Сделай удобно: подборка UI/UX-кейсов из цифровых и нецифровых продуктов (#17)

Продолжаю изучать различные UI/UX/CX кейсы в мобильных приложениях, веб-сайтах и в реальном мире. Дизайнерам и менеджерам по продукту, чтобы вдохновиться и добавить в заметки. Под катом: Intsagram и его рекомендательные алгоритмы, Tinder и его парадокс.

Периодически я привожу в своих материалах 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 teMa 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.

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.

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.

Команда Inst'ы тестирует визуализацию на кнопки "Поделиться".

Сначала кнопка отображается в стандартом формате. Затем на несколько секунд на этой кнопке появляются аватарки друзей. Потом кнопка снова отображается в стандартом формате.

Полагаю, что внутренние алгоритмы Inst'ы делают предсказания, какой контент, вероятно, понравится какому пользователю (читай - повлияет на timespent в приложении).

Через такие "предсказания" команда хочет повлиять на Engagement: потенциально вот таким твоим друзьям конкретно этот рилс может быть интересен. Попробуй пошарить.

Также такая микроанимашка может создать ощущение социальной активности и ценности контента. Ты просматриваешь рилсы не один, а как бы в компании своих друзей. Не напрямую, конечно, но через дофаминовые алгоритмы соцсети.

В целом, для Inst'ы это классный способ: