Клиентская оптимизация *

Опросы клиентов выступают не просто как инструмент сбора информации, но как мост, соединяющий компанию с её потребителями. Эта статья представляет собой всестороннее руководство по созданию и проведению эффективных опросов, начиная от формулировки целей и заканчивая анализом собранных данных.

Целевая аудитория этой статьи – профессионалы в сфере маркетинга, HR, управления клиентским опытом, а также специалисты по социологическим и маркетинговым исследованиям. Если вы стремитесь глубже понять своих клиентов, повысить уровень их удовлетворенности и лояльности, то здесь вы найдете ценные инсайты и практические рекомендации, основанные на реальном опыте и передовых методиках в области исследований.

Читая эту статью, вы узнаете, как разработать опрос, который не только привлечет внимание вашей аудитории, но и предоставит вам данные, способные преобразовать ваш бизнес. Мы погрузимся в каждый аспект процесса: от создания вопросника до интерпретации результатов, обсудим распространенные ошибки и способы их избежать, и разберем реальные кейсы, демонстрирующие мощь хорошо спланированного опроса.

Существует довольно много статей на тему оптимизации размера бандла, но большинство из них говорят об узких деталях или подходах к уменьшению размера бандла. Либо наоборот — совсем широко, с общими советами.
В этой статье я постараюсь рассказать как комплексно подойти к оптимизации бандла существующего или нового приложения и как не допустить дальнейшего раздувания сборки.

Хотя уменьшение сегодня уже необязательно, оно всё равно лучше.

При выполнении параллельной программы, активно задействующей CPU, нам часто необходимо, чтобы пул потоков или процессов имел размер, сопоставимый с количеством ядер CPU на машине. Если потоков меньше, то вы будете использовать все преимущества ядер, если меньше, то программа начнёт работать медленнее, так как несколько потоков будет конкурировать за одно ядро. Ну, или такова ситуация в теории.

Как же проверить, сколько ядер есть у компьютера? И действительно ли это хороший совет?

Оказывается, на удивление сложно определить, сколько потоков выполнять:

- В стандартной библиотеке Python есть множество API для получения этой информации, но ни одного из них недостаточно.

- Хуже того, из-за таких функций CPU, как параллельность на уровне команд и одновременной многопоточности (Hyper-threading в CPU Intel), количество ядер, которое можно эффективно использовать, зависит от того кода, который напишете вы!

Давайте разберёмся, почему так сложно определить, сколько ядер CPU может использовать программа, а затем подумаем над потенциальным решением.

Я работаю в банке, и каждый год мои Product Owners разрабатывают и защищают перед руководством и заказчиками стратегию развития продукта на следующий год. 

Это обязательный ритуал, потому что без этого:

а. Не будет денег на следующий год.
b. Непорядочно в целом называть себя РО и не иметь стратегии развития собственного продукта. 

Даже если вы уже составили годовой план, то прочитав эту статью, сможете улучшить его, найти ответы на каверзные вопросы и аргументы для команды. А ещё в комментариях рассказать, с какими трудностями встречались сами, чтобы ваши коллеги избежали таких же ошибок. 

В этой статье я поделюсь с вами долгой историей, которая начинается с op.read() opendal, а заканчивается неожиданным поворотом. Это путешествие оказалось для меня достаточно поучительным, надеюсь, и для вас оно будет таким же. Я постараюсь максимально точно воссоздать свой опыт и дополню его выводами, которые сделал в процессе.

Профильные интернет-магазины по продаже автозапчастей начинают уступать место маркетплейсам, где число покупателей с каждым годом растет. Стало интересно, может ли на эту тенденцию повлиять производительность сайтов по продаже автозапчастей. В этой статье – о текущем состоянии рынка и об исследовании 7 крупных его игроков.

Привет, Хабр!

Каждая миллисекунда имеет значение, микрооптимизация это must have, особенно на языке Go.

Казалось бы, современные пекарни настолько мощные, что могут простить нам небольшую неэффективность. Однако, когда дело доходит до масштабируемых систем и высоконагруженных приложений, каждая лишняя аллокация памяти и каждый неоптимальный цикл могут привести к значительному снижению производительности. Микрооптимизации позволяют добиться максимальной эффективности и производительности.

Мы с ребятами в агентстве уверены: чтобы брать — нужно отдавать. А вот некоторые клиенты считают наоборот. Поэтому, исходя из собственного опыта, мы решили поделиться советами, которым следовать не нужно. Разумеется, если вы хотите расти в прибыли.

Привет, Хабр! Я работаю в компании Testograf, где занимаюсь анализом данных и помогаю клиентам делать хорошие опросы. Все мы знаем, что опросы — это отличный способ узнать мнение людей, будь то ваши сотрудники, клиенты или даже случайные прохожие. Но как сделать так, чтобы люди действительно захотели ответить на ваши вопросы, и не убежали после первой же страницы анкеты?

Сегодня я хочу поделиться с вами десятью простыми, но эффективными советами, которые помогут сделать ваш опрос интересным и полезным. Эти рекомендации основаны на моем опыте работы в разных сферах: от HR до маркетинга и социологических исследований.

Давайте разберемся, как сделать опросы, которые люди не только начнут, но и закончат, предоставив вам те самые ценные ответы. Поехали!

Что может быть хуже чем плохой интернет ?

Плохой интернет, когда нужно загрузить картинку весом как чугунный мост. В эпоху очень быстрого интернета мы стали забывать о том, что в некоторых локациях нашего мира нет хорошей сети (например, когда вы едете в поезде по нашей необъятной стране). Эту проблему довольно хорошо решают Service Workers, о которых я вам сейчас расскажу.

В современном мире пользователи становятся все более требовательными к производительности веб‑сайтов и хороший пользовательский опыт выходит на первый план. Даже малейшее зависание или отсутствие плавности могут привести к потере пользователей.

Есть случаи, когда эту проблему можно решить с помощью Web Workers, про них я и расскажу вам далее!

«Не могу решиться на SEO, вера не позволяет. А если серьезно, то специалисты закидывают меня какими-то обещаниями и сроками в 3 месяца. Ничего не понятно: что я получу, зачем столько ждать?». Лично я слышал и такие истории. Решить их можно, но нужно знать как. Давайте разбираться.

Сотрудники, клиенты, и респонденты больше склонны быть откровенными, когда знают, что их отзывы останутся конфиденциальными. В HR это помогает улучшить внутренние процессы, снизить текучку кадров и создать более продуктивную культуру. В маркетинге, где понимание клиента является ключом к эффективной рекламной кампании, честные отзывы также незаменимы. И в социологических исследованиях, анонимность позволяет получить более точные данные, что особенно важно в изучении деликатных или спорных вопросов.

Всем привет! Я Антон Телицын, продакт-менеджер в AI-центре Тинькофф, до этого работал в Miro над движком доски. В обеих компаниях сталкивался с вопросами управления скоростью реакции продуктов в разных ситуациях.

Это первая статья про управление отзывчивостью продуктов. Рассмотрим общие принципы и метрики, а в продолжение — практические советы, кейсы и разбор некоторых методик, которые помогут достичь продуктовых целей в условиях технических ограничений.

Добро пожаловать под кат!

Мы уже давно используем адаптивные изображения picture с srcset, но захотелось реализовать ленивую загрузку изображений на проектах, когда юзер видит изображение в плохом качестве, пока загружается основное.

В наше время пользователи хотят получать как можно больше контента за как можно меньшее время. В связи с этим, если изображение загружается не мгновенно, это уже проблема. Пользователь, скорее всего, его пропустит и пройдет дальше, если вообще не закроет сайт.

Вариант с отображением анимированного блока или изображения худшего качества в момент загрузки, очевидно, привлекает пользователей сильнее, чем просто белый блок. Поэтому решили, что его и будем реализовывать. Однако, есть множество различных способов это сделать.

Рекомендации продуктов стали неотъемлемым инструментом продаж для сайтов электронной коммерции. Такие системы рекомендаций обычно используют технологию collaborative filtering — распространенный подход для создания рекомендательных систем, основанных на поведении пользователей. Применение collaborative filtering возможно, когда имеется достаточное количество исторических данных о взаимодействии пользователя с элементами интерфейса, и она неэффективна, когда данные о взаимодействиях собраны в недостаточном объеме или не по всем действиям. Согласно принципу Парето, обычно 20% каталога сайта получают 80% трафика, а остальной каталог не имеет достаточного объема данных о взаимодействии с пользователями. Именно это является проблемой для реализации рекомендаций на основе поведения.

Когда collaborative filtering применить не получается, можно использовать рекомендации на основе контента, то есть находить товары по схожему внешнему виду, характеристикам или описанию. Однако, используя machine learning, мы можем сделать подход collaborative filtering эффективным даже для продуктов с минимальными данными о взаимодействии с клиентами. Давайте обсудим, как обучить ML‑модель для отображения характеристик collaborative filtering, чтобы предоставлять рекомендации на основе поведения даже для продуктов с неполными данными.

В данной статье я хотел бы привести пример практического кейса использования метода requestIdleCallback, который возник у меня на проекте. Кейс сам по себе небольшой, замеры времени отработки функции и отрисовки компонентов для использования производились с помощью React Profiler.

Хотелось бы сразу сказать, что статья может быть не чем-то новым, но может оказаться полезной в плане практического понимания того, где может пригодиться requestIdleCallback и как он может быть использован.

Привет, Хабр! На связи команда Frontend-разработки Учи.ру. Знаем, что сейчас активно развиваются SSR-фреймворки — Next.js и другие. Если ваше приложение создано с использованием подобной технологии, вы можете отслеживать корректность его работы с помощью интегрального мониторинга. В этом материале мы расскажем, почему он важен, какие инструменты позволяют его проводить, как с ним работать Frontend-разработчику. И конечно, поделимся своим опытом — как нашли и исправили серьезную ошибку в продукте.

Привет, Хабр! Меня зовут Ксения Островерхая и сегодня я расскажу про интересный запрос, который поступил к нам в UX Лабораторию М.Видео. Коллеги попросили разработать Customer Journey Map (CJM) для покупателей кофемашин. В этой статье расскажу про все этапы, которые мы прошли в рамках планирования и проведения дневникового исследования.