![Количество просмотров Количество просмотров](/local/templates/retail_new/images/eye-count.png)
Аналитика пользовательского опыта: возможна ли полноценная реализация?
![Аналитика пользовательского опыта: возможна ли полноценная реализация? Аналитика пользовательского опыта: возможна ли полноценная реализация?](/upload/iblock/627/vy5jkdhir9xz7qjp1c2y5651gwn9j8hb.jpg)
Илья Шутов, руководитель направления DataScience, ИТ-компания Медиа-тел, к.ф.-м.н.
Проблематика задачи
Задача построения пользовательского опыта является достаточно сложной. Коммуникации с пользователем давно стали мультиканальными, включая физическое и онлайн-взаимодействие. Причем коммуникация может начинаться в одном канале, проходить в другом, а завершаться в третьем. Дополнительная сложность добавилась и благодаря карантину, когда даже в рамках одной компании появилось множество различных приложений и порталов, частично конкурирующих, частично интегрированных. Усугубляет ситуацию расширение и переформатирование спектра программ лояльности, партнерских программ, сервисов обратной связи и введение подписочных сервисов.
Что предлагается в классических методах анализа пользовательского опыта? Анализ чеков и программ лояльности. Суммы, ассортимент, геоинформация и т.д. Маркировка действий пользователей через карты лояльности.
Это действительно огромный блок информации, который позволяет:
● проводить анализ работы бизнеса как в целом, так и на уровне структурных единиц;
● строить портреты покупателей и их сегментировать;
● строить достаточно неплохие прогнозные экономические модели.
Однако могут ли чеки дать полную картину мира? Нет, нет и еще раз нет. “Чеки” дают всего лишь плоскую проекцию сложных многомерных структур. Масса критически важной информации остается за бортом.
Что остается за рамками? Да практически вся динамика:
● Проблемы пользователя в классическом процессе обслуживания на кассах.
● Дополнительный пользовательский опыт:
- процесс обслуживания на КСО;
- процесс обслуживания в мобильных приложениях (Scan&GO/SelfScan/ ...);
- процесс обслуживания в онлайн-сервисах и онлайн-доставке;
- обращения в колл-центр.
● Операционная эффективность:
- = успех / (успех + ошибки);
- Чек – успешно завершенная транзакция. А сколько при этом ошибочных?
- Какова цена ошибок?
● Производительность:
- Что мешает нам обслуживать быстрее?
- Как меньшими ресурсами выполнять большую работу?
Что еще может быть не так?
Продажа товара – технико-экономический процесс. Популярность товара определяется не только соотношением цена/качество, но и технической возможностью его купить. Примеры ошибок:
● «Цена на товар не найдена»;
● «ШК не читается»;
● «PLU/EAN не совпадает с отсканированной маркой»;
● «Товар не найден»;
● «Условия промо неприменимы»;
● «Невозможно списать баллы»;
● …
И каждая стоит определенных денег.
Что еще не учитываем?
● Откройте еще кассу!
● Нет времени стоять, как-нибудь потом…
● Корзина в приложении брошена… что не так?
● Доставка не в срок, мне это неудобно…
● Мобильным приложением покупатель перестал пользоваться… почему?
Предлагаемый подход к реализации полноценной аналитики пользовательского опыта
Предпосылки:
- С точки зрения техники и математики все ИТ-системы и процессы представляют собой конечные автоматы. Т.е. есть наборы состояний и матрицы перехода из состояния в состояние.
- С точки зрения бизнеса для оценки пользовательского опыта необходимо собирать и анализировать информацию только по крайне незначительному набору состояний и операций, желательно в режиме, близком к реальному (концепция бизнес-мониторинга).
- Интересует транзакционный/сессионный мониторинг/аналитика. Т.е. весь сеанс коммуникаций с пользователем от начала до конца как единое целое. Мониторинг отдельных событий и состояний -- удел технических подразделений.
- Интересуют сессионные метрики и бизнес-ошибки.
- Мониторинг в режиме реального времени избыточен. Характерные транзакционные времена составляют 30-60 минут и определяются потоком пользователей и заданными таймаутами по бездействию (например, таймаут автозакрытие брошенных корзин).
- Транзакционная аналитика должна погружаться внутрь информационного обмена между компонентами, чтобы дополнить технические и временные показатели бизнес атрибутами. Например, товары в корзине, стоимость корзины, тип карты оплаты, модель телефона и т.д.
Запуск операционной аналитики очень хорошо сочетается с запуском или разработкой собственных продуктов (в частности, мобильными приложениями как конечной точкой коммуникации с пользователем). Применение концепции бизнес-мониторинга и технологии process-mining у нас в Медиа-тел позволяет без использования больших данных в рамках одного аналитического контура построить:
● технологический мониторинг здоровья сервиса и смежных систем;
● бизнес-мониторинг, включая поведенческий анализ персонализированного опыта покупателей, предиктивную аналитику, косвенную оценку качества работы и обученности персонала в магазинах; антифрод; косвенную оценку готовности инфраструктуры офлайн-магазина к обслуживанию в рамках контролируемой системы;
● маркетинговый мониторинг и отчетность, включая различные финансовые и поведенческие показатели, такие как многофакторный когортный анализ, анализ процессов оттока, эффективности конверсии, динамики ценности, оценки влияния маркетинговых программ и многое другое.
Контур операционной аналитики, исполняемой в режиме близком к реальному времени, можно построить полностью на open-source стеке. Из хорошо зарекомендовавших комбинаций с наивысшими ТТХ можно отметить связку Yandex Clickhouse + R (https://h2oai.github.io/db-benchmark/).
Типичный состав команды по внедрению операционной продуктовой аналитики междисциплинарен и может включать разработчиков приложений и систем, бизнес-заказчиков, представителей маркетинга и руководителей программ.
Типичный состав работ охватывает множество этапов: бизнес-аналитика, разработка технического задания, разработка метрик и критериев, разработка алгоритмов, интеграция с внешними системами, разработка отчетов дашбордов, аналитических приложений, выработка гипотез и предложений, ad-hoc аналитика.
Важным моментом является формат взаимодействия с пользователями. Операционная аналитика динамична, пользовательский опыт меняется. Транзакционный анализ позволяет выявить возникшие у пользователя проблемы даже путем косвенного анализа. Оборванная транзакция (брошенная корзина), повторенная многократно многими пользователями, - уже не случайный сбой, а некий паттерн поведения, который может быть обусловлен как проблемами в навигации в ПО, так и внешними проблемами - отказ сторонних систем или плохая камера в телефоне.
Бизнес-мониторинг позволяет с легкостью обнаруживать такие проблемы и оперативно уведомлять об этом службы поддержки. Операционная аналитика и означает, что она тесно встроена в контур эксплуатации, а не существует в виде ежемесячных дайджестов, которые устарели, еще не будучи опубликованными.
Оптимальные сценарии взаимодействия с пользователями и бизнесом существенно отличаются от классических BI-систем.
● Дашборд («телевизор в приемной»)
● «Storytelling» отчет
● Приложение
● Выгрузки (БД, excel)
Причем, по мере повышения зрелости, начинает превалировать формат storytelling-отчетов, содержащий полноценную и исчерпывающую информацию, собранную в связный документ, необходимую персонально для каждого пользователя. Именно формат storytelling-отчетности позволяет:
● снизить затраты пользователей на клики мышкой до нуля;
● заменить real time обработку запросов пользователей на офлайн-подготовку;
● кардинально снизить требования к аппаратным ресурсам, подготавливающим отчетность, за счет разделения во времени;
● повысить безопасность данных за счет исключения доступа пользователей к источникам.
Стандартное время внедрения систем подобного класса (при готовности всех подразделений заказчика к активному и плодотворному сотрудничеству) - 4-5 месяцев.