cura personale o accessori per mobile. Mantieni scope ridotto per una settimana così puoi vedere causa ed effetto. Scegli 2–3 metriche di successo che puoi davvero muovere, come tasso di risultati zero, conversione ricerca->click su prodotto e aggiunta al carrello dopo la ricerca.

Un rollout semplice che funziona per completamento automatico e tolleranza agli errori per l'e‑commerce indiano:

• Giorno 1: Baseline — cattura metriche correnti, query top e query a risultati zero per la categoria.
• Giorni 2–3: Pubblica un piccolo dizionario — aggiungi un set limitato di sinonimi e traslitterazioni Hinglish per le top 50 query, più i top 20 pattern di brand e taglia.
• Giorno 4: Guardrail — aggiungi esclusioni dove il significato cambia (per esempio, “atta” non deve corrispondere a “ATA” se è un brand o codice nel catalogo).
• Giorni 5–6: Monitor — traccia vittorie (meno risultati zero, più click) e perdite (click irrilevanti, più ritorni alla ricerca).
• Giorno 7: Decide — mantieni, affina o ripristina, poi pianifica il batch successivo in base a ciò che è migliorato.

Rendi le modifiche reversibili. Tratta sinonimi e regole di typo come codice: versionale, fai snapshot e tieni una chiara via di rollback. Se una nuova regola fa apparire "face wash" come "dishwash liquid", devi poter tornare indietro in minuti, non giorni.

La proprietà conta più delle regole brillanti. Assegna una persona per una review settimanale di 30 minuti: top nuove query a risultati zero, top "buone correzioni" (typo corretti) e spike in click di bassa qualità.

Se vuoi costruire e iterare più rapidamente, Koder.ai può aiutarti a implementare il layer di ricerca con una build guidata da chat, usare la modalità di pianificazione per mappare regole e metriche prima della pubblicazione, e fornire codice esportabile così il team può tenerne la proprietà a lungo termine. Supporta anche snapshot e rollback, ideale quando una modifica richiede un undo rapido.

Pianifica la prossima iterazione dai risultati misurati. Per esempio, se “zeera rice” ha iniziato a convertire ma “jeera” ora corrisponde a prodotti non correlati “zera”, l'azione successiva è chiudere quella regola, non riscrivere tutto.