La analítica de productos en Habré no se escribe con tanta frecuencia, pero las publicaciones y las buenas aparecen con envidiable regularidad. La mayoría de los artículos sobre análisis de productos han aparecido en los últimos años, y esto es lógico, porque el desarrollo de productos se está volviendo cada vez más importante tanto para TI como para los negocios, solo indirectamente relacionados con la tecnología de la información.
Aquí, en Habré,
se publicó un artículo en el que las expectativas de la compañía de un analista de productos estaban bien descritas. Tal especialista debería, en primer lugar, buscar y encontrar puntos prometedores de crecimiento del producto, y en segundo lugar, identificar y confirmar la urgencia del problema al formularlo y escalarlo. No se puede decir con más precisión. Pero el análisis de productos está evolucionando, aparecen nuevas herramientas para el trabajo y las tendencias que ayudan a los analistas de productos a trabajar. Sobre las tendencias, en relación con el trabajo de las aplicaciones y servicios móviles, hablaremos en este artículo.
Recolección de datos personalizados
Ahora todos recopilan los datos que permiten a la compañía mejorar su trabajo mediante la implementación de un enfoque personalizado para el servicio al cliente, desde compañías de Internet como Google hasta minoristas como Walmart.
Esta información no es solo sobre los clientes, sino también sobre las condiciones climáticas que pueden afectar el trabajo de la empresa, el tamaño promedio de los cheques, las preferencias de los clientes, la dinámica de las compras de ciertos productos, la congestión de los puntos de venta, etc. Pero el problema es que hay cada vez más datos, y es muy difícil para las empresas separar la información esencial de la no esencial.
Puede recopilar petabytes de datos, y luego resulta que una empresa necesita solo una pequeña fracción de la información recopilada para mejorar su rendimiento. Todo lo demás es "ruido blanco", que no ayuda de ninguna manera a avanzar. Encontrar los datos correctos es cada vez más como encontrar una aguja en un pajar. Solo una pila del tamaño de un iceberg, y la aguja es delgada y muy pequeña.
Cualquier tipo de empresa necesita una herramienta que le permita aclarar los requisitos clave para los datos recopilados. La recopilación de datos debe ajustarse donde se esperan problemas, porque "donde es delgada, se rompe". En consecuencia, dicha herramienta debería identificar los criterios más relevantes e importantes y realizar una búsqueda con su ayuda.
Limitar los datos recopilados hace posible reducir el costo de recopilar, almacenar y procesar información. Los métodos de trabajo actuales a menudo conducen al hecho de que la mayoría de los datos simplemente "acumulan polvo" en los discos duros durante años.
Como tendencia importante, se presenta la introducción de sistemas de recopilación de datos "inteligentes": rastreadores, a los que se presenta la retroalimentación de los resultados de análisis "aproximados". Tal enfoque de grano grueso, que en su lógica es similar a los sistemas híbridos QM / MM en el modelado molecular de proteínas grandes o algoritmos de compresión de imágenes fractales: se analiza una imagen grande y aproximada de la ruta del usuario mediante una tubería rápida y hay bordes (transiciones entre eventos) con el mayor potencial de análisis, el rastreador divide estos bordes en eventos más pequeños y, como resultado, la recopilación de datos se adapta constantemente a la precisión de análisis requerida y a la tarea analítica final.
El mismo enfoque con retroalimentación lanzada sobre la recopilación y el almacenamiento de datos se puede usar para “datos autolimpiables”, cuando básicamente no almacenamos demasiado, utilizamos bases de datos compactas rápidas para datos aproximados (Greenplum DB, Clickhouse) y grandes y lentas para datos detallados (Apache Kafka) , además, dejamos de almacenar datos comunes a todos, reuniendo segmentos de comportamiento del usuario y preservando por separado sus modelos de preferencia.
Aceleración de retroalimentación y análisis predictivo
Es hora de hablar sobre la retroalimentación de un tipo más fundamental: el análisis en sí mismo es una retroalimentación que regula la forma en que la empresa trabaja con sus clientes.
Para el funcionamiento normal de cualquier empresa que tenga una aplicación o servicio móvil, se necesitan comentarios que le permitan identificar problemas y resolverlos buscando hipótesis sobre posibles soluciones y ejecutando pruebas.
El tiempo de retraso de la retroalimentación debe reducirse al mínimo. Hay dos formas de hacer esto.
Use métricas predictivas en lugar de históricas. En este caso, acelerar la retroalimentación significa no esperar hasta que el cliente, usuario, llegue o llegue a un cierto objetivo para comenzar a corregir la situación. El método le permite predecir, con base en modelos basados en datos históricos, con qué probabilidad alcanzará un cliente en particular qué pantallas y botones de la aplicación, u objetivos externos: compras de productos, llamadas al departamento de ventas, etc. ¿Por qué es esta empresa? Para poder influir en el destino de un cliente en particular o nuevos clientes similares lo más rápido posible. El segundo es especialmente importante para redistribuir rápidamente los presupuestos de los canales publicitarios: si un canal cambia repentinamente el tipo de clientes entregados, puede cambiar su presupuesto sin esperar las acciones finales: pedidos o viceversa, cancelaciones o rechazos.
La aceleración a menudo se puede lograr simplemente reemplazando las métricas reales con lo que se puede predecir. Otro punto positivo es que el modelo está calibrado en todos los datos, por lo que si usa la información actual que acaba de recibir, existe la oportunidad de mejorar la predicción. Dicho modelo se actualizará constantemente y los depósitos de datos para la formación de métricas históricas simplemente no serán necesarios.
Un ejemplo es la situación cuando creamos una interfaz dinámica para un servicio o aplicación. Y varios elementos de la interfaz, digamos botones, aparecen dependiendo de lo que se sepa sobre el usuario.
Otro ejemplo es el trabajo de un asistente de voz y la compra de boletos de avión. Los asistentes digitales existentes deben mejorarse mucho, en primer lugar, la personalización. Por lo tanto, si intenta reservar un boleto con Siri, mostrará una amplia selección de opciones disponibles. Pero aquí se necesita personalización, para que al final el asistente muestre 2-3 opciones adecuadas, nada más. Y el análisis predictivo es una forma de lograr lo que desea, porque puede continuar con las intenciones del cliente sin obligarlo a leer (en este caso, es importante no confundir este método con ML para el reconocimiento de voz, el análisis predictivo discutido funcionará sobre los eventos de las palabras del cliente ya reconocidas en el texto )
Aceleración de procesos de prueba en segmentos. Los resultados del análisis de productos de una empresa generalmente se prueban en toda la audiencia de una empresa o servicio. Pero es mucho más efectivo realizar pruebas en segmentos individuales, precisamente aquellos en los que se observó el problema.
Por cierto, hay un método interesante, que se puede llamar "bandido de un solo brazo contra las pruebas A / B". ¿Por qué un "bandido armado"? En cualquier casino existen estas máquinas tragamonedas, y todas estas máquinas están configuradas de manera diferente en la misma institución. No siempre, pero con mayor frecuencia. Imagine que queremos identificar a un "bandido" que otorga la victoria con más frecuencia que otros. Para hacer esto, comenzamos a probar todas las máquinas. Pero donde la ganancia es un poco más, asignaremos más monedas para el juego. La ventaja de este esquema es que los segmentos de prueba individuales pueden ejecutarse en paralelo, y los resultados exitosos se extrapolan a todos los demás segmentos, y se obtiene una optimización continua en lugar de realizar pruebas con control.
El método de "bandido de un solo brazo" se puede usar en la práctica cuando se prueba una aplicación móvil. Por lo tanto, se muestran diferentes interfaces / pantallas a diferentes segmentos de usuarios, y también se deja el segmento de control, lo que hace posible el aprendizaje de refuerzo para el robot y el analista que lo observa, para evaluar la interacción de los usuarios de diferentes segmentos con diferentes pantallas. Tan pronto como la situación se aclare, un hallazgo exitoso se formula como un refinamiento de toda la aplicación, o se lleva a cabo la personalización, compartiendo la funcionalidad de la aplicación para diferentes segmentos. Los modelos de usuario y los modelos de interacción del usuario con las aplicaciones pueden ser diferentes. Usando incrustaciones abstractas (screen2vec por analogía con word2vec), el modelo se puede construir en una aplicación y aplicar, aunque con limitaciones, en la segunda. Esto permite transferir información analítica entre diferentes versiones, plataformas, lanzamientos e incluso aplicaciones afiliadas. Por supuesto, es necesario controlar la aplicabilidad de los modelos de otras personas, para no dispararse en el pie.
Automatización de retroalimentación
Para reducir marginalmente el tiempo del ciclo de retroalimentación, puede intentar desarrollar elementos de aplicación automáticos y autónomos o microservicios analíticos en tiempo real. Esto captura especialmente la imaginación: los botones y los elementos de la interfaz en sí mismos podrían evaluar el comportamiento del usuario y la influencia de varios factores en toda la ruta del usuario y sus métricas comerciales: conversión, verificación promedio, compromiso y retención. Esto abre la posibilidad, sin intervención humana, de determinar el valor de elementos individuales en términos de aumento de pedidos o fidelización de clientes, y las etapas individuales de análisis simplemente no se utilizan, porque el proceso está automatizado. Los botones se ajustan solos, habiendo enviado señales desde otros botones en la ruta del usuario y desde el controlador central, optimizan constantemente su comportamiento.
En cierto nivel, este momento puede compararse con la autorregulación de la actividad vital de un organismo vivo. Tiene agentes independientes: células individuales que permiten que todo el cuerpo se autorregule. En cuanto a las aplicaciones, uno puede imaginar una situación en la que el ecosistema de componentes de la interfaz se regula entre sí, leyendo las rutas de los usuarios e intercambiando información importante, como segmentos y tipos de usuarios y su experiencia en la interacción con los usuarios en el pasado. Llamamos a este conjunto de componentes inteligentes Agentes intelectuales impulsados por el negocio y ahora, en base a nuestra investigación, estamos recopilando un prototipo experimental de este enfoque. Probablemente la primera vez que desempeñe una función puramente de investigación y nos inspire a nosotros y a otros equipos a desarrollar un marco completo que sea compatible con las plataformas comunes de construcción de interfaces: React JS, Java, Kotlin y Swift.
Hasta ahora, no existe tal tecnología, pero se puede esperar su aparición no solo de nosotros, literalmente, cualquier día. Lo más probable es que se vea como un framework o SDK para la interfaz de IU predictiva. Demostramos una tecnología similar en Yandex Data Driven 2019 usando el ejemplo de una modificación de la aplicación Kickstarter, cuando en un cliente un modelo serializado consideraba la probabilidad de pérdida del usuario y elementos de interfaz condicionalmente dependientes dependiendo de ello.
¿Cómo será el análisis de productos en 20 años? De hecho, ahora la industria misma, donde todo o casi todo se hace manualmente, está desactualizada. Sí, hay nuevas herramientas que pueden aumentar la eficiencia del trabajo. Pero de todos modos, todo esto es demasiado lento y lento, en condiciones modernas necesita trabajar más rápido. La detección y corrección de problemas en el futuro debería ocurrir de forma autónoma.
Es probable que las aplicaciones "aprendan unas de otras". Entonces, por ejemplo, una aplicación que se usa una vez al mes podrá adoptar modelos de usuario relevantes para ella y sus preferencias para las incrustaciones de CJM de otra aplicación que se usa a diario. En este caso, la velocidad de desarrollo de la primera aplicación puede aumentar significativamente.
Dentro de la analítica en sí, hay muy pocas tareas bien definidas para la automatización de las canalizaciones analíticas, en casi todas partes los analistas luchan con un marcado deficiente de datos o objetivos de negocios mal establecidos. Pero gradualmente, a medida que el desarrollo penetra en la analítica, ML se usa dentro de la analítica únicamente para resolver problemas analíticos, así como para la digitalización de recursos humanos y una transferencia más correcta de objetivos y tareas entre departamentos, el panorama de la analítica del producto comenzará a cambiar drásticamente y las tareas características se automatizarán. Y el intercambio de ideas y métodos se convertirá en un intercambio de código y en la creación de agentes autónomos que actúen como una interfaz flexible para el usuario y optimicen el robot comercial para la empresa. Por supuesto, todo esto no llegará pronto, pero el futuro ya está allí, por lo que el futuro de la analítica del producto está en algún lugar cercano.