ډیری محصول ټیمونه لاهم د A/B ازموینې ترسره کوي. دا معیار دی. تڼۍ بدل کړئ. ټرافیک تقسیم کړئ. وګورئ چې کوم نسخه ښه بدلیږي. دوه اونۍ انتظار وکړئ. د احصایوي اهمیت په اړه بحث وکړئ.
خو دلته یوه پوښتنه ده: څه که تاسو یوازې هغه وخت پوه شئ کله چې یو څوک مغشوش وي - سمدلاسه؟
د ازموینې ډلې نشته. انتظار نشته. یوازې د دې نښې دي چې یو څه خراب دي.
دا هغه ځای دی چې ماشین زده کړه ممکن موږ بل ځای ته بوځي. د محصول قضاوت ځای نه نیسي. مګر د کاروونکو د اختالف پیژندل په پیل کې، په پیمانه، او د کلیک-ترو نرخ په پرتله ډیر باریکۍ سره.
راځئ چې د دې په اړه وغږیږو چې دا څنګه کار کوي، په عمل کې څه ښکاري، او چیرته چې دا دمخه پیل کیږي - په خاموشۍ سره - په عصري کې AI اوزارونه.
د "کاروونکي مغشوشیت" څه شی ګڼل کیږي؟
تاسو دا لیدلی دی. یو کاروونکی ستاسو پاڼې ته راځي. دوی ودریږي. هوور کوي. کلیک کوي. بیا بیرته ځي. سکرول کوي. نیویګیشن ته بیا مراجعه کوي. بیا پورته کیږي.
دا نه ده قهر. دا نه ده برياليتوب یا هم. دا شک دی.
ستونزمنه برخه؟ دا تل په پاکو شمېرو کې نه ښکاري. د A/B ازموینې ممکن ووایی چې دواړه ډولونه "برابر" فعالیت کوي. مګر هیڅ یو یې ښه کار نه کوي.
ګډوډي په تشو کې ژوند کوي. کوچني چلندونه. هغه کړۍ چې هیڅکله عمل ته نه لار هواروي.
تر دې وروستیو پورې، په پیمانه د دې نمونو کشف کول یو اټکل و. اوس، د غوره تعقیب او هوښیار ماډلونو سره، ټیمونه په نږدې ریښتیني وخت کې دا په نیولو پیل کوي.
د ماشین زده کړه څنګه لوبه بدلوي
دلته هغه څه دي چې د ML ماډلونه یې کولی شي چې د A/B ازموینې یې نشي کولی:
- نازک چلندونه وپیژنئ په ټوله فنل کې، نه یوازې بدلون
- له نمونو زده کړه په غونډو کې، نه یوازې پایلې
- د وخت په تیریدو سره تطابق وکړئ پرته له دې چې هر ځل یو څه بدلون ومومي نوي ازموینې ترسره کړي
- د سطحې ناڅاپي رګېدل - حتی کله چې کاروونکی هدف بشپړ کړي
دا وروستۍ خبره مهمه ده. ځکه چې یوازې د یو کار بشپړول پدې معنی ندي چې دا اسانه وه.
یو هوښیار ماډل ممکن ووایی:
"هو، کارونکي نوم لیکنه وکړه. خو د دوی سفر ګډوډ ښکاریده. نورو دلته هم ستونزې درلودې."
دا هغه بصیرت دی چې تاسو یې د ویشل شوي ازموینې څخه نه ترلاسه کوئ.
دا په عمل کې څنګه ښکاري
فرض کړئ چې تاسو د ناستې چلند تعقیب کوئ - کلیکونه، سکرولونه، په پاڼه کې وخت، د غضب کلیکونه، د فورمو پریښودل، حتی د موږک حرکت (که تاسو غواړئ دومره ژور لاړ شئ).
تاسو یو ماډل ته روزنه ورکوئ ترڅو "عادي" چلند کشف کړي. بیا هغه غونډې په نښه کړئ چې ښکاري ... بندې دي.
اوس تاسو یو ډشبورډ لرئ چې ښیې:
- چیرته چې خلک ډډه کوي
- کوم ګامونه د بیا هڅو لامل کیږي
- کومې برخې دوی ډېر مغشوشوي
او ته نور اټکل نه کوې. ته ځواب ورکوې.
هغه ټیمونه چې د S-PRO په څیر شرکتونو سره کار کوي ډیری وختونه له دې ځایه پیل کیږي کله چې د رګونو څخه خبر AI ایپسونه جوړوي. د لوی ماډل ځای پرځای کولو سره نه، مګر د کوچنیو، هوښیار پرتونو سره چې تعقیب او بیرغ کوي.
خو انتظار وکړئ - ایا دا یوازې د UX تحلیل نه دی؟
پوره نه ده
د UX تحلیل تاسو ته وایی چې څه پیښ شوي. د ماشین زده کړه تاسو ته وایی څه سم نه ښکاري - د زده شویو نمونو پر بنسټ، نه د ثابتو حدونو پر بنسټ.
دا د وخت په تیریدو سره ښه کار کوي. لکه څنګه چې ډیرې غونډې راځي، ماډل هغه څه اصلاح کوي چې "مشکل" ښکاري. تاسو اړتیا نلرئ چې هر قاعده ولیکئ.
دا د هوتجار یا مکس پینل په څیر وسایلو ځای نه نیسي. دا په سر کې د استخباراتو طبقه بندي ده. فکر وکړئ: لږ ډشبورډ لیدل، ډیر خبرتیاوې کله چې یو څه په خاموشۍ سره د کارونکي جریان ماتوي.
د کلاسیک A/B ازموینې په اړه څه؟
د A/B ازموینه لاهم کار کوي. په ځانګړي توګه کله چې تاسو د دوو روښانه انتخابونو ترمنځ پریکړه کوئ.
خو دا هغه وخت ستونزمن کیږي کله چې:
- توپیرونه ډېر نازک دي
- تاسو له یوې څخه ډیرې پایلې تعقیبوئ
- تاسو ځوابونه غواړئ اوس، په دوو اونیو کې نه
د ML پر بنسټ د رګونو تعقیب تاسو ته یو پاک "ډول B غوره دی" سرلیک نه درکوي. دا تاسو ته نمونې درکوي. لومړني سیګنالونه. ګډوډ نښې. کوم چې، په ګړندي حرکت کونکو محصولاتو کې، ځینې وختونه ډیر ارزښتناک وي.
یو په بشپړه توګه د بل ځای نه نیسي. خو یوځای؟ تاسو ګړندي حرکت کوئ، د لږو مړو پایونو سره.
تاسو په حقیقت کې دا څنګه جوړوئ؟
تاسو اړتیا لرئ:
- خام چلندي معلومات (کلیکونه، وخت، سکرول، تعاملات)
- د "مثبت" او "مشکل" چلند په اړه ځینې منطقونه
- د تیرو غونډو د لیبل کولو یا نمرې ورکولو یوه لاره
- یوه نمونه چې له دې څخه زده کړه وکړي او د راتلونکي لپاره وړاندوینې وکړي
دا د پیل څخه د ماډل جوړولو ته اړتیا نلري. یو ماهر د AI پراختیا کونکی ډیری وختونه دا د شیلف څخه بهر وسیلو په کارولو سره پروټوټایپ کولی شي، او همدارنګه د ډومین شرایطو یو څه.
او که تاسو ډاډه نه یاست چې له کوم ځای څخه پیل وکړئ، د داسې ټیم سره کار کول چې دا هم پوهیږي د آی ټی مشورې او د محصول جریان په خلا کې د جوړولو څخه مخنیوي کې مرسته کوي.
دا د ټیمونو لپاره څه ښکاري
د ډشبورډونو ته د کتلو پر ځای، ټیمونه کولی شي:
- کله چې د ناستې ګډوډي زیاته شي نو خبرتیاوې ترلاسه کړئ
- په نښه شوي سیشنونه بیا وګورئ
- د رګیدو پر بنسټ اصلاحاتو ته لومړیتوب ورکړئ، نه یوازې د غورځیدو پر بنسټ
- د ML نښو پراساس کوچني UI بدلونونه و ازموئ - نه یوازې د برخه اخیستونکو اټکلونو پراساس
لږ اټکل. لږ انتظار. ډیر غبرګون.
د وخت په تیریدو سره، دا یوه لویه شتمني ګرځي. په ځانګړي توګه په چټکۍ سره وده کونکي یا په دوامداره توګه بدلیدونکي محصولاتو کې.
وروستی کلمه
د A/B ازموینې لاهم خپل ځای لري. خو دا بشپړ انځور نه دی.
د ماشین زده کړه د محصول ټیمونو ته یو نوی لینز ورکوي - یو لینز چې د ورک شوي بدلونونو کې د څرګندیدو دمخه ګډوډي په ګوته کوي. یو لینز چې د چلند څخه زده کړه کوي، نه یوازې د پایلو څخه. یو لینز چې په شالید کې کار کوي، هغه څه په نښه کوي چې تاسو یې له لاسه ورکړی وي.
دا به د ستراتیژۍ ځای ونلري. مګر دا به ستاسو پریکړې ګړندي کړي. او ستاسو کاروونکي به یو څه لږ مایوسه شي.
ځینې وختونه، دا تر ټولو لویه بریا ده.