Secret chats — что-то вроде соцсети, где девушки могут общаться с экспертами или с другими девушками о здоровье. Фича уже работала, но команда хотела понять, как ее развивать, на какую аудиторию ориентироваться и какие задачи для какой аудитории характерны?
Важный нюанс: первая сессия в secret chats определяется индивидуальным набором контента.
Какие параметры использовали для сегментации
- Ключевые события. Например: просмотр поста, лайки, время чтения и т.п.
- Ответы на вопросы онбординга: цели, возраст, страна.
- Время до «активации». Сколько времени прошло с момента регистрации в продукте до какого-то ключевого действия.
Что делали
Когортный анализ показал, что есть аудитория, которая поняла secret chats — и надо было разобраться, что зацепило этих пользователей и почему они вернулись в продукт.
Как разбирались в первом пользовательском опыте
Спустились до уровня сессий: пользователей переходит в соцсеть, читает одну карточку, потом другую, а потом уходит. Можно слева выписать всех пользователей, а справа — все просмотренные посты, а потом составить двудольный граф: кто куда заходил и что смотрел.
Принцип всех рекомендательных систем: похожим людям нравятся похожие вещи, а похожие вещи нравятся похожим людям. Поэтому полезно объединить пользователей через просмотренные посты. Однако для сложного продукта с большим количеством пользователей и контентных единиц этого недостаточно.
Чтобы учесть все варианты и связи, использовали алгоритмы ML: они проанализировали всех пользователей и все контентные единицы, а потом расположили близких пользователей рядом друг с другом. Получилось что-то похожее на космос — а не четкий граф, который строили до этого.
На графике есть подсвеченные фрагменты — это группы похожих пользователей. В логическом представлении, которое команда рисовала вручную, некоторых сегментов просто не было. Например, один из них — это женщины, которые хотят только отслеживать цикл и при этом читают контент о том, как забеременеть (уплотнение слева).
По каким принципам стали сегментировать аудиторию
- Люди своим поведением сами себя определили в группы. Сетевой анализ помог выявить закономерности и отобразить их на графике.
- В итоге даже большие track-сегменты (например, «все здоровые девушки») разбились на несколько подсегментов.
- Для каждой группы взяли срезы по свойствам, вручную посмотрели, что читают эти сегменты и узнали, что объединяет этих людей.
- Результат
- Для каждого сегмента нашли интересные статьи, провели эксперимент на другой исторической когорте и увидели разницу в retention в 15%.
- Провели эксперимент на новых пользователях и собрали для них персональную ленту контента: retention вырос больше, чем на 30%.
- Создали аналитическую модель, которую можно использовать в продукте.
Антон Марцен, Senior Product Analyst, Flo Health, по материалам доклада на ProductSense Stories.
