Channel Eugene K - the BA🇺🇦 - @eugenekba - №451
Отже, чому рекомендаційні механізми — це складно? 🤯1️⃣ Не існує “правильної” відповіді.Тут завжди є що обговорювати і погоджувати із зацікавленими сторонами.Можуть бути кілька конфліктуючих думок, і ці конфлікти потрібно якось розрулювати.А показати, яке рішення “краще”, буває не так просто.Наприклад: - бізнес хоче конверсію 💰 - дата саєнтисти — якість моделі 📊 - UX-дизайнер — щоб не дратувало користувача 🎨 - в кінці кінців користувач хоче побачити одне, а бізнес — показати йому інше 💥2️⃣ Потрібно домовитися, що саме рекомендувати.Ми зважаємо на критерії, про які писав вище(властивості транзакцій, контенту, користувачів і багато іншого),і це все може бути не швидкою, а доволі кропіткою роботою 🧩3️⃣ Результатом аналізу має бути чітке пояснення: - “Чому ця система цьому користувачу порекомендувала ось це?” - Тобто потрібна валідація рішення і можливість його пояснити.4️⃣ Складно (але реально) виміряти успіх.Потрібно зрозуміти, чи дійсно те, що ми рекомендуємо,користувач хотів, обрав, придбав, переглянув тощо 📈І відповідно хороший, сильний, сенйорний, енергічний та кмітливий БА 💪:• Зрозуміє початкову ціль такої фічі• Прорекомендує пріоритети складових рекомендаційного механізму(типу: «почнемо з цього, бо воно дає нам ось такий ефект»)• Побудує модель або whitepaper по механізму, де чітко зафіксує на підставі яких саме даних, за яким принципом, з якими пріоритетами та вагами рекомендаційна система працює• Провалідує наявність необхідних даних• Якісно це все скомунікує(до речі, в більшості випадків ексель-таблиця з критеріями та вагами може бути дуже ілюстративною — навіть як інпут для серйозних ML-рішень 📄)• І, звісно, погодить це все з усіма зацікавленими сторонами 🤝І наостанок: рекомендаційні системи виглядають як “фіча”, але насправді це постійна гіпотеза, яка живе, змінюється і ламається разом із поведінкою користувачів 🔄Успіхів! 🚀
298
25-12-23 14:17