Проблема: Как среди 70+ миллионов треков найти именно то, что понравится каждому из 640 миллионов пользователей?

Контекст: Spotify обрабатывает с помощью ИИ огромный массив данных о взаимодействии пользователей, включая песни, подкасты и аудиокниги, которые вы слушали, когда вы их слушали и что привело вас к ним. Библиотека помечена по жанрам, эпохам, темпу, настроению и множеству других характеристик.

Многоуровневая персонализация ИИ создает 381 миллион индивидуальных версий Spotify, каждая с разными домашними страницами, плейлистами и рекомендациями. Алгоритмы анализируют: время прослушивания, пропуски, повторы, лайки, контекст использования.

Умные плейлисты: – "Discover Weekly" – еженедельные рекомендации на основе поведения похожих пользователей – "Release Radar" – новые релизы от любимых артистов – "Daily Mix" – персонализированные миксы по жанрам

Непрерывное обучение Приложение постоянно учится, постоянно проводя микро-тесты с группами пользователей. Collaborative Filtering анализирует поведение похожих пользователей. Natural Language Processing обрабатывает тексты песен для лучшей категоризации

Подтвержденные результаты: – Spotify объясняет большую часть своего успеха персонализированным рекомендациям — пользовательская база и доходы выросли на 1000% за последнее десятилетие до более чем 600 миллионов пользователей и $14 миллиардов соответственно – 640 миллионов активных пользователей по состоянию на Q3 2024, 252 миллиона премиум-подписчиков – 16 миллионов слушателей еженедельно используют плейлист Discover Weekly

Неожиданное открытие: Пользователи стали жаловаться на "пузырь фильтров" — ИИ слишком хорошо угадывал предпочтения, и музыка становилась предсказуемой.

Решение: Spotify добавила элемент "сюрприза" — намеренно предлагает контент, который выходит за рамки обычных предпочтений пользователя для поощрения открытий.

Уроки для нас:

  1. Персонализация работает в масштабе — чем больше данных, тем точнее рекомендации
  2. Важно балансировать предсказуемость и открытие нового
  3. Непрерывное тестирование критично для совершенствования алгоритмов
  4. Пользователи готовы делиться данными в обмен на персонализированный опыт

Что могут применить UX-исследователи: 👉 Метод треугольника данных: Комбинировать количественные данные (поведение), качественные интервью и ИИ-анализ 👉 Микро-тестирование: Постоянно тестировать мелкие изменения на небольших группах пользователей 👉 Collaborative Filtering для сегментации: Группировать пользователей не по демографии, а по поведенческим паттернам 👉 Борьба с фильтр-пузырями: При анализе данных намеренно искать противоречащие мнения

Еще больше кейсов и не только их разберем сегодня на нашем очередном занятии в UX-школе в рамках модуля «Применение ИИ в UX-исследованиях». Содержание занятия: – Разбор ИИ-кейсов мировых компаний с подтвержденными данными – Анализ типичных ошибок и как их избежать – Этические дилеммы и требования законов – Чеклист "Когда НЕ использовать ИИ" – Подготовка к будущему профессии – Ответы на вопросы

📎 Подробнее про обучение по модулям: https://docs.google.com/document/d/1xnZsZ4H-7Xc5SDe8_w_O4kZYkRFIDYs4XqiRLMUNo8A/edit?usp=sharing

📎 Записаться в UX-школу: https://uexpert.ru/trainings/ux-shkola-artema-kuznetsova/

#UXшкола