Sobre a análise de produtos em Habré, muitas vezes, as publicações e boas aparecem com regularidade invejável. A maioria dos artigos sobre análise de produtos apareceu nos últimos dois anos, e isso é lógico - porque o desenvolvimento de produtos está se tornando cada vez mais importante para TI e negócios, apenas indiretamente relacionados à tecnologia da informação.
Aqui, na Habré,
foi publicado um artigo no qual as expectativas da empresa de um analista de produtos eram bem descritas. Esse especialista deve, em primeiro lugar, procurar e encontrar pontos promissores de crescimento do produto e, em segundo lugar, identificar e confirmar a urgência do problema, formulando-o e escalando-o. Você não pode dizer com mais precisão. Mas a análise do produto está evoluindo, novas ferramentas de trabalho e tendências aparecem que ajudam os analistas de produtos a trabalhar. Sobre as tendências, em relação ao trabalho de aplicativos e serviços móveis, falaremos neste artigo.
Coleta de dados personalizada
Agora, os dados que permitem à empresa melhorar seu trabalho implementando uma abordagem personalizada ao atendimento ao cliente são coletados por todos - desde empresas de Internet como o Google a varejistas como o Walmart.
Essas informações não são apenas sobre clientes, mas também sobre condições climáticas que podem afetar o trabalho da empresa, tamanho médio de cheques, preferências do cliente, dinâmica de compra de certos produtos, congestionamento de pontos de venda etc. Mas o problema é que há cada vez mais dados e é muito difícil para as empresas separar informações essenciais de não essenciais.
Você pode coletar petabytes de dados e, então, a empresa precisa de apenas uma pequena fração das informações coletadas para melhorar seu desempenho. Tudo o resto é "ruído branco", o que não ajuda em nada a avançar. Encontrar os dados certos é cada vez mais como encontrar uma agulha no palheiro. Apenas uma pilha do tamanho de um iceberg e a agulha é fina e muito pequena.
Qualquer tipo de empresa precisa de uma ferramenta que permita esclarecer os principais requisitos para os dados coletados. A coleta de dados deve ser ajustada onde os problemas são esperados, porque "onde é fino, ele quebra". Consequentemente, essa ferramenta deve identificar os critérios mais relevantes e importantes e realizar uma pesquisa com a ajuda deles.
A restrição dos dados coletados permite reduzir o custo de coleta, armazenamento e processamento de informações. Os métodos de trabalho atuais geralmente levam ao fato de que a maioria dos dados simplesmente "acumula poeira" nos discos rígidos por anos.
Como uma tendência importante, é apresentada a introdução de sistemas de coleta de dados "inteligentes" - rastreadores, para os quais é apresentado o feedback dos resultados da análise "aproximada". Essa abordagem de granulação grossa, que em sua lógica se assemelha a sistemas híbridos QM / MM na modelagem molecular de proteínas grandes ou algoritmos de compressão de imagem fractal: uma imagem grande e aproximada do caminho do usuário é analisada por um pipeline rápido e existem arestas (transições entre eventos) com o maior potencial de análise, essas arestas são divididas pelo rastreador em eventos menores e, como resultado, a coleta de dados é constantemente adaptada à precisão da análise necessária e à tarefa analítica final.
A mesma abordagem com feedback emitido sobre coleta e armazenamento de dados pode ser usada para "dados de auto-limpeza", quando basicamente não armazenamos muito, usamos bancos de dados compactos rápidos para dados brutos (Greenplum DB, Clickhouse) e grandes e lentos para detalhados (Apache Kafka) além disso, paramos de armazenar dados comuns a todos, reunindo segmentos comportamentais do usuário e preservando separadamente seus modelos de preferência.
Aceleração de Feedback e Análise Preditiva
É hora de falar sobre o feedback de um tipo mais fundamental - a própria análise é um feedback que regula como a empresa trabalha com seus clientes.
Para o funcionamento normal de qualquer empresa que tenha um aplicativo ou serviço móvel, é necessário um feedback que permita identificar problemas e resolvê-los, procurando hipóteses sobre possíveis soluções e executando testes.
O tempo de atraso do feedback deve ser reduzido ao mínimo. Existem duas maneiras de fazer isso.
Use métricas preditivas em vez de históricas. Nesse caso, acelerar o feedback significa não esperar até que o cliente, usuário, chegue ou chegue a um determinado objetivo para começar a corrigir a situação. O método permite prever, com base em modelos construídos com dados históricos, com que probabilidade um determinado cliente alcançará quais telas e botões do aplicativo ou objetivos externos - compras de produtos, chamadas para o departamento de vendas etc. Por que essa empresa é? Ser capaz de influenciar o destino de um cliente em particular ou de novos clientes semelhantes o mais rápido possível. O segundo é especialmente importante para redistribuir rapidamente os orçamentos dos canais de publicidade - se um canal mudar repentinamente o tipo de clientes entregues, você poderá alterar seu orçamento sem esperar pelas ações finais - pedidos ou vice-versa, cancelamentos de assinatura, recusas.
Muitas vezes, a aceleração pode ser alcançada simplesmente substituindo métricas reais pelo que pode ser previsto. Outro ponto positivo é que o modelo é calibrado em todos os dados; portanto, se você usar as informações atuais recém-recebidas, haverá uma oportunidade de melhorar a previsão. Esse modelo será atualizado constantemente e os depósitos de dados para a formação de métricas históricas simplesmente não serão necessários.
Um exemplo é a situação em que criamos uma interface dinâmica para um serviço ou aplicativo. E vários elementos da interface, digamos botões, aparecem dependendo do que é conhecido sobre o usuário.
Outro exemplo é o trabalho de um assistente de voz e a compra de passagens aéreas. Os assistentes digitais existentes precisam ser aprimorados muito, antes de tudo - personalização. Portanto, se você tentar reservar um bilhete usando o Siri, ele mostrará uma ampla seleção de opções disponíveis. Mas aqui é necessária personalização, para que, no final, o assistente mostre 2-3 opções adequadas, não mais. E a análise preditiva é uma maneira de alcançar o que você deseja, porque você pode continuar as intenções do cliente sem forçá-lo a ler (nesse caso, é importante não confundir esse método com o ML para reconhecimento de fala, a análise preditiva discutida funcionará sobre os eventos das palavras do cliente já reconhecidas no texto )
Aceleração de processos de teste em segmentos. Os resultados da análise de produtos de uma empresa geralmente são testados em todo o público de uma empresa ou serviço. Mas é muito mais eficaz realizar testes em segmentos individuais, precisamente naqueles em que o problema foi observado.
A propósito, existe um método interessante, que pode ser chamado de "bandido de um braço contra testes A / B". Por que um "bandido de um braço só"? Em qualquer cassino, existem essas máquinas caça-níqueis e todas essas máquinas são configuradas de maneira diferente na mesma instituição. Nem sempre, mas com mais frequência. Imagine que queremos identificar um "bandido" que dá a vitória com mais frequência do que outros. Para fazer isso, começamos a testar todas as máquinas. Mas onde o ganho é um pouco mais - alocaremos mais moedas para o jogo. A vantagem desse esquema é que segmentos de teste individuais podem ser executados em paralelo, e resultados bem-sucedidos são extrapolados para todos os outros segmentos, e a otimização contínua é obtida em vez de testar com controle.
O método "bandido de um braço" pode ser usado na prática ao testar um aplicativo móvel. Assim, diferentes interfaces / telas são mostradas para diferentes segmentos de usuários, e o segmento de controle também é deixado, o que possibilita o aprendizado por reforço para o robô e o analista que o observa, para avaliar a interação de usuários de diferentes segmentos com diferentes telas. Assim que a situação esclarece, uma descoberta bem-sucedida é formulada como um refinamento para todo o aplicativo ou é realizada personalização, compartilhando a funcionalidade do aplicativo para diferentes segmentos. Modelos de usuário e modelos de interação do usuário com aplicativos podem ser diferentes. Usando incorporações abstratas (screen2vec por analogia com o word2vec), o modelo pode ser construído em um aplicativo e aplicado, embora com limitações, no segundo. Isso possibilita a transferência de informações analíticas entre diferentes versões, plataformas, lançamentos e até aplicativos afiliados. Obviamente, é necessário controlar a aplicabilidade dos modelos de outras pessoas, para não dar um tiro no próprio pé.
Automação de Feedback
Para reduzir marginalmente o tempo do loop de feedback, você pode tentar desenvolver elementos de aplicação automáticos e autônomos ou microsserviços analíticos em tempo real. Isso está capturando especialmente a imaginação - os próprios botões e elementos da interface podem avaliar o comportamento do usuário e a influência de vários fatores em todo o caminho do usuário e suas métricas de negócios - conversão, verificação média, engajamento e retenção. Isso abre a possibilidade, sem intervenção humana, de determinar o valor de elementos individuais em termos de aumento de pedidos ou fidelidade do cliente, e os estágios individuais da análise simplesmente não são utilizados, porque o processo é automatizado. Os botões se ajustam, tendo encaminhado sinais de outros botões no caminho do usuário e do controlador central, otimizando constantemente seu comportamento.
Em um certo nível, esse momento pode ser comparado à autorregulação da atividade vital de um organismo vivo. Possui agentes independentes - células individuais que permitem a auto-regulação de todo o corpo. Quanto aos aplicativos, pode-se imaginar uma situação em que o ecossistema de componentes da interface se regula, lendo os caminhos do usuário e trocando informações importantes, como segmentos e tipos de usuários e sua experiência em interagir com usuários no passado. Chamamos esse conjunto de componentes inteligentes de Agentes Intelectuais Orientados a Negócios e, agora, com base em nossa pesquisa, estamos coletando um protótipo experimental dessa abordagem. Provavelmente, na primeira vez em que ele desempenhar uma função puramente de pesquisa, inspirar a nós e a outras equipes a desenvolver uma estrutura completa que seja compatível com as plataformas comuns de criação de interfaces - Reaja JS, Java, Kotlin e Swift.
Até agora, não existe tal tecnologia, mas sua aparência pode ser esperada não apenas de nós, literalmente, a qualquer dia. Provavelmente, parecerá uma estrutura ou SDK para a interface preditiva da interface do usuário. Demonstramos uma tecnologia semelhante no Yandex Data Driven 2019 usando o exemplo de uma modificação de aplicativo Kickstarter, quando em um cliente um modelo serializado considerava a probabilidade de perda do usuário e elementos de interface condicionalmente renderizados, dependendo dele.
Como será a análise do produto em 20 anos? De fato, agora a própria indústria, onde tudo ou quase tudo é feito manualmente, está desatualizada. Sim, existem novas ferramentas que podem aumentar a eficiência do trabalho. Mas, mesmo assim, tudo isso é muito lento e lento, nas condições modernas você precisa trabalhar mais rápido. A detecção e correção de problemas no futuro devem ocorrer de forma autônoma.
É provável que os aplicativos "aprendam uns com os outros". Portanto, por exemplo, um aplicativo usado uma vez por mês poderá adotar modelos de usuário relevantes a ele e suas preferências para incorporação de CJM a partir de outro aplicativo usado diariamente. Nesse caso, a velocidade de desenvolvimento do primeiro aplicativo pode aumentar significativamente.
Dentro da própria análise, existem muito poucas tarefas bem definidas para a automação de pipelines analíticos, em quase todos os lugares os analistas lutam com pouca marcação de dados ou com metas de negócios mal definidas. Mas gradualmente, à medida que o desenvolvimento penetra na analítica, o ML é usado dentro da analítica exclusivamente para resolver problemas analíticos, bem como digitalização de RH e transferência mais correta de metas e tarefas entre departamentos, o cenário da analítica de produtos começará a mudar drasticamente e as tarefas características serão automatizadas. E a troca de idéias e métodos se transformará em uma troca de código e na criação de agentes autônomos, agindo como uma interface flexível para o usuário e otimizando o robô de negócios da empresa. Obviamente, tudo isso não virá em breve, mas o futuro já está lá, portanto, o futuro da análise de produtos está próximo.