اتجاهات المنتج الجديد

حول تحليلات المنتج على Habré لا تتم كتابته في كثير من الأحيان ، ولكن المنشورات ، والمنشورات الجيدة ، تظهر بانتظام. ظهرت معظم المقالات حول تحليلات المنتج في العامين الأخيرين ، وهذا منطقي - بعد كل شيء ، أصبح تطوير المنتج ذا أهمية متزايدة لكل من تكنولوجيا المعلومات والأعمال ، وهو يرتبط بشكل غير مباشر بتكنولوجيا المعلومات فقط.

هنا ، على Habré ، تم نشر مقال وصفت فيه توقعات الشركة من محلل المنتجات بشكل جيد. يجب على مثل هذا الاختصاص أولاً البحث عن النقاط الواعدة لنمو المنتج والعثور عليها ، وثانياً ، تحديد وتأكيد مدى إلحاح المشكلة عن طريق صياغة وتوسيع نطاقها. لا يمكنك القول بشكل أكثر دقة. لكن تحليلات المنتجات آخذة في التطور ، تظهر أدوات جديدة للعمل والاتجاهات تساعد المحللين على العمل. فقط عن الاتجاهات ، فيما يتعلق بعمل تطبيقات وخدمات المحمول ، سنتحدث في هذا المقال.

جمع البيانات المخصصة

الآن يتم جمع البيانات التي تمكن الشركة من تحسين عملها من خلال تقديم نهج شخصي لخدمة العملاء من قبل الجميع - من شركات الإنترنت مثل Google إلى تجار التجزئة مثل Walmart.

لا تتعلق هذه المعلومات فقط بالعملاء ، ولكن أيضًا بالظروف الجوية التي يمكن أن تؤثر على عمل الشركة ومتوسط ​​حجم الشيكات وتفضيلات العملاء وديناميات مشتريات سلع معينة وتكدس نقاط البيع وما إلى ذلك. لكن المشكلة تكمن في أن هناك المزيد والمزيد من البيانات ، ومن الصعب جدًا على الشركات فصل المعلومات الأساسية عن المعلومات غير الضرورية.



يمكنك جمع بايتات من البيانات ، ثم اتضح أن الشركة لا تحتاج إلا إلى جزء صغير من المعلومات التي تم جمعها لتحسين أدائها. كل شيء آخر هو "ضوضاء بيضاء" ، والتي لا تساعد بأي شكل للمضي قدمًا. العثور على البيانات الصحيحة أكثر وأكثر مثل العثور على إبرة في كومة قش. فقط كومة من حجم جبل جليد ، والإبرة رقيقة وصغيرة جدا.

يحتاج أي نوع من الأعمال إلى أداة تسمح لك بتوضيح المتطلبات الأساسية للبيانات التي تم جمعها. يجب ضبط جمع البيانات حيثما تكون المشاكل متوقعة ، لأنه "عندما تكون رقيقة ، ينهار". وفقًا لذلك ، يجب أن تحدد هذه الأداة المعايير الأكثر أهمية والأكثر أهمية وأن تجري عملية بحث بمساعدتهم.

يتيح تقييد البيانات التي تم جمعها تقليل تكلفة جمع المعلومات وتخزينها ومعالجتها. غالبًا ما تؤدي أساليب العمل الحالية إلى حقيقة أن معظم البيانات "تجمع الغبار" على الأقراص الصلبة لسنوات.

كتوجه مهم ، يتم تقديم إدخال أنظمة "ذكية" لجمع البيانات - متعقبات ، والتي يتم تقديم ردود الفعل من نتائج التحليلات "التقريبية". هذه الطريقة الحبيبية الخشنة ، والتي تشبه في منطقها أنظمة QM / MM الهجينة في النمذجة الجزيئية للبروتينات الكبيرة أو لوغاريتمات ضغط الصورة النمطي هندسي متكرر: يتم تحليل صورة كبيرة تقريبية لمسار المستخدم بواسطة خط أنابيب سريع وهناك حواف (انتقالات بين الأحداث) مع أكبر إمكانات التحليل ، يتم تقسيم هذه الحواف بواسطة المتعقب إلى أحداث أصغر ، ويتم تكييف جمع البيانات كنتيجة لذلك بدقة التحليل المطلوبة والمهمة التحليلية النهائية.

يمكن استخدام نفس الطريقة مع الملاحظات التي تم طرحها على جمع البيانات وتخزينها من أجل "بيانات التنظيف الذاتي" ، عندما لا نقوم بتخزين الكثير من البيانات ، فإننا نستخدم قواعد البيانات المضغوطة السريعة للبيانات التقريبية (Greenplum DB ، Clickhouse) وقواعد البيانات البطيئة الكبيرة للبيانات التفصيلية (Apache Kafka) بالإضافة إلى ذلك ، نتوقف عن تخزين البيانات المشتركة للجميع ، ونجمع بين شرائح سلوك المستخدم ونحافظ بشكل منفصل على نماذج التفضيلات الخاصة بهم.

ردود الفعل التسارع والتحليلات التنبؤية

لقد حان الوقت للتحدث عن التعليقات من نوع أكثر جوهرية - التحليلات نفسها عبارة عن تعليقات تنظم كيفية عمل الشركة مع عملائها.

من أجل التشغيل العادي لأي شركة لديها تطبيق أو خدمة للهاتف المحمول ، هناك حاجة إلى تعليقات تتيح لك تحديد المشكلات وحلها من خلال البحث عن فرضيات حول الحلول الممكنة وإجراء الاختبارات.

يجب تقليل وقت تأخير التعليقات إلى الحد الأدنى. هناك طريقتان للقيام بذلك.

استخدم مقاييس تنبؤية بدلاً من المقاييس التاريخية. في هذه الحالة ، يعني تسريع التعليقات عدم الانتظار حتى يأتي العميل أو المستخدم أو يأتي إلى هدف معين من أجل البدء في تصحيح الموقف. تسمح الطريقة بالتنبؤ ، استنادًا إلى النماذج المبنية على البيانات التاريخية ، مع احتمال وصول عميل معين إلى الشاشات وأزرار التطبيق ، أو الأهداف الخارجية - شراء المنتج ، والمكالمات إلى قسم المبيعات ، إلخ. لماذا هذه الشركة؟ لتكون قادرة على التأثير على مصير عميل معين أو عملاء جدد مماثل في أسرع وقت ممكن. والثاني مهم بشكل خاص لإعادة توزيع ميزانيات القنوات الإعلانية بسرعة - إذا غيرت القناة فجأة نوع العملاء الذين تم تسليمهم ، فيمكنك تغيير ميزانيتها دون انتظار الإجراءات النهائية - الطلبات ، أو العكس ، إلغاء الاشتراكات أو الرفض.

غالبًا ما يمكن تحقيق التسارع بمجرد استبدال المقاييس الحقيقية بما يمكن التنبؤ به. نقطة إيجابية أخرى هي أن النموذج يتم معايرته على جميع البيانات ، لذلك إذا كنت تستخدم المعلومات الحالية التي تلقيتها للتو ، فهناك فرصة لتحسين التنبؤ. سيتم تحديث هذا النموذج باستمرار ، ولن تكون هناك حاجة إلى رواسب البيانات لتشكيل المقاييس التاريخية.

مثال على ذلك هو الموقف عندما ننشئ واجهة ديناميكية لخدمة أو تطبيق. تظهر عناصر الواجهة المختلفة ، مثل الأزرار ، اعتمادًا على ما هو معروف عن المستخدم.



مثال آخر هو عمل مساعد صوت وشراء تذاكر الطائرة. يجب تحسين المساعدين الرقميين الحاليين كثيرًا ، أولاً وقبل كل شيء - التخصيص. لذلك ، إذا حاولت حجز تذكرة باستخدام Siri ، فستظهر مجموعة واسعة من الخيارات المتاحة. ولكن هنا هناك حاجة إلى التخصيص ، بحيث يعرض المساعد في النهاية 2-3 خيارات مناسبة ، لا أكثر. والتحليلات التنبؤية هي إحدى الطرق لتحقيق ما تريد ، لأنه يمكنك متابعة نوايا العميل دون إجباره على القراءة (في هذه الحالة ، من المهم عدم الخلط بين هذه الطريقة مع ML للتعرف على الكلام ، والتحليلات التنبؤية التي نوقشت ستعمل على قمة الأحداث من كلمات العميل المعترف بها بالفعل في النص ).

تسريع عمليات الاختبار على القطاعات. عادة ما يتم اختبار نتائج تحليل منتج الشركة على كامل جمهور الشركة أو الخدمة. لكن إجراء اختبارات على القطاعات الفردية أكثر فعالية بكثير ، وتحديدا تلك التي تمت فيها ملاحظة المشكلة.

بالمناسبة ، هناك طريقة مثيرة للاهتمام ، والتي يمكن أن تسمى "العصابات المسلحة واحدة ضد اختبارات A / B". لماذا "العصابات المسلحة"؟ توجد في أي كازينو آلات القمار هذه ، ويتم تكوين كل هذه الآلات بشكل مختلف في نفس المؤسسة. ليس دائما ، ولكن في كثير من الأحيان. تخيل أننا نريد تحديد "قطاع الطرق" الذي يعطي الفوز أكثر من غيره. للقيام بذلك ، نبدأ في اختبار جميع الآلات. ولكن عندما يكون المكسب أكثر من ذلك بقليل - سنخصص المزيد من العملات المعدنية للعبة. تتمثل ميزة هذا المخطط في أنه يمكن تشغيل مقاطع الاختبار الفردية بالتوازي ، ويتم استقراء النتائج الناجحة لجميع القطاعات الأخرى ، ويتم الحصول على التحسين المستمر بدلاً من الاختبار مع التحكم.

يمكن استخدام طريقة "قطاع الطرق المسلح واحد" في الممارسة العملية عند اختبار تطبيق الهاتف المحمول. لذلك ، يتم عرض واجهات / شاشات مختلفة لشرائح مختلفة من المستخدمين ، ويتم أيضًا ترك شريحة التحكم ، مما يجعل من الممكن تعزيز التعلم للروبوت والمراقب الذي يشاهده ، لتقييم تفاعل المستخدمين من شرائح مختلفة مع شاشات مختلفة. بمجرد توضيح الموقف ، تتم صياغة عملية بحث ناجحة كتحسين للتطبيق بأكمله ، أو يتم إجراء التخصيص ، ومشاركة وظيفة التطبيق لشرائح مختلفة. قد تكون نماذج المستخدم ونماذج تفاعل المستخدم مع التطبيقات مختلفة. باستخدام الزخارف المجردة (screen2vec عن طريق القياس مع word2vec) ، يمكن بناء النموذج على تطبيق واحد ، وتطبيقه ، وإن كان مع وجود قيود ، على الثاني. هذا يجعل من الممكن نقل الأفكار التحليلية بين الإصدارات المختلفة ، والأنظمة الأساسية ، والإصدارات ، وحتى التطبيقات التابعة. بالطبع ، من الضروري التحكم في إمكانية تطبيق نماذج الآخرين ، حتى لا تطلق النار على قدمك.

أتمتة ردود الفعل

من أجل تقليل وقت حلقة التعليق بشكل هامشي ، يمكنك محاولة تطوير عناصر تطبيق تلقائية ومستقلة أو خدمات تحليلية دقيقة في الوقت الفعلي. هذا يلفت الانتباه بشكل خاص - يمكن للأزرار وعناصر الواجهة نفسها تقييم سلوك المستخدم وتأثير العوامل المختلفة على مسار المستخدم بالكامل ومقاييس أعماله - التحويل ، والتحقق من متوسط ​​، والمشاركة والاحتفاظ بها. هذا يفتح إمكانية ، دون تدخل بشري ، لتحديد قيمة العناصر الفردية من حيث زيادة الطلبات أو ولاء العملاء ، ولا يتم ببساطة استخدام المراحل الفردية من التحليلات ، لأن العملية تتم آليًا. تقوم الأزرار بضبط نفسها ، بعد إعادة توجيه الإشارات من الأزرار الأخرى في مسار المستخدم ومن وحدة التحكم المركزية ، تعمل باستمرار على تحسين سلوكهم.



في مستوى معين ، يمكن مقارنة هذه اللحظة بالتنظيم الذاتي للنشاط الحيوي للكائن الحي. لديها وكلاء مستقلون - خلايا فردية تسمح للجسم كله بالتنظيم الذاتي. بالنسبة للتطبيقات ، يمكن للمرء أن يتخيل موقفًا حيث ينظم النظام البيئي لمكونات الواجهة بعضها البعض ، وقراءة مسارات المستخدم وتبادل المعلومات المهمة ، مثل شرائح وأنواع المستخدمين وتجربتهم في التفاعل مع المستخدمين في الماضي. نحن نطلق على هذه المجموعة من المكونات الذكية الوكلاء المعتمدون على الشركات ، والآن ، بناءً على بحثنا ، نجمع نموذجًا تجريبيًا لهذا النهج. ربما في المرة الأولى التي سيلعب فيها وظيفة بحثية بحتة ويلهمنا نحن والفرق الأخرى لتطوير إطار متكامل متوافق مع منصات بناء الواجهة المشتركة - React JS و Java و Kotlin و Swift.

حتى الآن ، لا توجد مثل هذه التكنولوجيا ، ولكن يمكن توقع ظهورها ليس فقط منا حرفيًا في أي يوم. على الأرجح سيبدو كإطار عمل أو SDK لواجهة واجهة المستخدم التنبؤية. لقد أظهرنا تقنية مماثلة في Yandex Data Driven 2019 باستخدام مثال تعديل تطبيق Kickstarter ، عندما نظر العميل على نموذج متسلسل في احتمال فقدان المستخدم وعناصر واجهة المقدمة المشروطة اعتمادًا عليه.

كيف ستبدو تحليلات المنتجات في غضون 20 عامًا؟ في الواقع ، أصبحت الصناعة نفسها ، حيث يتم كل شيء أو كل شيء يدويًا ، قديمة. نعم ، هناك أدوات جديدة يمكن أن تزيد من كفاءة العمل. لكن مع ذلك ، كل هذا بطيء وبطيء للغاية ، في الظروف الحديثة تحتاج إلى العمل بشكل أسرع. يجب أن يحدث الكشف عن المشكلات وتصحيحها في المستقبل بشكل مستقل.

من المحتمل أن "تتعلم التطبيقات من بعضها البعض". لذلك ، على سبيل المثال ، سيتمكن التطبيق الذي يتم استخدامه مرة واحدة في الشهر من تبني نماذج المستخدم ذات الصلة به وتفضيلاته لتزيين CJM من تطبيق آخر يتم استخدامه يوميًا. في هذه الحالة ، يمكن أن تزيد سرعة تطوير التطبيق الأول بشكل كبير.

داخل التحليلات نفسها ، هناك عدد قليل جدًا من المهام المحددة جيدًا لأتمتة خطوط الأنابيب التحليلية ، حيث يكافح المحللون في كل مكان تقريبًا باستخدام ترميز بيانات ضعيف أو وضع أهداف أعمال ضعيفة. ولكن بالتدريج ، مع اختراق التطوير للتحليلات ، يتم استخدام ML داخل التحليلات فقط لحل المشكلات التحليلية ، بالإضافة إلى رقمنة الموارد البشرية ونقل الأهداف والمهام بشكل صحيح بين الأقسام ، سيبدأ المشهد التحليلي للمنتج في التغير بشكل كبير وسيتم تشغيل المهام المميزة تلقائيًا. وسوف يتحول تبادل الأفكار والأساليب إلى تبادل للكود وإعداد وكلاء مستقلين يعملون كواجهة مرنة للمستخدم وتحسين روبوت العمل للشركة. بالطبع ، لن يأتي كل هذا قريبًا ، لكن المستقبل موجود بالفعل ، وبالتالي فإن مستقبل تحليلات المنتجات قريب جدًا.