नए उत्पाद के रुझान

Habré पर उत्पाद विश्लेषण के बारे में ऐसा अक्सर नहीं लिखा जाता है, लेकिन प्रकाशन और अच्छे लोग, नियमितता के साथ दिखाई देते हैं। उत्पाद विश्लेषण पर अधिकांश लेख पिछले कुछ वर्षों में दिखाई दिए हैं, और यह तर्कसंगत है - क्योंकि उत्पाद विकास आईटी और व्यवसाय दोनों के लिए तेजी से महत्वपूर्ण होता जा रहा है, केवल परोक्ष रूप से सूचना प्रौद्योगिकी से संबंधित है।

यहाँ, हैबे पर, एक लेख प्रकाशित किया गया था जिसमें उत्पाद विश्लेषक से कंपनी की अपेक्षाओं का अच्छी तरह से वर्णन किया गया था। इस तरह के एक विशेषज्ञ को, सबसे पहले, उत्पाद विकास के आशाजनक बिंदुओं को खोजना और खोजना चाहिए, और दूसरे, समस्या की तात्कालिकता की पहचान और पुष्टि करके इसे सूत्रबद्ध और मापना चाहिए। आप अधिक सटीक नहीं कह सकते। लेकिन उत्पाद विश्लेषण विकसित हो रहा है, काम के नए उपकरण और रुझान दिखाई देते हैं जो उत्पाद विश्लेषकों को काम करने में मदद करते हैं। बस रुझानों के बारे में, मोबाइल एप्लिकेशन और सेवाओं के काम के संबंध में, हम इस लेख में बात करेंगे।

कस्टम डेटा संग्रह

अब वह डेटा जो कंपनी को ग्राहक सेवा के लिए एक व्यक्तिगत दृष्टिकोण को लागू करके अपने काम को बेहतर बनाने में सक्षम बनाता है - Google जैसी इंटरनेट कंपनियों से लेकर वॉलमार्ट जैसे खुदरा विक्रेताओं तक सभी द्वारा एकत्र किया जाता है।

यह जानकारी न केवल ग्राहकों के बारे में है, बल्कि मौसम की स्थिति के बारे में भी है जो कंपनी के काम, औसत चेक आकार, ग्राहक वरीयताओं, कुछ सामानों की खरीद की गतिशीलता, बिक्री के बिंदुओं की भीड़ आदि को प्रभावित कर सकती है। लेकिन समस्या यह है कि अधिक से अधिक डेटा है, और व्यापार के लिए गैर-आवश्यक से आवश्यक जानकारी को अलग करना बहुत मुश्किल है।



आप डेटा के पेटाबाइट्स एकत्र कर सकते हैं, और फिर यह पता चलता है कि एक कंपनी को अपने प्रदर्शन को बेहतर बनाने के लिए एकत्र की गई जानकारी का केवल एक छोटा सा हिस्सा चाहिए। बाकी सब कुछ "सफेद शोर" है, जो आगे बढ़ने में किसी भी तरह से मदद नहीं करता है। सही डेटा ढूंढना अधिक से अधिक एक घास का ढेर में सुई ढूंढना है। केवल एक हिमशैल के आकार का ढेर है, और सुई पतली और बहुत छोटी है।

किसी भी प्रकार के व्यवसाय के लिए एक उपकरण की आवश्यकता होती है जो आपको एकत्र किए गए डेटा की प्रमुख आवश्यकताओं को स्पष्ट करने की अनुमति देता है। डेटा संग्रह को ट्यून किया जाना चाहिए जहां समस्याओं की उम्मीद की जाती है, क्योंकि "जहां यह पतला है, यह टूट जाता है।" तदनुसार, इस तरह के उपकरण को सबसे अधिक प्रासंगिक और महत्वपूर्ण मानदंडों की पहचान करनी चाहिए और उनकी मदद से खोज का संचालन करना चाहिए।

एकत्र किए गए डेटा का प्रतिबंध जानकारी एकत्र करने, भंडारण और प्रसंस्करण की लागत को कम करना संभव बनाता है। वर्तमान काम करने के तरीके अक्सर इस तथ्य को जन्म देते हैं कि अधिकांश डेटा बस सालों से हार्ड ड्राइव पर "धूल इकट्ठा करता है"।

एक महत्वपूर्ण प्रवृत्ति के रूप में, "स्मार्ट" डेटा संग्रह सिस्टम - ट्रैकर्स की शुरूआत, जिसमें "किसी न किसी" एनालिटिक्स के परिणामों की प्रतिक्रिया प्रस्तुत की गई है। इस तरह का एक मोटे अनाज वाला दृष्टिकोण, जो इसके तर्क में बड़े प्रोटीन या भग्न छवि संपीड़न एल्गोरिदम के आणविक मॉडलिंग में हाइब्रिड क्यूएम / एमएम सिस्टम जैसा दिखता है: उपयोगकर्ता पथ का एक बड़ा, मोटा चित्र एक तेज पाइपलाइन द्वारा विश्लेषण किया जाता है और सबसे बड़ी विश्लेषण क्षमता के साथ किनारों (घटनाओं के बीच संक्रमण) होते हैं। ऐसे किनारों को ट्रैकर द्वारा छोटी घटनाओं में तोड़ दिया जाता है, और परिणामस्वरूप डेटा संग्रह लगातार आवश्यक विश्लेषण सटीकता और अंतिम विश्लेषणात्मक कार्य के लिए अनुकूलित होता है।

डेटा संग्रह और संग्रहण पर फेंके गए फीडबैक के साथ एक ही दृष्टिकोण का उपयोग "स्वयं-सफाई डेटा" के लिए किया जा सकता है, जब हम मूल रूप से बहुत अधिक स्टोर नहीं करते हैं, तो हम रफ डेटा (ग्रीनप्लम डीबी, क्लिकहाउस) के लिए तेज कॉम्पैक्ट डेटाबेस का उपयोग करते हैं और विस्तृत डेटा के लिए बड़े धीमे (अपाचे काफ्का) , इसके अलावा, हम सभी के लिए डेटा को संग्रहीत करना बंद कर देते हैं, उपयोगकर्ता व्यवहार अनुभागों को एक साथ लाते हैं और अलग से उनके वरीयता मॉडल को संरक्षित करते हैं।

प्रतिक्रिया त्वरण और भविष्य कहनेवाला विश्लेषिकी

यह एक और अधिक मौलिक प्रकार की प्रतिक्रिया के बारे में बात करने का समय है - विश्लेषिकी अपने आप में एक प्रतिक्रिया है जो यह नियंत्रित करती है कि कंपनी अपने ग्राहकों के साथ कैसे काम करती है।

मोबाइल एप्लिकेशन या सेवा वाले किसी भी कंपनी के सामान्य संचालन के लिए, फीडबैक की आवश्यकता होती है जो आपको समस्याओं की पहचान करने और संभावित समाधानों और चल रहे परीक्षणों के बारे में परिकल्पनाओं की खोज करके हल करने की अनुमति देता है।

प्रतिक्रिया विलंब समय को कम से कम किया जाना चाहिए। ऐसा करने के दो तरीके हैं।

ऐतिहासिक के बजाय भविष्य कहनेवाला मैट्रिक्स का उपयोग करें। इस मामले में, प्रतिक्रिया को गति देने का मतलब है कि ग्राहक, उपयोगकर्ता, तब तक इंतजार न करें, जब तक कि स्थिति को सही करने के लिए शुरू करने के लिए एक निश्चित लक्ष्य नहीं मिलता है। विधि भविष्यवाणी की अनुमति देता है, ऐतिहासिक डेटा पर बनाए गए मॉडल के आधार पर, किस संभावना के साथ एक विशेष ग्राहक पहुंचेगा जो स्क्रीन और एप्लिकेशन के बटन, या बाहरी लक्ष्य - उत्पाद की खरीद, बिक्री विभाग को कॉल, आदि। यह कंपनी क्यों है? किसी विशेष क्लाइंट या इसी तरह के नए क्लाइंट के भाग्य को जल्दी से जल्दी प्रभावित करने में सक्षम होना। दूसरा विशेष रूप से विज्ञापन चैनलों के बजट को जल्दी से पुनर्वितरित करने के लिए महत्वपूर्ण है - यदि एक चैनल ने अचानक वितरित किए गए ग्राहकों के प्रकार को बदल दिया, तो आप अंतिम क्रियाओं - आदेशों, या इसके विपरीत, सदस्यता समाप्त, विफलताओं के इंतजार किए बिना अपना बजट बदल सकते हैं।

त्वरण अक्सर भविष्यवाणी की जा सकती है के साथ वास्तविक मैट्रिक्स की जगह बस प्राप्त किया जा सकता है। एक और सकारात्मक बिंदु यह है कि मॉडल को सभी डेटा पर कैलिब्रेट किया जाता है, इसलिए यदि आप अभी प्राप्त वर्तमान जानकारी का उपयोग करते हैं, तो भविष्यवाणी में सुधार करने का एक अवसर है। इस तरह के एक मॉडल को लगातार अपडेट किया जाएगा, और ऐतिहासिक मैट्रिक्स के गठन के लिए डेटा जमा की आवश्यकता नहीं होगी।

एक उदाहरण वह स्थिति है जब हम किसी सेवा या अनुप्रयोग के लिए एक गतिशील इंटरफ़ेस बनाते हैं। और विभिन्न इंटरफ़ेस तत्व, बटन कहते हैं, यह इस बात पर निर्भर करता है कि उपयोगकर्ता के बारे में क्या जाना जाता है।



एक अन्य उदाहरण एक आवाज सहायक और विमान टिकट की खरीद का काम है। मौजूदा डिजिटल सहायकों को बहुत सुधारने की जरूरत है, सबसे पहले - निजीकरण। इसलिए, यदि आप सिरी का उपयोग करके टिकट बुक करने का प्रयास करते हैं, तो यह उपलब्ध विकल्पों का व्यापक चयन दिखाएगा। लेकिन यहां निजीकरण की आवश्यकता है, ताकि अंत में सहायक 2-3 उपयुक्त विकल्प दिखाता है, और नहीं। और भविष्य कहनेवाला विश्लेषण आप क्या चाहते हैं इसे प्राप्त करने का एक तरीका है, क्योंकि आप ग्राहक के इरादों को जारी रखने के लिए उसे पढ़ने के लिए मजबूर किए बिना जारी रख सकते हैं (इस मामले में, भाषण मान्यता के लिए एमएल के साथ इस पद्धति को भ्रमित नहीं करना महत्वपूर्ण है, चर्चा की गई भविष्य कहनेवाला विश्लेषिकी पाठ में पहले से पहचाने गए ग्राहक शब्दों से घटनाओं के शीर्ष पर काम करेगी। )।

खंडों पर परीक्षण प्रक्रियाओं का त्वरण। किसी कंपनी के उत्पाद विश्लेषण के परिणामों का आमतौर पर किसी कंपनी या सेवा के संपूर्ण दर्शकों पर परीक्षण किया जाता है। लेकिन यह व्यक्तिगत क्षेत्रों पर परीक्षण करने के लिए बहुत अधिक प्रभावी है, ठीक वही जहां समस्या देखी गई थी।

वैसे, एक दिलचस्प तरीका है, जिसे "ए / बी परीक्षणों के खिलाफ एक-सशस्त्र डाकू" कहा जा सकता है। "एक-हथियारबंद डाकू" क्यों? किसी भी कैसीनो में ये स्लॉट मशीनें होती हैं, और इन सभी मशीनों को एक ही संस्थान में अलग-अलग तरीके से कॉन्फ़िगर किया जाता है। हमेशा नहीं, लेकिन अधिक बार। कल्पना कीजिए कि हम एक "दस्यु" की पहचान करना चाहते हैं जो दूसरों की तुलना में अधिक बार जीत हासिल करता है। ऐसा करने के लिए, हम सभी मशीनों का परीक्षण करना शुरू करते हैं। लेकिन जहां लाभ थोड़ा अधिक है - हम खेल के लिए अधिक सिक्के आवंटित करेंगे। इस योजना का लाभ यह है कि व्यक्तिगत परीक्षण खंडों को समानांतर में चलाया जा सकता है, और सफल परिणाम अन्य सभी खंडों के लिए अतिरिक्त हैं, और नियंत्रण के साथ परीक्षण के बजाय निरंतर अनुकूलन प्राप्त किया जाता है।

मोबाइल एप्लिकेशन का परीक्षण करते समय "वन-सशस्त्र डाकू" पद्धति का उपयोग किया जा सकता है। इसलिए, अलग-अलग यूजर सेगमेंट में अलग-अलग इंटरफेस / स्क्रीन दिखाए जाते हैं, और कंट्रोल सेगमेंट को भी छोड़ दिया जाता है, जो अलग-अलग स्क्रीनों के साथ अलग-अलग सेगमेंट के यूजर्स की इंटरेक्शन का मूल्यांकन करने के लिए रोबोट और इसे देखने वाले एनालिस्ट के लिए सुदृढीकरण सीखने के लिए संभव बनाता है। जैसे ही स्थिति स्पष्ट होती है, एक सफल खोज को पूरे आवेदन के शोधन के रूप में तैयार किया जाता है, या निजीकरण किया जाता है, जो विभिन्न खंडों के लिए एप्लिकेशन की कार्यक्षमता को साझा करता है। उपयोगकर्ता मॉडल और अनुप्रयोगों के साथ उपयोगकर्ता सहभागिता के मॉडल अलग हो सकते हैं। अमूर्त एम्बेडिंग (word2vec के साथ सादृश्य द्वारा स्क्रीन 2vec) का उपयोग करते हुए, मॉडल को एक आवेदन पर बनाया जा सकता है, और लागू किया जा सकता है, सीमाओं के साथ दूसरे पर। यह विभिन्न संस्करणों, प्लेटफार्मों, रिलीज़ और यहां तक ​​कि संबद्ध अनुप्रयोगों के बीच विश्लेषणात्मक अंतर्दृष्टि को स्थानांतरित करना संभव बनाता है। बेशक, अन्य लोगों के मॉडल की प्रयोज्यता को नियंत्रित करना आवश्यक है, ताकि पैर में खुद को शूट न करें।

प्रतिक्रिया स्वचालन

प्रतिक्रिया लूप समय को मामूली कम करने के लिए, आप स्वचालित और स्वायत्त अनुप्रयोग तत्वों या वास्तविक समय के विश्लेषणात्मक माइक्रोसिस्टर्स को विकसित करने का प्रयास कर सकते हैं। यह विशेष रूप से कल्पना को कैप्चर कर रहा है - बटन और इंटरफ़ेस तत्व स्वयं उपयोगकर्ता के व्यवहार और संपूर्ण उपयोगकर्ता पथ और इसके व्यापार मीट्रिक - रूपांतरण, औसत जांच, सगाई और प्रतिधारण पर विभिन्न कारकों के प्रभाव का मूल्यांकन कर सकते हैं। यह मानव हस्तक्षेप के बिना संभावना को खोलता है, बढ़ते हुए आदेशों या ग्राहक वफादारी के मामले में व्यक्तिगत तत्वों के मूल्य का निर्धारण करने के लिए, और विश्लेषिकी के व्यक्तिगत चरणों का उपयोग केवल इसलिए नहीं किया जाता है, क्योंकि प्रक्रिया स्वचालित है। बटन स्वयं को समायोजित करते हैं, उपयोगकर्ता पथ के अन्य बटन और केंद्रीय नियंत्रक से अग्रेषित सिग्नल होते हैं, वे लगातार अपने व्यवहार का अनुकूलन करते हैं।



एक निश्चित स्तर पर, इस क्षण की तुलना एक जीवित जीव की महत्वपूर्ण गतिविधि के आत्म-नियमन के साथ की जा सकती है। इसके स्वतंत्र एजेंट हैं - व्यक्तिगत कोशिकाएं जो पूरे शरीर को आत्म-नियमन करने की अनुमति देती हैं। अनुप्रयोगों के लिए, एक ऐसी स्थिति की कल्पना कर सकते हैं जहां इंटरफ़ेस घटकों का पारिस्थितिकी तंत्र एक-दूसरे को नियंत्रित करता है, उपयोगकर्ता पथ पढ़ता है और महत्वपूर्ण जानकारी का आदान-प्रदान करता है, जैसे कि खंडों और उपयोगकर्ताओं के प्रकार और अतीत में उपयोगकर्ताओं के साथ बातचीत करने में उनका अनुभव। हम इस तरह के स्मार्ट घटकों के एक सेट को व्यापार प्रेरित बौद्धिक एजेंट कहते हैं और अब, हमारे शोध के आधार पर, हम इस दृष्टिकोण का एक प्रयोगात्मक प्रोटोटाइप एकत्र कर रहे हैं। संभवत: पहली बार वह एक विशुद्ध रूप से अनुसंधान समारोह खेलेंगे और हमें और अन्य टीमों को एक पूर्ण-विकसित रूपरेखा विकसित करने के लिए प्रेरित करेंगे, जो सामान्य इंटरफ़ेस निर्माण प्लेटफार्मों - रिएक्ट जेएस, जावा, कोटलिन और स्विफ्ट के साथ संगत है।

अब तक, ऐसी कोई तकनीक नहीं है, लेकिन इसकी उपस्थिति की उम्मीद न केवल हम किसी भी दिन कर सकते हैं। सबसे अधिक संभावना है कि यह यूआई इंटरफ़ेस के लिए एक रूपरेखा या एसडीके की तरह दिखेगा। हमने किकस्टार्टर एप्लिकेशन संशोधन के उदाहरण का उपयोग करते हुए यांडेक्स डेटा ड्रिवेन 2019 पर एक समान तकनीक का प्रदर्शन किया, जब एक क्लाइंट पर एक क्रमबद्ध मॉडल को उपयोगकर्ता के नुकसान की संभावना माना जाता था और इसके आधार पर सशर्त रूप से प्रदान किए गए इंटरफ़ेस तत्व।

20 साल में प्रोडक्ट एनालिटिक्स कैसा दिखेगा? वास्तव में, अब उद्योग ही, जहां सब कुछ या लगभग सब कुछ मैन्युअल रूप से किया जाता है, पुराना है। हां, नए उपकरण हैं जो कार्य क्षमता बढ़ा सकते हैं। लेकिन सभी समान, यह सब बहुत धीमा और धीमा है, आधुनिक परिस्थितियों में आपको तेजी से काम करने की आवश्यकता है। भविष्य में समस्याओं का पता लगाने और सुधार को स्वायत्तता से होना चाहिए।

यह संभावना है कि अनुप्रयोग "एक दूसरे से सीखेंगे।" इसलिए, उदाहरण के लिए, एक महीने में एक बार उपयोग किया जाने वाला एक एप्लिकेशन उपयोगकर्ता मॉडल को इसके लिए प्रासंगिक बनाने में सक्षम होगा और सीजेएम एम्बेडिंग के लिए उनकी प्राथमिकताएं किसी अन्य एप्लिकेशन से जो दैनिक उपयोग किया जाता है। इस मामले में, पहले आवेदन के विकास की गति काफी बढ़ सकती है।

एनालिटिक्स के अंदर, विश्लेषणात्मक पाइपलाइनों के स्वचालन के लिए बहुत कम परिभाषित कार्य हैं, लगभग हर जगह विश्लेषक खराब डेटा मार्कअप या खराब व्यावसायिक लक्ष्यों के साथ लड़ रहे हैं। लेकिन धीरे-धीरे, जैसा कि विकास विश्लेषिकी में प्रवेश करता है, विश्लेषणात्मक विश्लेषण समस्याओं को हल करने के लिए विशुद्ध रूप से एनालिटिक्स के अंदर एमएल का उपयोग किया जाता है, साथ ही साथ एचआर के डिजिटलीकरण और विभागों के बीच लक्ष्यों और कार्यों के अधिक सही हस्तांतरण, उत्पाद विश्लेषिकी का परिदृश्य नाटकीय रूप से बदलना शुरू हो जाएगा और विशेषता कार्यों को स्वचालित किया जाएगा। और अंतर्दृष्टि और विधियों का आदान-प्रदान एक कोड एक्सचेंज में बदल जाएगा और उपयोगकर्ता के लिए एक लचीली इंटरफ़ेस के रूप में कार्य करने वाले स्वायत्त एजेंटों की स्थापना और कंपनी के लिए व्यावसायिक रोबोट का अनुकूलन करेगा। बेशक, यह सब जल्द ही नहीं आएगा, लेकिन भविष्य पहले से ही है, इसलिए उत्पाद विश्लेषण का बहुत भविष्य कहीं न कहीं पास है।