Скоро самым действенным способом обойти эти блокировки будет тупо свалить в нормальную страну. Чёт надежды на улучшения в этой с каждым днём всё меньше
Хабра, запилите модель, которая по тексту комментария будет предсказывать примерное число лайков/дизлайков, чтобы комментаторы знали какую реакцию ждать. Ну а вообще, зная токсичность нашего коммьюнити в киберспорте, в интернете вообще, сложно ждать сугубо адекватные лайки/дизлайки, как следствие не стоит из-за них сильно урезать права пользователя
Интересно почему вы выбрали именно такие метрики и как они влияют.
Мы выбрали такие метрики после анализа большого числа альтернативных метрик, вся следующая часть статьи будет как раз посвящена описанию процесса отбора этих метрик. Но, если кратко, то выбирали метрики по способности предсказать LTV, чтобы они не коррелировали друг с другом, были стабильны во времени и имели как-то смысл для бизнеса.
Метрика влияет на всех пользователей или только тех кто хотя бы раз потратил бонусы?
Факт подписки - в нашем случае это просто факт того, что пользователь передал свой email интернет-магазину, без информации об их дальнейшем взаимодействии. Такой вариант более универсален.
Именно товаров или категорий тоже? Смотрели насколько пользователи придерживаются любимых категорий товаров?
Смотрели разные вариации этой метрики, в том числе и число разных категорий, с которыми взаимодействовал пользователь. Для одного магазина может быть полезнее большое число разных просмотренных товаров (например, у магазинов с 1-5 категориями товаров), для другого полезнее число разных просмотренных категорий. В любом случае эти метрики на всех магазинах оказались сильно скоррелированы, поэтому нет большой разницы что именно использовать. Насколько пользователи придерживаются "любимой категории" мы подробно не смотрели, но отметили, что есть множество пользователей в магазинах, которые смотрят очень много категорий.
В какую сторону это работает? Больше ищет=больше заинтересован или больше ищет=больше времени на передумать? Есть ли разница в остальных метриках для пользователей делающих регулярные или импульсивные покупки и пользователей которые долго выбирают?
Чем дольше пользователь взаимодействует с магазином, тем лучше для магазина. Обычно это означает, что пользователь заходит на сайт магазина с некоторой регулярностью, например, раз в месяц, главное тут то, что пользователь возвращается на этот сайт. Возвращаемость вообще очень важная метрика не только в e-commerce, обычно чем выше тем лучше. Мы не анализировали отдельно пользователей, которые быстро покупают и которые долго бродят по сайту перед покупкой. Но долгосрочно те, кто долго бродят по сайту перед покупкой лучше, так как они посмотрят больше разных товаров, лучше узнают магазин и с большей вероятностью верутся.
Ну и наверно главный вопрос который у меня возникал по ходу чтения - используются ли подобные модели для дальнейшего прогнозирования притока/оттока лояльных пользователей и выручки, или они применяются только постфактум для оценки эффективности бонусных и рекламных компаний?
Насколько нам известно, подобные модели используют для прогнозирования будущей выручки, т.е. имея модель LTV, онлайн-магазин может точнее планировать свои финансы с учётом той выручки, которую они получат с текущей клиентской базы. Аналогично можно предсказывать какая доля пользователей уйдет в отток и что можно сделать с теми, у кого вероятность оттока высока (например предложить индивидуальную скидку/дать промокод).
Но цель статьи другая - найти способ оценки долгосрочного эффекта от внедряемого изменения в онлайн-магазине. И наблюдение за прокси-метриками помогают с решением этой задачи.
Скоро самым действенным способом обойти эти блокировки будет тупо свалить в нормальную страну. Чёт надежды на улучшения в этой с каждым днём всё меньше
Хабра, запилите модель, которая по тексту комментария будет предсказывать примерное число лайков/дизлайков, чтобы комментаторы знали какую реакцию ждать. Ну а вообще, зная токсичность нашего коммьюнити в киберспорте, в интернете вообще, сложно ждать сугубо адекватные лайки/дизлайки, как следствие не стоит из-за них сильно урезать права пользователя
Мы выбрали такие метрики после анализа большого числа альтернативных метрик, вся следующая часть статьи будет как раз посвящена описанию процесса отбора этих метрик. Но, если кратко, то выбирали метрики по способности предсказать LTV, чтобы они не коррелировали друг с другом, были стабильны во времени и имели как-то смысл для бизнеса.
Факт подписки - в нашем случае это просто факт того, что пользователь передал свой email интернет-магазину, без информации об их дальнейшем взаимодействии. Такой вариант более универсален.
Смотрели разные вариации этой метрики, в том числе и число разных категорий, с которыми взаимодействовал пользователь. Для одного магазина может быть полезнее большое число разных просмотренных товаров (например, у магазинов с 1-5 категориями товаров), для другого полезнее число разных просмотренных категорий. В любом случае эти метрики на всех магазинах оказались сильно скоррелированы, поэтому нет большой разницы что именно использовать. Насколько пользователи придерживаются "любимой категории" мы подробно не смотрели, но отметили, что есть множество пользователей в магазинах, которые смотрят очень много категорий.
Чем дольше пользователь взаимодействует с магазином, тем лучше для магазина. Обычно это означает, что пользователь заходит на сайт магазина с некоторой регулярностью, например, раз в месяц, главное тут то, что пользователь возвращается на этот сайт. Возвращаемость вообще очень важная метрика не только в e-commerce, обычно чем выше тем лучше. Мы не анализировали отдельно пользователей, которые быстро покупают и которые долго бродят по сайту перед покупкой. Но долгосрочно те, кто долго бродят по сайту перед покупкой лучше, так как они посмотрят больше разных товаров, лучше узнают магазин и с большей вероятностью верутся.
Насколько нам известно, подобные модели используют для прогнозирования будущей выручки, т.е. имея модель LTV, онлайн-магазин может точнее планировать свои финансы с учётом той выручки, которую они получат с текущей клиентской базы. Аналогично можно предсказывать какая доля пользователей уйдет в отток и что можно сделать с теми, у кого вероятность оттока высока (например предложить индивидуальную скидку/дать промокод).
Но цель статьи другая - найти способ оценки долгосрочного эффекта от внедряемого изменения в онлайн-магазине. И наблюдение за прокси-метриками помогают с решением этой задачи.