Сделай удобно: подборка UI/UX-кейсов из цифровых и нецифровых продуктов (#19)

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: Netflix, BBVA, Duolingo.

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:

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.

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.

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.