Забавно когда получается проследить путь развития современных технологий, начиная с прошлых более простых, но таких надежных методов.

Сегодня в поле моего зрения попала цепь Маркова - это метод, позволяющий определять последовательность состояний, между которыми система случайно «прыгает» по фиксированным вероятностям перехода.

В чем самая крутая фишка: зная текущее состояние, можно считать, что для прогноза будущего не нужно знать всю историю, достаточно и текущего состояния.

Андрей Андреевич впервые показал силу своего метода еще в начале XX веке, анализируя «Евгения Онегина» Пушкина: он смотрел, как одна буква следует за другой, и доказал, что текст - это не хаос, а цепочка вероятных переходов между символами. Он формализовал идею о том, что будущий шаг системы зависит только от текущего состояния, а не от всей предыстории - так родились цепи Маркова, один из фундаментальных инструментов современной математики и науке данных. Сегодня этот принцип работает в наших продуктах гораздо ближе, чем кажется.

Представьте мобильное приложение банка: у пользователя есть несколько экранов — «Главный», «Платежи», «Переводы», «Вклады», «Выход». Мы можем измерить, с какой вероятностью он переходит с «Главного» в «Платежи» или из «Переводов» уходит в «Выход», и получить живую марковскую цепь, построенную на реальном поведении людей. Такая модель позволяет не просто смотреть в прошлое, а проектировать будущее интерфейса:

• убирать тупиковые экраны,
• усиливать ключевые ветки,
• менять структуру так, чтобы пользователю было интуитивно легко дойти до своей цели.

В итоге тот самый математический эксперимент над текстом Пушкина превращается в практический инструмент продуктового дизайна: мы учимся «читать» путь пользователя так же внимательно, как Марков когда‑то читал строки «Онегина».

У Пушкина буквы чинно маршируют по строкам. А у нас - экраны по шагам воронки. Разница одна: Онегин не знал, что он марковский процесс, а наш пользователь - тем более. 🫣

ЗЫ, данный метод также используется:

• в текущем поисковом движке Google, а появился он там еще со времен PageRank;
• в NLP моделях для генерации текста и простых языковых модулей;
• в анализе графов и CJM как из моего примера;
• в логистике и управлении запасами для моделирования движения товаров;
• да еще много где, говорят что даже в Siri, но это уже не точно 💯