TikTok, Instagram и квадрант глубокого понимания

Программирование
11.17.2020
easy
Автор:
Далида Еркулиева

Нашли в Twitter еще один интересный профайл - ScreenshotEssays, который ведется Эриком Стромбергом - основателем венчурной компании Bedrock Capital и стримингового сервиса для чтения книг Oyster (выкупленный Google в 2015 г).

На этой странице Эрик выставляет краткие эссе, которые вмещаются в один скриншот iPhone. Невероятный навык, конечно, - умение выразить идею или донести результаты аналитической работы в 200 словах. Чтобы вы оценили сами, специально перевели одно из таких эссе для вас!

===

Использовать (exploit) предпочтения пользователей или исследовать (explore) их - основной компромисс в кастомизации или персонализации онлайн сервисов и продуктов.

Например, представьте, что мы разрабатываем систему для персонализации музыкальных предпочтений и новому пользователю приложения нравится кантри-песня. Мы можем использовать эти знания и предложить для прослушивания еще одну кантри-песню, или мы можем исследовать вкусы пользователя и предложить ему послушать поп-музыку.

Использование того, что мы уже знаем приведет к незамедлительной обратной связи, но пользователю в конечном итоге станет скучно. Исследование, с другой стороны, может раскрыть новые предпочтения, но это рискованно. Если наша рекомендация будет плохой, то пользователь закроет приложение.

Масштабирование процессов исследования предпочтений и использования знаний - основа того, как приложения узнают больше о своих пользователях. Глубокое понимание вкусов и предпочтений пользователей возникает тогда, когда количество полученных сигналов от пользователей высокое, а цена плохой рекомендации низкая.

TikTok и Instagram получают в 100 раз больше сигналов на каждую сессию пользования приложением, чем Netflix. Последствия плохой рекомендации тоже низкие (секунды просмотра поста в Instagram против часов просмотра фильма в Netflix).

В итоге, у таких приложений есть больше возможностей исследовать предпочтения юзеров небывалыми ранее путями.

И в будущем, приложениями-победителими будут те, кто сможет использовать и исследовать предпочтения пользователей еще лучше.

Источник: Twitter @ScreenshotEssay

Хотите начать карьеру
программиста, но не знаете с чего начать?
Поделитесь своими контактами
и команда nFactorial School проконсультирует вас
Спасибо! Скоро наши менеджеры свяжутся с вами.
Oops! Something went wrong while submitting the form.

TikTok, Instagram и квадрант глубокого понимания

Далида Еркулиева
17/11/20

Нашли в Twitter еще один интересный профайл - ScreenshotEssays, который ведется Эриком Стромбергом - основателем венчурной компании Bedrock Capital и стримингового сервиса для чтения книг Oyster (выкупленный Google в 2015 г).

На этой странице Эрик выставляет краткие эссе, которые вмещаются в один скриншот iPhone. Невероятный навык, конечно, - умение выразить идею или донести результаты аналитической работы в 200 словах. Чтобы вы оценили сами, специально перевели одно из таких эссе для вас!

===

Использовать (exploit) предпочтения пользователей или исследовать (explore) их - основной компромисс в кастомизации или персонализации онлайн сервисов и продуктов.

Например, представьте, что мы разрабатываем систему для персонализации музыкальных предпочтений и новому пользователю приложения нравится кантри-песня. Мы можем использовать эти знания и предложить для прослушивания еще одну кантри-песню, или мы можем исследовать вкусы пользователя и предложить ему послушать поп-музыку.

Использование того, что мы уже знаем приведет к незамедлительной обратной связи, но пользователю в конечном итоге станет скучно. Исследование, с другой стороны, может раскрыть новые предпочтения, но это рискованно. Если наша рекомендация будет плохой, то пользователь закроет приложение.

Масштабирование процессов исследования предпочтений и использования знаний - основа того, как приложения узнают больше о своих пользователях. Глубокое понимание вкусов и предпочтений пользователей возникает тогда, когда количество полученных сигналов от пользователей высокое, а цена плохой рекомендации низкая.

TikTok и Instagram получают в 100 раз больше сигналов на каждую сессию пользования приложением, чем Netflix. Последствия плохой рекомендации тоже низкие (секунды просмотра поста в Instagram против часов просмотра фильма в Netflix).

В итоге, у таких приложений есть больше возможностей исследовать предпочтения юзеров небывалыми ранее путями.

И в будущем, приложениями-победителими будут те, кто сможет использовать и исследовать предпочтения пользователей еще лучше.

Источник: Twitter @ScreenshotEssay

Войти в чат