关于Habré上的产品分析的写作并不那么频繁，但是出版物和好的出版物以令人羡慕的规律性出现。 关于产品分析的大多数文章都是在过去的两年中出现的，这是合乎逻辑的-因为产品开发对于IT和业务都变得越来越重要，而仅与信息技术间接相关。
在此，在哈布雷（Habré
）上发表了一篇文章 ，其中很好地描述了公司对产品分析师的期望。 这样的专家首先应该搜索并找到有希望的产品增长点，其次要通过制定和扩展问题的规模来确定并确认问题的紧迫性。 您无法说得更准确。 但是产品分析在不断发展，工作和趋势的新工具应运而生，以帮助产品分析师工作。 关于趋势，与移动应用程序和服务的工作有关，我们将在本文中进行讨论。
自定义数据收集
现在，所有人（从Google之类的互联网公司到Walmart之类的零售商）都收集了使公司能够通过实施个性化的客户服务方法来改善其工作的数据。
此信息不仅与客户有关，而且还与可能影响公司工作的天气状况，平均支票规模，客户偏好，某些商品的购买动态，销售点的拥挤等有关。 但是问题在于，越来越多的数据，业务很难将基本信息与非基本信息区分开。
您可以收集PB级的数据，然后事实证明，公司只需要收集一小部分信息即可提高其性能。 其他一切都是“白噪声”，它无济于事。 找到正确的数据越来越像大海捞针。 它只有一堆冰山大小，而且针很细而且很小。
任何类型的业务都需要一种工具，该工具可让您阐明所收集数据的关键要求。 数据收集应该在可能出现问题的地方进行调整，因为“在稀薄的地方，它会破裂”。 因此，这种工具应确定最相关和最重要的标准，并在其帮助下进行搜索。
限制所收集的数据可以降低收集，存储和处理信息的成本。 当前的工作方法常常导致这样一个事实，即多年来，大多数数据只是在硬盘上“聚集”灰尘。
作为一个重要的趋势，介绍了引入“智能”数据收集系统-跟踪器，将“粗糙”分析结果的反馈投射到跟踪器上。 这种粗粒度方法在逻辑上类似于大型蛋白质分子建模或分形图像压缩算法中的混合QM / MM系统：通过快速管线分析用户路径的大而粗糙的图片，并且存在具有最大分析潜力的边缘（事件之间的过渡），跟踪器会将这些边缘分解为较小的事件，结果数据收集将不断适应所需的分析精度和最终的分析任务。
具有对数据收集和存储反馈的反馈的相同方法可以用于“自清理数据”，当我们基本上不存储太多数据时，我们使用快速紧凑的数据库存储粗糙数据（Greenplum DB，Clickhouse），使用较大的慢速数据库存储详细数据（Apache Kafka） ，此外，我们将停止存储所有人共有的数据，将用户行为细分汇总在一起，并分别保留其偏好模型。
反馈加速和预测分析
现在该讨论更基本的反馈了-分析本身就是对公司与客户的合作方式进行规范的反馈。
对于具有移动应用程序或服务的任何公司的正常运营，需要反馈，使您能够通过搜索有关可能的解决方案和运行测试的假设来识别问题并解决问题。
反馈延迟时间应减少到最小。 有两种方法可以做到这一点。
使用预测指标，而不是历史指标。 在这种情况下，加快反馈意味着不要等到客户，用户达到某个目标或为了达到某种目标而开始纠正该情况。 该方法使您可以基于建立在历史数据上的模型来预测特定客户将以多大概率达到应用程序的哪些屏幕和按钮，或者达到外部目标-产品购买，致电销售部门等。 为什么是这家公司？ 为了能够尽快影响特定客户或类似新客户的命运。 第二点对于快速重新分配广告渠道的预算尤其重要-如果渠道突然改变了交付的客户类型，则可以更改其预算而无需等待最终操作-反之亦然，即取消订阅，拒绝订单。
通常，只要将实际指标替换为可以预测的指标，即可轻松实现加速。 另一个积极的方面是，该模型已针对所有数据进行了校准，因此，如果您使用刚收到的当前信息，就有机会改善预测。 这样的模型将不断更新，根本不需要用于形成历史指标的数据存储。
例如，当我们为服务或应用程序创建动态接口时。 各种界面元素（例如按钮）的出现取决于对用户的了解。
另一个例子是语音助手的工作和机票的购买。 现有的数字助理需要大量改进，首先-个性化。 因此，如果您尝试使用Siri预订车票，它将显示大量可用选项。 但是这里需要个性化设置，以便最终助手显示2-3个合适的选项，仅此而已。 预测分析是实现您想要的一种方法，因为您可以在不强迫客户朗读的情况下继续他的意图（在这种情况下，请勿将此方法与ML混淆以进行语音识别，这一点很重要，所讨论的预测分析将在文本中已经识别出的客户单词的事件之上起作用）
加快细分市场的测试流程。 公司产品分析的结果通常在公司或服务的整个受众上进行测试。 但是，对各个部分进行测试要有效得多，尤其是发现问题的部分。
顺便说一句，有一种有趣的方法，可以称为“针对A / B测试的单臂匪徒”。 为什么是“单臂匪徒”？ 在任何赌场中都有这些老虎机，并且所有这些老虎机在同一机构中的配置都不同。 并非总是如此，但更多时候。 想象一下，我们想确定一个比其他人更经常赢得胜利的“强盗”。 为此，我们开始测试所有机器。 但是，在获得更多收益的地方-我们将为游戏分配更多硬币。 该方案的优点是可以并行运行各个测试段，并将成功的结果外推到所有其他段，并获得连续的优化，而不是通过控制进行测试。
在测试移动应用程序时，可以在实践中使用“单臂匪徒”方法。 因此，将不同的界面/屏幕显示给不同的用户段，并且还留下了控制段，这使得有可能对机器人和观看它的分析人员进行强化学习，从而评估来自不同屏幕的不同段的用户的交互。 情况一经澄清，便会成功查找到结果，以完善整个应用程序，或者进行个性化设置，共享不同细分市场的应用程序功能。 用户模型和用户与应用程序交互的模型可以不同。 使用抽象嵌入（类似于word2vec的screen2vec），可以在一个应用程序上构建模型，并在第二个应用程序上进行应用（尽管有限制）。 这样就可以在不同的版本，平台，发行版甚至附属应用程序之间传递分析见解。 当然，有必要控制其他人模型的适用性，以免打伤自己。
反馈自动化
为了略微减少反馈循环时间，您可以尝试开发自动和自主的应用程序元素或实时分析微服务。 这尤其吸引了人们的想象力-按钮和界面元素本身可以评估用户行为以及各种因素对整个用户路径及其业务指标（转化，平均检查，参与度和保留度）的影响。 这样就可以在无需人工干预的情况下，根据增加订单或提高客户忠诚度来确定各个要素的价值，并且由于流程是自动化的，因此根本不使用分析的各个阶段。 这些按钮可以自我调整，并转发了用户路径中其他按钮和中央控制器发出的信号，从而不断优化其行为。
在某种程度上，这一时刻可以与对生物体生命活动的自我调节进行比较。 它具有独立的作用剂-单个细胞，可以使整个身体自我调节。 对于应用程序，可以想象这样一种情况：界面组件的生态系统相互调节，读取用户路径并交换重要信息，例如用户的细分和类型以及他们过去与用户交互的经验。 我们称这类智能组件为业务驱动型智能代理，现在，基于我们的研究，我们正在收集这种方法的实验原型。 大概是他第一次扮演纯粹的研究职能，并激励我们和其他团队开发与通用接口构建平台（React JS，Java，Kotlin和Swift）兼容的成熟框架。
到目前为止，还没有这样的技术，但是它的出现不仅可以从我们几乎任何一天的预期中获得。 最有可能看起来像是用于预测UI界面的框架或SDK。 我们使用Kickstarter应用程序修改的示例在Yandex Data Driven 2019上演示了一项类似的技术，当在客户端上使用序列化模型考虑用户丢失的可能性并有条件地呈现接口元素时。
20年后产品分析将是什么样？ 实际上，现在整个行业或几乎所有事情都是手动完成的行业本身已经过时了。 是的，有一些新工具可以提高工作效率。 但是所有这些都太慢了，在现代条件下，您需要更快地工作。 将来应该自动进行问题检测和纠正。
应用程序很可能会“相互学习”。 因此，例如，一个月使用一次的应用程序将能够采用与之相关的用户模型，以及他们对每天使用的另一个应用程序的CJM嵌入的偏好。 在这种情况下，第一个应用程序的开发速度可以大大提高。
在分析本身内部，很少有定义明确的任务来自动化分析管道，几乎每个地方，分析师都在与不良的数据标记或设定不当的业务目标作斗争。 但是随着开发逐渐渗透到分析中，机器学习仅在分析内部用于解决分析问题，以及人力资源的数字化以及部门之间目标和任务的更正确转移，产品分析的格局将开始发生巨大变化，特色任务将实现自动化。 见解和方法的交换将变成代码交换，并建立自治代理，为用户提供灵活的界面并为公司优化业务机器人。 当然，所有这些都不会很快出现，但是未来已经存在，因此产品分析的未来就在附近。