Прости, но не понимаю про какие расстояния говоришь. На скринах часть дерева, которое строили для роста LTV для образовательного продукта. Там показана часть ветки Feature Adoption. Это напрямую влияет на ретеншен и состоит из конверсии в начало пробного урока, завершение, повторы и т.д. А мерять для дерева лучше всего в %, тогда даже в голове строится воронка
У ASOS был крутой кейс с ML для прайсинга. На сколько помню, они использовали его для формирования динамичной цены и включали в анализ данные по погоде и локальных праздниках. Выглядело как решение без мануального апрува. Но у ASOS долгая история с ML и высокое доверие после успеха Buy_the_look
Игнорировать их тоже не стоит. Там есть хорошие инсайты о пользовательских потребностях. Просто стоит отделять реальную потребность и то как это назвали и оформили пользователи
Статья для продактов, а они знать должны. Если не знают, то это отличный повод погуглить / спросить у джипити
Красиво! Эта гипотеза точно повысит NPS!
Прости, но не понимаю про какие расстояния говоришь. На скринах часть дерева, которое строили для роста LTV для образовательного продукта. Там показана часть ветки Feature Adoption. Это напрямую влияет на ретеншен и состоит из конверсии в начало пробного урока, завершение, повторы и т.д. А мерять для дерева лучше всего в %, тогда даже в голове строится воронка
о, вот как оказывается называет наш стиль управления продуктом!
Прямо крутая ретроспектива опыта. Огонь!
У ASOS был крутой кейс с ML для прайсинга. На сколько помню, они использовали его для формирования динамичной цены и включали в анализ данные по погоде и локальных праздниках. Выглядело как решение без мануального апрува. Но у ASOS долгая история с ML и высокое доверие после успеха Buy_the_look
Игнорировать их тоже не стоит. Там есть хорошие инсайты о пользовательских потребностях. Просто стоит отделять реальную потребность и то как это назвали и оформили пользователи