Гараж
Новий розділ «Рецепти» на сайті «Сільпо». Кейс студентів UX Design Beginning
Сільпо вже не вперше співпрацює з нашими студентами, зокрема студентами Interface Design School. Минулого разу студенти курсу UX Research. Цього ж працювали над оновленням сайту shop.silpo.ua.
П'ять команд, одне завдання, різні його рішення — і один кейс в якому ми все це зібрали разом.
П'ять команд, одне завдання, різні його рішення — і один кейс в якому ми все це зібрали разом.
З чого почали?
Почали звичайно ж завдання. Цього разу метою студентів було запропонувати рішення, що допоможуть збільшити час перебування гостей на сайті «shop.silpo.ua».
Почали звичайно ж завдання. Цього разу метою студентів було запропонувати рішення, що допоможуть збільшити час перебування гостей на сайті «shop.silpo.ua».
Михайло Рибачук
Куратор курсу UX Design Beginning
Кейс був таким. Є сайт silpo.ua, де в місяць проходить 1,2-1,5 млн користувачів. Трафік винятково органічний. Завдання стояло абсолютно продуктовим: зробити так, щоб користувачі поверталися частіше, та проводили там більше часу (щоб їм там було цікавіше). У «Сільпо» були думки зробити розділ з рецептами, тому нас попросили дослідити цей напрямок. Але насправді у студентів була повна воля для фантазії.
Якщо говорити більш стисло, то перед студентами UX Design Beginning стояло завдання збільшити три показники: трафік на сайті silpo.ua, час перебування на сайті «Сільпо», конвертацію в покупки в інтернет-магазині shop.silpo.ua. А також скоротити показник відмов по сторінках.
Леся Шатурська
Head of Digital & SMM Production у «Сільпо»
Нашим головним завданням було зрозуміти, як завдяки ефективному UX впровадити новий розділ «Рецепти», щоб він приніс більше трафіку, конверсії та залученості. Ідея з «рецептами» виникла у нас всередині команди й ми вибудували для себе гіпотезу, що цей розділ допоможе досягти наших цілей. А студенти вже пропонували як не тільки завдяки рецептам, а й іншим рішенням вирішити поставлені завдання.
Оскільки обмежень по ідеях не було, а сайтів у сільпо два, то студенти почали пропонувати ідеї максимально широкого спектра. Тому на дебрифінгу замовники разом з кураторами Михайлом та Іриною прийняли рішення звузити завдання, зосередившись все ж на рецептах. Однак частина ідей все ж була не тільки про новий розділ на сайті.
Як працюють алгоритми
Переможців на курсі не було. Замість цього представники «Сільпо» обрали конкретні рішення від різних груп, які на їх думку, найкраще виконають поставлене завдання.
Перше з чого почалася робота, звичайно ж, — дослідження. Команди генерували різні гіпотези та намагалися підтвердити чи спростувати їх. Найчастіше для дослідження використовували аналіз конкурентів, евристичний аналіз та, звичайно ж, глибинні інтерв'ю.
Про процес роботи над кейсом кожної групи й запропоновані рішення далі поговоримо детальніше.
Переможців на курсі не було. Замість цього представники «Сільпо» обрали конкретні рішення від різних груп, які на їх думку, найкраще виконають поставлене завдання.
Перше з чого почалася робота, звичайно ж, — дослідження. Команди генерували різні гіпотези та намагалися підтвердити чи спростувати їх. Найчастіше для дослідження використовували аналіз конкурентів, евристичний аналіз та, звичайно ж, глибинні інтерв'ю.
Про процес роботи над кейсом кожної групи й запропоновані рішення далі поговоримо детальніше.
Спільна фільтрація
Це основна функція AI, яку Spotify використовує для рекомендації нової музики. До слова, таку ж систему використовує Netflix та інтернет-магазини для пропозицій релевантного контенту на основі попередніх дій користувача.
Перш ніж пропонувати вам нових виконавців і пісні особисто, Spotify створює внутрішній «персональний смаковий профіль», що базується
на ваших звичках прослуховування. А далі алгоритм непомітно вбудовує ваш смак у свою екосистему.
Наприклад, якщо ви прослухаєте Led Zeppelin, то стримінг порекомендує вам кілька плейлистів з класичним роком. А далі детальніше аналізуватиме, вашу взаємодію з піснями в цих плейлистах.
Це основна функція AI, яку Spotify використовує для рекомендації нової музики. До слова, таку ж систему використовує Netflix та інтернет-магазини для пропозицій релевантного контенту на основі попередніх дій користувача.
Перш ніж пропонувати вам нових виконавців і пісні особисто, Spotify створює внутрішній «персональний смаковий профіль», що базується
на ваших звичках прослуховування. А далі алгоритм непомітно вбудовує ваш смак у свою екосистему.
Наприклад, якщо ви прослухаєте Led Zeppelin, то стримінг порекомендує вам кілька плейлистів з класичним роком. А далі детальніше аналізуватиме, вашу взаємодію з піснями в цих плейлистах.
Обробка природної мови (NLP)
По-друге, Spotify використовує Natural Language Processing (NLP) для аналізу музики й класифікації кожної пісні в розрізі музичної індустрії в цілому.
Для цього технологія NLP може сканувати метадані пісні (тобто виконавця, альбом, жанр, дати виходу, тексти пісень тощо). А також
її культурний вплив через блоги, публікації,
згадки й багато іншого в інтернеті.
По-друге, Spotify використовує Natural Language Processing (NLP) для аналізу музики й класифікації кожної пісні в розрізі музичної індустрії в цілому.
Для цього технологія NLP може сканувати метадані пісні (тобто виконавця, альбом, жанр, дати виходу, тексти пісень тощо). А також
її культурний вплив через блоги, публікації,
згадки й багато іншого в інтернеті.
Згорткові нейронні мережі (CNN) та аудіомоделі
Подібно до технології розпізнавання облич, Spotify, використовуючи лише звукову форму, може вивчати темп кожної пісні, гучність тощо. Після присвоєння математичних значень тону, висоті, настрою та звуковому профілю, Spotify може рекомендувати пісні, які відповідають подібним моделям.
Завдяки цьому маловідомі артисти можуть потрапляти до підбірки «Discover Weekly», якщо краще відповідатимуть схожим до ваших уподобань параметрам, ніж пісні популярних виконавців.
Подібно до технології розпізнавання облич, Spotify, використовуючи лише звукову форму, може вивчати темп кожної пісні, гучність тощо. Після присвоєння математичних значень тону, висоті, настрою та звуковому профілю, Spotify може рекомендувати пісні, які відповідають подібним моделям.
Завдяки цьому маловідомі артисти можуть потрапляти до підбірки «Discover Weekly», якщо краще відповідатимуть схожим до ваших уподобань параметрам, ніж пісні популярних виконавців.
Блокчейн
У 2017 році Spotify придбав блокчейн-стартап Mediachain Labs. Ця покупка допомагає отримувати потрібним людям виплати за кожну прослухану доріжку. Це дійсно важливе завдання, оскільки раніше легше було рахувати заробіток виконавців — кількістю проданих компакт-дисків, а пізніше MP3. Зараз же, в епоху стримінгів завдання ускладнилося й ставатиме ще складнішим з кожним новим користувачем стримінг-платформ.
У 2017 році Spotify придбав блокчейн-стартап Mediachain Labs. Ця покупка допомагає отримувати потрібним людям виплати за кожну прослухану доріжку. Це дійсно важливе завдання, оскільки раніше легше було рахувати заробіток виконавців — кількістю проданих компакт-дисків, а пізніше MP3. Зараз же, в епоху стримінгів завдання ускладнилося й ставатиме ще складнішим з кожним новим користувачем стримінг-платформ.
mediachain.io
Ще одна цінність цієї покупки для музичної індустрії — боротьба за авторські права. Є два типи даних, які дійсно важливі для цього аспекту — хто створив музичний продукт та хто володіє правами на нього. Проте немає єдиної відкритої бази, де була б зібрана ця інформація. Mediachain Labs якраз і намагається це виправити.
Якщо ж хочете й самі навчитися працювати з нейронними мережами, то почніть з курсу — Introduction to Deep Learning.
Автори: Денис Пристай
Автори: Денис Пристай
Гараж
Сподобалась стаття?
