Über Produktanalysen zu Habré wird nicht so oft geschrieben, aber Veröffentlichungen und gute erscheinen mit beneidenswerter Regelmäßigkeit. Die meisten Artikel zur Produktanalyse sind in den letzten Jahren erschienen, und dies ist logisch - da die Produktentwicklung sowohl für die IT als auch für die Wirtschaft immer wichtiger wird und sich nur indirekt auf die Informationstechnologie bezieht.
Hier auf Habré wurde
ein Artikel veröffentlicht, in dem die Erwartungen des Unternehmens an einen Produktanalysten gut beschrieben wurden. Ein solcher Spezialist sollte zum einen vielversprechende Punkte des Produktwachstums suchen und finden und zum anderen die Dringlichkeit des Problems durch Formulierung und Skalierung identifizieren und bestätigen. Genauer kann man es nicht sagen. Die Produktanalyse entwickelt sich jedoch weiter. Es erscheinen neue Tools für die Arbeit und Trends, die Produktanalysten bei der Arbeit helfen. In diesem Artikel werden wir uns mit Trends in Bezug auf die Arbeit mobiler Anwendungen und Dienste befassen.
Benutzerdefinierte Datenerfassung
Jetzt werden die Daten, die es dem Unternehmen ermöglichen, seine Arbeit durch die Einführung eines personalisierten Ansatzes für den Kundenservice zu verbessern, von allen gesammelt - von Internetunternehmen wie Google bis zu Einzelhändlern wie Walmart.
Diese Informationen beziehen sich nicht nur auf Kunden, sondern auch auf Wetterbedingungen, die sich auf die Arbeit des Unternehmens, die durchschnittliche Scheckgröße, Kundenpräferenzen, die Dynamik des Kaufs bestimmter Waren, die Überlastung von Verkaufsstellen usw. auswirken können. Das Problem ist jedoch, dass es immer mehr Daten gibt und es für Unternehmen sehr schwierig ist, wesentliche Informationen von nicht wesentlichen zu trennen.
Sie können Petabyte an Daten sammeln, und dann stellt sich heraus, dass ein Unternehmen nur einen kleinen Teil der gesammelten Informationen benötigt, um seine Leistung zu verbessern. Alles andere ist „weißes Rauschen“, was in keiner Weise dazu beiträgt, vorwärts zu kommen. Das Finden der richtigen Daten ähnelt immer mehr dem Finden einer Nadel im Heuhaufen. Nur ein Stapel von der Größe eines Eisbergs, und die Nadel ist dünn und sehr klein.
Jede Art von Geschäft benötigt ein Tool, mit dem Sie die wichtigsten Anforderungen für die gesammelten Daten klären können. Die Datenerfassung sollte dort optimiert werden, wo Probleme zu erwarten sind, denn "wo sie dünn ist, bricht sie". Dementsprechend sollte ein solches Tool die relevantesten und wichtigsten Kriterien identifizieren und mit ihrer Hilfe eine Suche durchführen.
Durch die Einschränkung der gesammelten Daten können die Kosten für das Sammeln, Speichern und Verarbeiten von Informationen gesenkt werden. Aktuelle Arbeitsmethoden führen häufig dazu, dass die meisten Daten jahrelang einfach "Staub auf Festplatten sammeln".
Als wichtiger Trend wird die Einführung von „intelligenten“ Datenerfassungssystemen vorgestellt - Trackern, auf die das Feedback aus den Ergebnissen der „groben“ Analyse übertragen wird. Solch ein grobkörniger Ansatz, der in seiner Logik hybriden QM / MM-Systemen bei der molekularen Modellierung großer Proteine oder fraktaler Bildkomprimierungsalgorithmen ähnelt: Ein großes, grobes Bild des Benutzerpfads wird durch eine schnelle Pipeline analysiert, und es gibt Kanten (Übergänge zwischen Ereignissen) mit dem größten Analysepotential. Solche Kanten werden vom Tracker in kleinere Ereignisse aufgeteilt, und die Datenerfassung wird daher ständig an die erforderliche Analysegenauigkeit und die endgültige Analyseaufgabe angepasst.
Der gleiche Ansatz mit geworfenem Feedback zur Erfassung und Speicherung von Daten kann für „selbstreinigende Daten“ verwendet werden. Wenn wir im Grunde nicht zu viel speichern, verwenden wir schnelle, kompakte Datenbanken für grobe Daten (Greenplum DB, Clickhouse) und große langsame für detaillierte Daten (Apache Kafka). außerdem haben wir nicht alle mehr Daten speichern gemeinsamen, Verhaltenssegmente von Benutzern zu reduzieren und sie separat Vorlieben Modell zu speichern.
Feedback-Beschleunigung und Predictive Analytics
Es ist Zeit, über grundlegenderes Feedback zu sprechen - Analytics selbst ist ein Feedback, das regelt, wie das Unternehmen mit seinen Kunden zusammenarbeitet.
Für den normalen Betrieb eines Unternehmens mit einer mobilen Anwendung oder einem mobilen Dienst ist Feedback erforderlich, mit dem Sie Probleme identifizieren und lösen können, indem Sie nach Hypothesen über mögliche Lösungen suchen und Tests ausführen.
Die Rückkopplungsverzögerungszeit sollte auf ein Minimum reduziert werden. Es gibt zwei Möglichkeiten, dies zu tun.
Verwenden Sie prädiktive Metriken anstelle historischer Metriken. In diesem Fall bedeutet eine Beschleunigung des Feedbacks, nicht zu warten, bis der Client, Benutzer, ein bestimmtes Ziel erreicht oder erreicht, um mit der Korrektur der Situation zu beginnen. Mit dieser Methode können Sie anhand von Modellen, die auf historischen Daten basieren, vorhersagen, mit welcher Wahrscheinlichkeit ein bestimmter Kunde welche Bildschirme und Schaltflächen der Anwendung oder externe Ziele erreicht - Produktkäufe, Anrufe bei der Verkaufsabteilung usw. Warum ist diese Firma? Das Schicksal eines bestimmten Kunden oder ähnlicher neuer Kunden so schnell wie möglich beeinflussen zu können. Die zweite ist besonders wichtig, um die Budgets von Werbekanälen schnell neu zu verteilen. Wenn ein Kanal plötzlich die Art der gelieferten Kunden ändert, können Sie sein Budget ändern, ohne auf die endgültigen Maßnahmen zu warten - Bestellungen oder umgekehrt, Abmeldungen, Ablehnungen.
Die Beschleunigung kann oft einfach dadurch erreicht werden, dass echte Metriken durch Vorhersagen ersetzt werden. Ein weiterer positiver Punkt ist, dass das Modell für alle Daten kalibriert wird. Wenn Sie also die gerade empfangenen aktuellen Informationen verwenden, besteht die Möglichkeit, die Vorhersage zu verbessern. Ein solches Modell wird ständig aktualisiert, und Datenablagen für die Bildung historischer Metriken werden einfach nicht benötigt.
Ein Beispiel ist die Situation, in der wir eine dynamische Schnittstelle für einen Dienst oder eine Anwendung erstellen. Und die verschiedenen Elemente der Schnittstelle übernehmen Tasten erscheinen, je nachdem, was dem Benutzer bekannt ist.
Ein weiteres Beispiel ist die Arbeit eines Sprachassistenten und der Kauf von Flugtickets. Bestehende digitale Assistenten müssen vor allem stark verbessert werden - Personalisierung. Wenn Sie also versuchen, ein Ticket mit Siri zu buchen, wird eine umfangreiche Auswahl verfügbarer Optionen angezeigt. Hier ist jedoch eine Personalisierung erforderlich, damit der Assistent am Ende 2-3 geeignete Optionen anzeigt, nicht mehr. Predictive Analytics ist eine Möglichkeit, das zu erreichen, was Sie möchten, da Sie die Absichten des Kunden fortsetzen können, ohne ihn zum Auslesen zu zwingen (in diesem Fall ist es wichtig, diese Methode nicht mit ML für die Spracherkennung zu verwechseln. Die besprochene Predictive Analytics funktioniert zusätzlich zu Ereignissen aus bereits im Text erkannten Kundenwörtern )
Beschleunigung von Testprozessen an Segmenten. Die Ergebnisse der Produktanalyse eines Unternehmens werden normalerweise an der gesamten Zielgruppe eines Unternehmens oder einer Dienstleistung getestet. Es ist jedoch viel effektiver, Tests an einzelnen Segmenten durchzuführen, genau an solchen, bei denen das Problem beobachtet wurde.
Übrigens gibt es eine interessante Methode, die als "einarmiger Bandit gegen A / B-Tests" bezeichnet werden kann. Warum ein "einarmiger Bandit"? In jedem Casino gibt es diese Spielautomaten, und alle diese Automaten sind in derselben Institution unterschiedlich konfiguriert. Nicht immer, aber öfter. Stellen Sie sich vor, wir möchten einen "Banditen" identifizieren, der den Sieg häufiger als andere ausgibt. Dazu beginnen wir, alle Maschinen zu testen. Aber wo der Gewinn etwas höher ist, werden wir mehr Münzen für das Spiel bereitstellen. Der Vorteil dieses Schemas besteht darin, dass einzelne Testsegmente parallel ausgeführt werden können und erfolgreiche Ergebnisse auf alle anderen Segmente extrapoliert werden und eine kontinuierliche Optimierung erhalten wird, anstatt mit Kontrolle zu testen.
Die "einarmige Banditen" -Methode kann in der Praxis beim Testen einer mobilen Anwendung verwendet werden. So werden verschiedenen Benutzerabschnitten unterschiedliche Schnittstellen / Bildschirme angezeigt, und das Steuerungssegment bleibt ebenfalls übrig, wodurch der Roboter und der beobachtende Analytiker verstärkt lernen können, um die Interaktion von Benutzern aus verschiedenen Segmenten mit unterschiedlichen Bildschirmen zu bewerten. Sobald sich die Situation geklärt hat, wird ein erfolgreicher Fund als Verfeinerung der gesamten Anwendung formuliert oder eine Personalisierung durchgeführt, bei der die Funktionalität der Anwendung für verschiedene Segmente gemeinsam genutzt wird. Benutzermodelle und Modelle der Benutzerinteraktion mit Anwendungen können unterschiedlich sein. Unter Verwendung abstrakter Einbettungen (screen2vec in Analogie zu word2vec) kann das Modell auf einer Anwendung aufgebaut und, wenn auch mit Einschränkungen, auf der zweiten angewendet werden. Auf diese Weise können analytische Erkenntnisse zwischen verschiedenen Versionen, Plattformen, Releases und sogar Partneranwendungen übertragen werden. Natürlich ist es notwendig, die Anwendbarkeit der Modelle anderer Leute zu kontrollieren, um sich nicht in den Fuß zu schießen.
Feedback-Automatisierung
Um geringfügig die Zeit der Rückkopplungsschleife zu reduzieren, können Sie versuchen, eine automatische und autonome Elemente oder analytische Anwendungen mikroservisy Echtzeit zu entwickeln. Dies regt insbesondere die Vorstellungskraft an - Schaltflächen und Oberflächenelemente selbst könnten das Benutzerverhalten und den Einfluss verschiedener Faktoren auf den gesamten Benutzerpfad und seine Geschäftsmetriken bewerten - Conversion, durchschnittliche Überprüfung, Engagement und Aufbewahrung. Dies eröffnet die Möglichkeit, ohne menschliches Eingreifen den Wert einzelner Elemente im Hinblick auf steigende Bestellungen oder Kundenbindung zu bestimmen, und die einzelnen Phasen der Analyse werden einfach nicht verwendet, da der Prozess automatisiert ist. Die Tasten passen sich an, haben Signale von anderen Tasten im Benutzerpfad und von der zentralen Steuerung weitergeleitet und optimieren ständig ihr Verhalten.
Ab einem bestimmten Grad kann dieser Moment mit der Selbstregulierung der lebenswichtigen Aktivität eines lebenden Organismus verglichen werden. Es hat unabhängige Wirkstoffe - einzelne Zellen, die es dem ganzen Körper ermöglichen, sich selbst zu regulieren. Bei Anwendungen kann man sich eine Situation vorstellen, in der sich das Ökosystem der Schnittstellenkomponenten gegenseitig reguliert, Benutzerpfade liest und wichtige Informationen wie Segmente und Benutzertypen sowie deren Erfahrung im Umgang mit Benutzern in der Vergangenheit austauscht. Wir nennen eine solche Reihe intelligenter Komponenten Business Driven Intellectual Agents und sammeln nun basierend auf unserer Forschung einen experimentellen Prototyp dieses Ansatzes. Wahrscheinlich wird er zum ersten Mal eine reine Forschungsfunktion übernehmen und uns und andere Teams dazu inspirieren, ein vollwertiges Framework zu entwickeln, das mit gängigen Plattformen zum Erstellen von Schnittstellen kompatibel ist - React JS, Java, Kotlin und Swift.
Bisher gibt es keine solche Technologie, aber ihr Aussehen kann nicht nur von uns buchstäblich jeden Tag erwartet werden. Höchstwahrscheinlich sieht es aus wie ein Framework oder SDK für die prädiktive Benutzeroberfläche. Wir haben eine ähnliche Technologie für Yandex Data Driven 2019 am Beispiel einer Kickstarter-Anwendungsmodifikation demonstriert, als auf einem Client ein serialisiertes Modell die Wahrscheinlichkeit eines Benutzerverlusts berücksichtigte und abhängig davon bedingte Schnittstellenelemente.
Wie wird die Produktanalyse in 20 Jahren aussehen? Tatsächlich ist jetzt die Branche selbst, in der alles oder fast alles manuell erledigt wird, veraltet. Ja, es gibt neue Tools, die die Arbeitseffizienz steigern können. Trotzdem ist das alles zu langsam und zu langsam. Unter modernen Bedingungen müssen Sie schneller arbeiten. Die Erkennung und Korrektur von Problemen in der Zukunft sollte autonom erfolgen.
Es ist wahrscheinlich, dass Anwendungen "voneinander lernen". So kann beispielsweise eine Anwendung, die einmal im Monat verwendet wird, Benutzermodelle und deren Präferenzen für CJM-Einbettungen aus einer anderen Anwendung übernehmen, die täglich verwendet wird. In diesem Fall kann sich die Entwicklungsgeschwindigkeit der ersten Anwendung erheblich erhöhen.
Innerhalb der Analytik selbst gibt es nur sehr wenige genau definierte Aufgaben für die Automatisierung von Analyse-Pipelines. Fast überall kämpfen Analysten mit schlechten Datenaufschlägen oder schlecht gesetzten Geschäftszielen. Mit dem Eindringen der Entwicklung in die Analytik wird ML in der Analytik jedoch allmählich nur zur Lösung analytischer Probleme sowie zur Digitalisierung der Personalabteilung und zur korrekteren Übertragung von Zielen und Aufgaben zwischen Abteilungen verwendet. Die Landschaft der Produktanalyse wird sich dramatisch ändern und charakteristische Aufgaben werden automatisiert. Der Austausch von Erkenntnissen und Methoden wird zu einem Code-Austausch und der Einrichtung autonomer Agenten, die als flexible Schnittstelle für den Benutzer fungieren und den Geschäftsroboter für das Unternehmen optimieren. Natürlich wird dies alles nicht bald kommen, aber die Zukunft ist bereits da, sodass die Zukunft der Produktanalyse irgendwo in der Nähe liegt.