Jak jsme z neviditelných PDF udělali tahák na čtenáře

Rozsáhlé obsahové weby, mediální portály i kulturní instituce často řeší jednu konkrétní výzvu. Na jedné straně publikují denně čerstvé články, na straně druhé spravují obrovské archivy starších textů a k tomu množství dalších formátů, jako jsou ročenky, sazebníky nebo obsáhlé PDF dokumenty.

S tímto problémem za námi přišel Ochranný svaz autorský (OSA), který vydává magazín Autorin. Spravovali gigantické množství historických i provozních dat, ale nedokázali je vytěžit. Pro orientaci v obsahu takového rozsahu potřebuje totiž čtenář vyhledávání a jejich stávající vyhledávač si s tímto zadáním neporadil.

Z PDF a dalších dokumentů obvykle vytáhl jen surový text, který nikdo nedokázal smysluplně zařadit. Ve výsledku pak i velmi cenné informace a atraktivní články zůstávaly pro návštěvníky v podstatě neviditelné a nikomu se nechtělo v nich hledat.

Rozhodli jsme se proto v naší divizi Search Ready postavit se k problému jinak a najít řešení, které skrytá data zpřístupní.

Změna přístupu: Sjednocení a pochopení kontextu

OSA měla obsah roztříštěný – aktuální články vycházely na webu autorin.cz, zatímco historické dokumenty, sazebníky a kompletní archivní fondy byly spravovány na portálu archiv.osa.cz. V prvním kroku bylo nutné tato data sjednotit a propojit běžné webové prostředí s rozsáhlými databázemi do jednoho intuitivního vyhledávacího rozhraní.

Cílem bylo zpřístupnit rozsáhlý archiv vydaného obsahu tak, aby se badatelé, čtenáři a další návštěvníci snadno dostali k cenným historickým datům, ze kterých lze čerpat. Zatímco vyhledávání na autorin.cz pokrývá primárně archiv magazínu, systém dodaný divizí Search Ready na archiv.osa.cz prohledává kompletní archiv včetně veškerých materiálů z Autorin.cz. Obsah byl sjednocen do tematických indexů bez nutnosti složitého interního IT vývoje na straně klienta.

Samotné sloučení zdrojů by ale nestačilo, pokud by vyhledávač dokumentům nerozuměl. Místo běžného fulltextu jsme proto řešení postavili na hluboké analýze vnitřní struktury obsahu u různých formátů (PDF a rastrové formáty jako PNG nebo JPG).

• Pochopení vizuálního layoutu: Náš systém nenačítá jen slova. Bleskově rozpozná hierarchii nadpisů, tabulky, odstavce a obrázky.
• Čtení ze skenů: U historických archivů bez textové vrstvy automaticky nasazujeme technologii Smart OCR. Všechna data se následně transformují do strukturovaného formátu Markdown.
• Rekonstrukce metadat: Systém z obsahu sám zrekonstruuje skutečný název dokumentu a vytvoří k němu výstižný souhrn, aniž bychom museli měnit původní URL cesty.

Ve výsledcích tak dnes lidé na webech OSA nevidí jen kryptické odkazy do složek, ale rovnou přehledný index s jasnými titulky a interaktivními osnovami dokumentů.

4 tipy, co si z našeho postupu odnést pro váš web

Jak o chytrém propojení dat přemýšlet u vašeho portálu, aby z toho návštěvník (i vy) získal maximum? Zde jsou čtyři hlavní principy, které se nám v praxi osvědčily:

1. Umožněte hledat vše z jednoho místa

Nenuťte návštěvníky přeskakovat mezi hlavní doménou, e-shopem a archivem. Pokud máte obsah na více místech, sjednoťte ho pod jedno chytré vyhledávací okno. Když čtenář nebo zákazník najde vše rychle a z jednoho místa, neodchází hledat odpovědi ke konkurenci (nebo zpět na Google).

2. Dávejte výsledkům vizuální štítky a tvořte osnovy

Lidé neradi klikají na slepé odkazy. Výrazně pomáhá, když každý výsledek vyhledávání automaticky opatříte vizuálním štítkem na základě URL adresy (například „článek“, „magazín“ nebo „dokument“). Pokud k tomu vyhledávač doplní ještě logické kapitoly dokumentu, čtenář získá okamžitý kontext ještě dřív, než si začne stahovat velké PDF.

3. Upřednostněte aktuální obsah před historií

Aby bylo vyhledávání pro lidi skutečně užitečné, musí chápat oborový kontext. Nastavte si chytré řazení tak, aby čerstvé aktuality a platné dokumenty měly automaticky přednost před deset let starým archivem. Udržet pořádek pomáhá i automatické čištění dat, kdy systém inteligentně ořezává příliš dlouhé a neformátované titulky článků.

4. Myslete na své redaktory a zaměstnance

Kvalitní prohledávání obsahu neslouží zdaleka jen veřejnosti. Intuitivní prostředí ocení i vaše interní týmy. Když může zákaznická podpora nebo redakce snadno a do hloubky prohledávat vnitřní obsah vlastních historických příloh a dokumentů, ušetříte jim obrovské množství času a frustrace z byrokratického tápání.

Zhodnoťte svůj obsahový potenciál

Skrytá data představují obrovskou příležitost pro lepší UX i novou organickou návštěvnost. Zkuste se na své archivy podívat novýma očima. Pokud budete hledat cestu, jak váš stávající obsah oživit a logicky propojit, ozvěte se nám.

Náš inteligentní vyhledávač Search Ready totiž umí vdechnout život i těm nejsložitějším datovým strukturám.

‍