📱 The Tinder Paradox.

Тема Retention в dating app'ах пройдена вдоль и поперек, но к ней всегда интересно возвращаться. Особенно когда в блоге Amplitude есть вот такая статья.

Обычно продукты наращивают количество пользователей и их удержание -> компания получает предсказуемый трек роста и выручки.

В приложениях для знакомств ключевая проблема, с которой сталкивается продуктовая команда, это User Retention vs. User Goals. Пользователь, активно вовлеченный в фичи того же Tinder на начальных этапах, находит себе пару, в результате чего продукт получает отток в виде двух пользователей.

По идее, чем лучше Tinder помогает пользователям находить себе пару, тем больше пользователей он теряет.

В статье приводятся разные данные: удержание существующих пользователей дешевле привлечения новых в 6-7 раз, а 5%-ный рост retention дает 25-95% рост выручки.

Стратегия вовлечения новых пользователей через маркетинг и рекламу - дорогостоящее мероприятие. Таким образом, Tinder'у нужно находить баланс между пользователями, кто в поисках долгосрочных отношений и кто удаляет приложение после месяца-двух использований, и пользователями, кто в поисках краткосрочных отношений и кто позитивно влияет на монетизацию продукта.

У первых - низкий retention. Нашли пару - ушли из продукта. Этот сегмент клиентов хорошо работает на репутацию продукта как надёжного сервиса. Amplitude называют это как The Good Churn: пользователь ушел, потому что нашел ценность в продукте.

Успешные «истории любви» (success stories) привлекают новых пользователей и повышают лояльность бренда.

У любителей коротких встреч - высокий retention, и эти пользователи, полагаю, приносят продукту основной доход. За счет такой диверсификации по сегментам Tinder'у удается балансировать между "репутационными" пользователями и "монетизационными" пользователями. А за счет создания различных премиум-функций команда увеличивает ARPU (средний доход с пользователя), компенсируя высокие расходы на привлечение новых пользователей.

📌 Еще из интересного: AI-помощник в Tinder.

#otherapps #удержание #соцсети

📱 Instagram и Two Towers.

Периодически я привожу здесь кейсы с рекомендациями, такие, как с Яндекс.картами, например. И интересно разобраться в том, как именно такая персонализация работает под капотом, чтобы говорить на одном языке со всей командой разработки.

В блоге Meta есть интересная статья об этом, и в этом посте я приведу ее выжимку + доп. результаты гугления.

Instagram использует модели машинного обучения, чтобы рекомендовать пользователям релевантный контент. Одна из основных технологий — это нейронные сети типа "Two Towers" (two-tower neural networks) - архитектура, часто используемая для систем рекомендаций и рекомендательных систем.

- Первая башня (User Tower): эта сеть обучается на данных о пользователе (например, его поведении, предпочтениях, взаимодействиях с контентом). Она создает представление пользователя в виде вектора признаков (embeddings). Например, [0.9, 0.2, 0.6, 0.1], где 0.9 = юзер любит котиков, 0.2 = юзер предпочитает шок-контент, 0.6 = любит мейнстрим, 0.1 = еще что-нибудь.

- Вторая башня (Item Tower): эта сеть обучается на данных о контенте (например, изображениях, видео, текстах), что позволяет создавать представление контента, с которым пользователь может взаимодействовать.

🤨 После того как каждая из "башен" преобразуется в вектор, их объединяют и вычисляют схожесть между ними. Это позволяет системе понять, насколько данный контент подходит для конкретного пользователя.
Так и рождаются тысячи рекомендаций для одного пользователя, из которых уже другой технический процесс отбирает лучшие 100.

😮 В то время как пользователь лайкает и комментирует посты, на сервере в режиме онлайн сохраняются вектора (embeddings) каждого из таких постов. Затем система ищет все посты, которые максимально похожи на те, которые понравились пользователю. И если прямо сейчас пользователь больше интересуется путешествиями, то система будет искать похожие посты по теме путешествий.

Все ради того, чтобы удержать пользователя и повысить Time Spent.

💖 - ничего не понятно, но все равно интересно
💎 - нормально, продолжай

#instagram #ai #соцсети #персонализация

📱 Revolut и цифровой евро.

В ближайшие годы центральные банки запустят свои цифровые валюты. ЕЦБ запустит цифровой евро, ЦБ РФ - цифровой рубль, и так далее. Уже сейчас банки готовят пилоты, а продуктовые команды думают над тем, зачем все это пользователям и как превратить лигал-задачу стоимостью в несколько кварталов в что-то ценное.

Пользователям надо объяснить, что это за продукт и в чем его отличие от обычной, как бы тоже цифровой валюты, лежащей прямо сейчас на счетах в банках.

Revolut готовится к пилоту и проводит опрос в мобильном приложении. Внутри опроса - текстовый онбординг и десятки вопросов.

Честно говоря, завершил его - опрос - с трудом, из-за профессионального интереса. Будь обычным пользователем, забросил бы.

Для тех, кто не в курсе про цифровые валюты:

- Цифровой рубль/евро — это официальная валюта, выпущенная и контролируемая центральным банком.

- Обычные деньги на счетах — это баланс в вашем банке, который, по сути, является долговым обязательством банка перед вами. Эти деньги не находятся в вашем распоряжении непосредственно.

- Цифровые же деньги находятся на специальном счете, открытом непосредственно в центральном банке.

- Цифровые рубли/евро можно будет использовать напрямую через мобильное приложение.

- Цифровая валюта будет независимой от банков и будет полностью контролироваться со стороны государства.

👍 - понятная инициатива, жду!

😳 - это еще что такое?

#revolut #банкинг #banking #опросы #онбординг #баннеры

📱 Открытки в Retro.

Retro — приложение для хранения фотографий и создания альбомов. Продуктовая команда - выходцы из Instagram и Meta. Например, один из сооснователей, Nathan Sharp, в свое время запустил функционал сторис в Instagram, который потом пополз во все остальные продукты.

Для меня Retro решает следующую проблему: я слишком ленив для отправления физических открыток из путешествий. Нужно выбрать открытку, подписать ее, купить марку, верно заполнить адрес, отправить открытку.

С помощью Retro я за пару минут отправил сразу несколько открыток из Европы в РФ. Дошли за несколько месяцев, без проблем. Очень интересный опыт.

Остальной функционал приложения, на первый и второй субъективный взгляды, бесполезен. У команды разработки получилась некоторая смесь из Instagram и Google Photos. Есть гипотеза, что текущая unit-экономика продукта убыточная: команда пытается занять свою нишу и набрать аудиторию, поэтому бесплатно раздает премиум аккаунты на год и за 2$ отправляет открытки в любые точки мира.

Кстати, фаундеры общаются с пользователями прямо в чате, пытаясь выяснить, что тем понравилось, а что - нет. Я свой фидбек оставил. Посмотрим, что с продуктом будет через год.

🤨 - выглядит интересно, пойду потестирую

🤔 - сомнительно, но окэй

P.S.: Подал свой скромный канал на конкурс авторских каналов в @tg_contest_main. А вот тут можно почитать подробнее о движухе и ее условиях.

#otherapps #соцсети

📱 Duolingo и dogfooding.

Если вдруг кто не знал, то Dogfooding (от англ. “eating your own dog food”) - это практика, при которой команды используют собственный продукт в реальной жизни, как обычные пользователи.

Термин возник, когда менеджер Kal Kan съел собачий корм на встрече, чтобы продемонстрировать, что он тоже является потребителем своего продукта.

В качестве канала может быть, например, одноименный channel в Slack, куда сотрудники публикают свою обратную связь по любому компоненту продукта. Такая ОС бывает как конструктивной и полезной, так и в некоторой степени токсичной. Обучение людей тому, как эффективно давать такую ОС, - это целая отдельная тема.

А вот в Duolingo пошли дальше, и ниже - выжимка из блога Duolingo:

- Все сотрудники Duolingo, включая CEO, устанавливают последнюю версию приложения (на Android, iOS или Web) и используют его на ежедневной основе.

- Когда новая версия приложения становится доступной, сотрудники начинают тестировать её. Централизованно собираются данные, такие как показатели производительности, сбои в работе приложения и другие проблемы.

- Duolingo использует Release Dashboard для мониторинга телеметрии, а также Jeeves — внутренний инструмент, который анализирует отзывы пользователей и данные о сбоях, используя AI для выявления проблем.

- С помощью инструмента Shake-to-Report сотрудники могут быстро сообщать об ошибках: функция сделает снимок экрана и немедленно сообщит о проблеме в баг-трекер. Само собой, фича позволяет инженерам оперативно исправлять проблемы до того, как те повлияют на реальных пользователей. Интересно, а как при такой схеме определяетя приоритет/критичность проблемы, если каждый сотрудник может "шэйкнуть" телефон и по-быстрому создать баг?

👍 - уже используем Dogfooding у себя в компании

👍 - не используем, но надо

#duolingo #образование #навигация #nps

📱 BBVA и квитанция по операции.

Продолжаю делиться с вами сомнительными решениями, в этот раз - снова приложения банка BBVA. Иллюстрация к тому, как делать не нужно.

- По нажатию на кнопку Send receipt открывается окно с маскированной почтой пользователя. Зачем нужна эта "защита"? И отдельный вопрос, почему я не могу посмотреть непосредственно квитанцию внутри самого приложения. Я бы согласился на какую-нибудь асинхронную реализацию, , но внутри аппа: когда ты "заказываешь" документ и получаешь файл в специальном разделе приложения.

- Как вы думаете, что происходит по кнопке Share и выбору контакта? Правильно, получателю приходит не PDF-файл, а текст-уведомление. Очень надеюсь, что это у них такой неудачный фейк-дор-тест.

Вот еще сомнительное из BBVA с прошлого раза. Недавно у банка вышло крупное обновление мобилки, и по ощущением приложение стало еще хуже. Есть продуктовые решения, которые интересно будет обсудить. Об этом в другой раз.

👍 - храни господь отечественный мобильный банкинг

Бустануть канал для разнообразных реакций.
#otherapps #сомнительно #банкинг #banking #экрануспеха

📱 Netflix и рекомендации.

В прошлый раз мы разбирали кейс с рекомендательной системой в Instagram. В этот раз посмотрим, с помощью каких механизмов engagement пользователей растят в Netflix.

Подход Netflix - 'Everything is a recommendation'. Пару лет назад Netflix обучал множество узкоспециализированных моделей для разных задач. Например, одна модель отвечала за Continue Watching, другая - за Today’s Top Picks for You.

Из прошлого поста мы уже знаем про вектора признаков (embeddings). Это такое компактное представление объекта (например, фильма, сериала или пользователя), в котором зашифрованы его ключевые характеристики. Для фильма это может быть вектор, который отражает жанр, тональность, актерский состав, популярность. Для пользователя - вектор его интересов, предпочтений, истории просмотров.

Раньше в Netflix отдельная модель обучалась для главной страницы, отдельная - для поиска, отдельная - для push-уведомлений. И каждая из этих моделей строила свои эмбеддинги - свои представления о фильмах и пользователях. Это усложняло инфраструктуру и затрудняло "переносимость" эмбеддингов между задачами. Можно почитать вот в этой Netflix-презентации.

Вместо этого в Netflix перешли на единое пространство эмбеддингов - одну крупную модель, обученную на общих данных взаимодействия пользователей с контентом. В результате эмбеддинги можно использовать повторно в разных сценариях: для рекомендаций на главной, в почтовых рассылках, в push-ах.

🤨 К примеру, в случае с сериалом Narcos есть группы признаков - основной жанр, общий тон, сюжетная тема, каждый атрибут которого получает свой эмбеддинг - “координату” этого признака в пространстве фичей. Далее происходит трюк: разные признаки сводятся в одну точку пространства - эмбеддинги внутри каждой группы усредняются, и получается один общий вектор для жанров, один для тона, один для сюжетных тем.

Все усреднённые эмбеддинги объединяются в Dense Layer - вклад всех признаков в общий слой. Затем в Mixing Layer происходит связка особенностей фильма с его историей взаимодействия пользователей. На выходе получается Final Title Embedding - итоговый эмбеддинг, который используется в рекомендательных алгоритмах для поиска похожих тайтлов или для персонализации выдачи.

Например, я поставил like сериалу Narcos. Бэкэнд Netflix'а фиксирует это действие как положительное, обновляет эмбеддинг моего "пользователя", усиливая в нем компоненты, связанные с жанром “криминальная драма”. В результате, через Х минут мне начинают показывать в ленте похожие тайтлы, вроде Breaking Bad. Если я продолжу смотреть сериал Narcos, система зафиксирует повторные взаимодействия, что усилит сигнал важности этого сериала в моей истории.

Другой пример: я начал смотреть первую серию нового сезона Squid Game, но не досмотрел эпизод. Это событие записывается на бэкэнде как “просмотр без завершения”. В модель попадает короткое взаимодействие с этим тайтлом, которое влияет на эмбеддинг с меньшим весом, чем полный просмотр. На главной мне показываются похожие на Squid Game сериалы, но реже или ниже по приоритету, чем те, которые я досматривал до конца.

Любое действие - просмотр, остановка, лайк, добавление в список, поиск, пересмотр - влияет на эмбеддинг пользователя и меняет то, что Netflix покажет мне в следующий раз.

Это постоянно дообучающаяся система, где каждое взаимодействие - это “токен” для моделей рекомендаций. Оригинальный, нефильтрованный материал можно почитать на Medium.

👍 - нормально, продолжай
👍 - ничего не понятно, но все равно интересно

Бустануть канал для разнообразных реакций.
#netflix #ai #рекомендации

🏦 Геймификация в Т-инвестициях.

В Т-инвестициях при попытке купить сложный инвест-продукт - деривативы (например, опционы) - вылезает тест в игровой форме.

По закону брокер обязан протестировать клиента на знания предметной области. Т-Банк обернул этот тест в геймификацию на манер Марио.

С одной стороны, зная средний возраст клиентов Т-банка и инвестиций в целом, подход имеет право на существование. Продуктовая команда хочет поработать над конверсией в прохождение, активацией и в целом вовлеченностью.

🤔 С другой стороны, попытка завлечь молодых клиентов в такую сложную тему, как опционы, через геймификацию кажется рискованной.

Средний возраст опционных трейдеров — более 40 лет, на них приходится около 58% всех трейдеров. Люди в возрасте 30–40 лет составляют около 28 %, в возрасте 20–30 — лишь 14 % (источник). Большинство не зарабатывает, типичные убытки для median трейдера — $100–200 (источник). Это американские данные, которые, кажется, вполне можно наложить и на рынок РФ (возможно, сдвинув возвратные вилки чуть влево).

Исходя из этого, непонятно, в чем долгосрочная стратегия такого онбординга. Игровая механика может в моменте увеличить вовлеченность и конверсию, но в долгосроке привести с убыткам пользователя. Достаточно вспомнить плачевно закончившуюся историю 20-летнего студента из США с убытками более $700 тыс. на платформе Robinhood.

А вы как считаете, есть ли место для геймификации в деривативах?

🤵 - все средства хороши

🗿 - я за консервативный подход

Бустануть канал для разнообразных реакций.
#otherapps #banking #банкинг #конверсия #онбординг #опрос