{
    "version": "https:\/\/jsonfeed.org\/version\/1.1",
    "title": "Product × Science: заметки с тегом Персонализация",
    "_rss_description": "В профессиональной среде распространен термин p13n (13 — это количество букв между p и n) — он короче и не заставляет выбирать между вариантами",
    "_rss_language": "ru",
    "_itunes_email": "martsen.anton@yandex.ru",
    "_itunes_categories_xml": "",
    "_itunes_image": "https:\/\/pxs.md\/pictures\/userpic\/userpic-square@2x.jpg?1768130329",
    "_itunes_explicit": "no",
    "home_page_url": "https:\/\/pxs.md\/tags\/p13n\/",
    "feed_url": "https:\/\/pxs.md\/tags\/p13n\/json\/",
    "icon": "https:\/\/pxs.md\/pictures\/userpic\/userpic@2x.jpg?1768130329",
    "authors": [
        {
            "name": "Антон Марцен",
            "url": "https:\/\/pxs.md\/",
            "avatar": "https:\/\/pxs.md\/pictures\/userpic\/userpic@2x.jpg?1768130329"
        }
    ],
    "items": [
        {
            "id": "13",
            "url": "https:\/\/pxs.md\/all\/ux-pomehi-kak-instrument-sbora-signala-dlya-algoritmov\/",
            "title": "UX-помехи как инструмент сбора сигнала для алгоритмов",
            "content_html": "<p>Ключевые идеи из статьи <a href=\"https:\/\/www.smashingmagazine.com\/2023\/08\/friction-feature-machine-learning-algorithms\/\">Using Friction As A Feature In Machine Learning Algorithms<\/a>, дополненные небольшими фатками автора из личного опыта.<\/p>\n<p><i>NB! Слово «friction» в переводе с английского означает «трение» или «разногласие», что не совсем подходит в контексте пользовательского опыта. Поэтому далее по тексту я буду переводить «friction» как «помеху», т. к. счел это более подходящим вариантом. Теперь про идеи из статьи...<\/i><\/p>\n<h2>1. Иногда нужно локально усложнять пользовательский опыт, чтобы упростить его в целом<\/h2>\n<p>Популярные цифровые продукты оттачивают ключевые сценарии до состояния «действий в один клик (или вообще без него)». Есть даже известная в дизайн-сообществе <a href=\"https:\/\/archive.org\/details\/dont-make-me-think-revisited\">книга на тему<\/a>. Но как и любая механика бездумно доведенная до крайности, она может привести к нежеланным для бизнеса и\/или пользователя последствиям.<\/p>\n<p>Поэтому иногда проектироващики осознанно вставляют юзерам палки в колеса:<\/p>\n<ol start=\"1\">\n<li>Заставлять настраивать и\/или собирать доп.инфу перед начало использования приложения (<i>ох уж эти любимые N экранов в первой сессии, которые большинство людей пролистывают не глядя...<\/i>)<\/li>\n<li>Подталкивать к определенным действиям при помощи механик из поведенческой экономики (интересующиеся могут <a href=\"https:\/\/yandex.ru\/search\/?text=Nudge+Theory\">поискать Nudge Theory<\/a>)<\/li>\n<li>«Защита от дурака» при критический действиях (<i>напр., удаление данных<\/i>)<\/li>\n<\/ol>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/2-friction-delete-modal.png\" width=\"1600\" height=\"1200\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Модальное окно, которое заставляет задуматься и напрячься, чтобы реально удалить учетную запись<\/div>\n<\/div>\n<h2>2. UX-помехи позволяют отделять «сигнал» от «шума» и повышать качество рекомендаций<\/h2>\n<p>Для работы рекомендательных алгоритмов, продукт должен собирать сигналы от пользователя, обрабатывать их, а результат обратно отображать у пользователя. Думаю, если вы пришли в этот блог, то знаете это и без меня. Но на всякий случай прикладываю схему, которую сделал автор оригинального поста:<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/7-friction-signals.jpeg\" width=\"1600\" height=\"1200\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Цикл обратной связи типичного сервиса с движком рекомендаций<\/div>\n<\/div>\n<p>В свое время Tinder ввел дизайн карточек, который фокусирует человека на одном профиле за раз и механику свайпов, которая явным образом собирала оценку от пользователя.<\/p>\n<p>TikTok взял эту механику на вооружение и довел до совершенства для своих целей — быстрее подстроиться под вкусы пользователя и затянуть в продукт. Но как это сработало?<\/p>\n<p>TikTok не стал использовать «традиционный» дизайн в виде витрины контента, который:<\/p>\n<ul>\n<li>позволяет широким взглядом охватить имеющийся каталог, но...<\/li>\n<li>мешает алгоритму недвусмысленно понимать что захватывает внимание пользователя, а что нет<\/li>\n<\/ul>\n<p>Получается, что эта механика ухудшила один аспект опыта (человек видит меньше контента за раз), но позволила быстрее подстраивать ленту и улучшить опыт взаимодействия с сервисом в целом.<\/p>\n<p>А еще, у TikTok в первой сессии нет привычного онбординга из нескольких экранов, где можно настроить приложение. Настройка происходит по мере скролла ленты, что сокращает время до получения ценности от продукта.<\/p>\n<p>В марте 2023 музыкальный сервис Spotify выкатил редизайн своего продукта, в котором показал ленту <i>а-ля<\/i> TikTok. Верховный продуктолог и по совместительству глав.инженер сервиса, <a href=\"https:\/\/www.theverge.com\/23638082\/spotify-redesign-gustav-soderstrom-tiktok-stream-podcasts-music-discovery\">обстоятельно объяснил<\/a> в интервью почему они радикально меняют интерфейс.<\/p>\n<blockquote>\n<p>“Секрет того, почему некоторые из продуктов так хороши в рекомендациях, на самом деле заключается не в том, что у них лучшие алгоритмы. Это те же самые алгоритмы с более эффективным пользовательским интерфейсом”.<br \/>\n— Густав Седерстрем в <a href=\"https:\/\/www.theverge.com\/23638082\/spotify-redesign-gustav-soderstrom-tiktok-stream-podcasts-music-discovery\">статье The Verge “Почему Spotify хочет выглядеть как TikTok”<\/a><\/p>\n<\/blockquote>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/9-friction-spotify.gif\" width=\"800\" height=\"600\" alt=\"\" \/>\n<\/div>\n<p>Интересно, что их редизайн собирает хейт по интернету. Например, Mashable назвал <a href=\"https:\/\/mashable.com\/article\/worst-app-updates-2023\">новый интерфейс Spotify одним из худших обновлений 2023 года<\/a>. Но руководство музыкального сервиса готово мириться с критикой, т. к. в долгосроке верит в правильность своего решения.<\/p>\n<h2>So What?<\/h2>\n<p>В статье есть еще несколько рассуждений про потенциальное использование этой механики в будущем и в других ML-продуктах. Не обошлось и без упоминания модных нынче языковых моделей. И есть несколько советов как искать «полезные помехи», но они как-будто слишком абстрактные.<\/p>\n<p>В целом, метериал годный и содержит ряд полезных релевантных ссылок. Не зря потратил 15 минут на чтение. Можно ссылаться на него при рабочей необходимости.<\/p>\n",
            "date_published": "2023-08-20T22:35:00+03:00",
            "date_modified": "2026-01-12T01:45:55+03:00",
            "tags": [
                "UX",
                "Персонализация"
            ],
            "image": "https:\/\/pxs.md\/pictures\/2-friction-delete-modal.png",
            "_date_published_rfc2822": "Sun, 20 Aug 2023 22:35:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "13",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": true,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/2-friction-delete-modal.png",
                    "https:\/\/pxs.md\/pictures\/7-friction-signals.jpeg",
                    "https:\/\/pxs.md\/pictures\/9-friction-spotify.gif"
                ]
            }
        },
        {
            "id": "20",
            "url": "https:\/\/pxs.md\/all\/research-news-filter-bubble\/",
            "title": "Пользователи чаще ищут немейнстримные новости, если видят «линию партии»",
            "content_html": "<p>Вот что нам говорит свежая <a href=\"https:\/\/www.nature.com\/articles\/s41586-023-06078-5)\">заметка из журнала Nature<\/a>:<\/p>\n<blockquote>\n<p>People, not search-engine algorithms, choose unreliable or partisan news. Analysis of people’s web searches & visited websites suggests that it is more likely that they are choosing to engage with partisan or unreliable news than that they are being unduly exposed to it by search-engine algorithms.<\/p>\n<\/blockquote>\n<p><b>So What?<\/b><br \/>\nСтоит задуматься: а так ли силен эффект «пузыря фильтров» в новостных рекомендациях?<\/p>\n<p><i>Полный текст научной работы: <a href=\"https:\/\/disk.yandex.ru\/i\/8TPqnw-qPPdiMA\">Users choose to engage with more partisan news than they are exposed to on Google Search<\/a>.<\/i><\/p>\n",
            "date_published": "2023-07-03T00:00:00+03:00",
            "date_modified": "2026-01-12T23:43:06+03:00",
            "tags": [
                "Исследования",
                "Персонализация"
            ],
            "_date_published_rfc2822": "Mon, 03 Jul 2023 00:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "20",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": []
            }
        },
        {
            "id": "19",
            "url": "https:\/\/pxs.md\/all\/sreepiness-ditch\/",
            "title": "«Долина ужаса» в рекомендательных системах",
            "content_html": "<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/sreepiness-ditch.jpeg\" width=\"1280\" height=\"847\" alt=\"\" \/>\n<\/div>\n<p>Источник: <a href=\"https:\/\/thedecisionlab.com\/insights\/technology\/this-is-personal-the-dos-and-donts-of-personalization-in-tech\">This is Personal: The Do’s and Don’ts of Personalization in Tech<\/a><\/p>\n",
            "date_published": "2023-07-02T00:00:00+03:00",
            "date_modified": "2026-01-12T23:32:58+03:00",
            "tags": [
                "UX",
                "Персонализация"
            ],
            "image": "https:\/\/pxs.md\/pictures\/sreepiness-ditch.jpeg",
            "_date_published_rfc2822": "Sun, 02 Jul 2023 00:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "19",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/sreepiness-ditch.jpeg"
                ]
            }
        },
        {
            "id": "14",
            "url": "https:\/\/pxs.md\/all\/recsys-in-different-cultures\/",
            "title": "Рекомендации в разных странах и культурах",
            "content_html": "<p>Информация воспринимается и интерпретируется человекам исходя из убеждений, ценностей и поведения. Эти характеристики формируются в личности под влиянием культуры в которой она растет и развивается.<\/p>\n<blockquote>\n<p>Культура — это коллективное программирование сознания, которое отличает членов одной группы или типа людей от других<br \/>\n<i>Герт Хофстеде, нидерландский социолог<\/i><\/p>\n<\/blockquote>\n<p>Исследователи находят корреляции в восприятии информации в зависимости от страны и культуры. Вот несколько исследований в контексте рекомендаций:<\/p>\n<ul>\n<li><a href=\"https:\/\/disk.yandex.ru\/i\/bODu2E71IbqU5g\">Exploring Music Diversity Needs Across Countries<\/a><\/li>\n<li><a href=\"https:\/\/disk.yandex.ru\/i\/xUIkg6ZSvDrtcg\">Personalization to New Website Users: The Role of Trust and Culture<\/a><\/li>\n<li><a href=\"https:\/\/disk.yandex.ru\/i\/vi5PmAWsN0dFAQ\">The Personalization-Privacy Paradox Explored Through a Privacy Calculus Model and Hofstede’s Model of Cultural Dimensions<\/a><\/li>\n<\/ul>\n<p><b>So What?<\/b><br \/>\nИзучение культурных особенностей поможет выдвинуть гипотезы для проверок. Например, можно решить вопросы онбординга в приложении и проблему холодного старта в алгоритмах рекомендаций.<br \/>\nНе стоит пренебрегать индивидуальными характеристиками человека. Это более важный фактор, с который нужно брать с бОльшим весом.<\/p>\n",
            "date_published": "2023-06-03T11:58:00+03:00",
            "date_modified": "2026-01-12T10:08:18+03:00",
            "tags": [
                "Исследования",
                "Культура",
                "Персонализация"
            ],
            "_date_published_rfc2822": "Sat, 03 Jun 2023 11:58:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "14",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": []
            }
        },
        {
            "id": "7",
            "url": "https:\/\/pxs.md\/all\/user-intents-and-behaviour\/",
            "title": "Намерения пользователей и как это проявляется в поведении",
            "content_html": "<p>Развитие систем рекомендаций — это основная тема, с которой я работаю последние полгода. Топик горячий, вопросов много, а детальных кейсов, на которых можно учиться, очень мало.<br \/>\nТем ценнее читать хорошие примеры из индустрии. <a href=\"https:\/\/research.atspotify.com\/user-intents-and-satisfaction-with-slate-recommendations\/\">Вот свежий от Spotify<\/a>.<\/p>\n<p>Краткий пересказ:<\/p>\n<ol start=\"1\">\n<li>Spotify хотят сделать более крутые рекомендации. Оно и логично. Рекомендации — это фишка их продукта, которая напрямую влияет на бизнес-метрики (в это статье об это упоминается взколь, но про это они писали в других материалах).<\/li>\n<li>Осталось только понять, а что такое «круто» и как его увеличивать.<\/li>\n<li>Из других исследований и лучших дизайн\/продуктовых практик известно, что за каждым пользовательским взаимодействием с системой стоит какая-то цель или потребность.<\/li>\n<li>Гипотеза — если научиться учитывать потребности в движке рекомендаций, то это увеличит целевые бизнес-метрик и даст понимание, на какие прокси-метрики следует ориентироваться при улучшении движка.<\/li>\n<li>Инициировали цепочку исследований, чтобы вытащить список задач. Тут использовали как количественные, так и качественные методы — десятки интервью и опросы на сотни тысяч пользователей.<\/li>\n<li>Нашли 8 потребностей. Т. к. была связка ответов пользователей с их поведением в продукте, то смогли наложить разные метрики на сессии и понять по каким метриках можно определять их тип. Ну и какие интеракции имеют значение для каждой потребности.<\/li>\n<li>Т. к. научились находить тип сессии на данных, то это уже можно использовать как параметр при моделировании.<\/li>\n<li>Построили несколько моделей, прогнали через оффлайн симуляторы и онлайн АБ-тесты. Получили аплифты.<\/li>\n<\/ol>\n<p>Вот так вот сложно. Думаю, это заняло суммарно не менее 6 месяцев. Но эту сложность можно понять — они улучшают зрелый продукт, который и так один из топов на рынке. Низковисящие фрукты уже давно сорваны. Остались сложные проблемы. И вот тут на помощь и приходят продвинутые методы исследований и аналитики.<\/p>\n<p><b>Исследование<\/b>: <a href=\"https:\/\/dl.acm.org\/doi\/fullHtml\/10.1145\/3308558.3313613\">https:\/\/dl.acm.org\/doi\/fullHtml\/10.1145\/3308558.3313613<\/a><br \/>\n<b>Интересные скриншоты<\/b><\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/www19-220-fig2.jpg\" width=\"1272\" height=\"760\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Распределение пользовательских интентов<\/div>\n<\/div>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/www19-220-fig3.jpg\" width=\"1360\" height=\"752\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Взаимосвязь поведенческих факторов и интентов<\/div>\n<\/div>\n",
            "date_published": "2021-06-28T12:31:00+03:00",
            "date_modified": "2026-01-12T17:38:14+03:00",
            "tags": [
                "HCI",
                "Исследования",
                "Персонализация",
                "Практический пример"
            ],
            "image": "https:\/\/pxs.md\/pictures\/www19-220-fig2.jpg",
            "_date_published_rfc2822": "Mon, 28 Jun 2021 12:31:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "7",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/www19-220-fig2.jpg",
                    "https:\/\/pxs.md\/pictures\/www19-220-fig3.jpg"
                ]
            }
        },
        {
            "id": "36",
            "url": "https:\/\/pxs.md\/all\/ux-testing-for-ml-products\/",
            "title": "Прототипируем умные продукты",
            "content_html": "<p>Последние полгода много работаю с фичами и продуктами на основе машинного обучения. В основном с рекомендательными системами.<\/p>\n<p>С точки зрения продукта, хочется как можно быстрее и дешевле проверить гипотезу без разработки и двигаться дальше.<\/p>\n<p>Для классического софта можно реализовать прототип с заранее заскриптованным сценарием и прогнать его на юзер тестинге.<\/p>\n<p>С рекомендациями так просто не получится. Сам формат фичи подразумевает подстройку под действия конкретного респондента. Заранее прописать прописать все сценарии вряд ли получится (ну может только в очень узкой области, но тогда скорее всего и ML там не нужен, а хватит эвристики).<\/p>\n<p>В Google такие задачи решают так — заменяют ML на человека и симулируют работу системы. Называется этот метод <a href=\"https:\/\/en.wikipedia.org\/wiki\/Wizard_of_Oz_experiment\" class=\"nu\">«<u>волшебник их страны Оз<\/u>»<\/a>. Подход интересный и позволяет проверить гипотезы без привлечения ML инженеров, но сделать такой прототип может оказаться тоже сложной задачей.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/prototype-fidelity.png\" width=\"800\" height=\"533\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Детализированности прототипа с точки зрения UI<\/div>\n<\/div>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/data-fidelity.png\" width=\"800\" height=\"533\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Детализированности прототипа с точки зрения данных<\/div>\n<\/div>\n<p>По-сути, Google подменяют «дорогую» разработку на дешевую. У них есть команда UX Engineering, которая и делает прототипы, которыми может управлять человек. Думаю, мало у кого есть возможность делать такие прототипы, а ML как-то тестировать же хочется.<\/p>\n<p>Пока мне не попадалось «дешевых» способов тестировать ML без разработки (зато более менее понятно как это делать в проде имея систему для АБ-тестов).<\/p>\n<p><a href=\"https:\/\/design.google\/library\/simulating-intelligence\/\">https:\/\/design.google\/library\/simulating-intelligence\/<\/a><\/p>\n",
            "date_published": "2021-06-18T00:00:00+03:00",
            "date_modified": "2026-01-13T23:28:11+03:00",
            "tags": [
                "UX",
                "Персонализация"
            ],
            "image": "https:\/\/pxs.md\/pictures\/prototype-fidelity.png",
            "_date_published_rfc2822": "Fri, 18 Jun 2021 00:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "36",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/prototype-fidelity.png",
                    "https:\/\/pxs.md\/pictures\/data-fidelity.png"
                ]
            }
        },
        {
            "id": "49",
            "url": "https:\/\/pxs.md\/all\/hcai\/",
            "title": "Human-Centered AI",
            "content_html": "<p>Персонализация — горячая тема. В разных “точках” продукта она реализуется по-разному: иногда хватает подставить имя в письме или подтянуть аватарку из Facebook, в других случаях не обойтись без ML.<\/p>\n<p>Я последнее время разбираюсь с персонализацией на основе алгоритмов. Бытует мнение, что AI магическим способом возьмет данные из хранилища и сделает “хорошо” без особых усилий. Конечно, тут есть пару нюансов :)<\/p>\n<p>ML для работы нужны данные. В зависимости от задачи, данные собираются из разных источников. Для рекомендательных систем, важными сигналами служат действия пользователей в продукте.<\/p>\n<p><b>Пример<\/b><br \/>\nSpotify изучает ваши вкусы на основе прослушиваемых песен. Если вы скипните композицию, то система будет подсовывать вам меньше похожих песен.<\/p>\n<p>Поэтому, чтобы делать крутые AI-продукты. нам нужно учиться грамотно собирать “сигналы” с пользователей через UX. Где-то даже видел мысль в стиле:<\/p>\n<p class=\"loud\">ML-проблема — это на самом деле UX-проблема<\/p>\n<p>Я нашел два источника по этой теме с упором на практику:<\/p>\n<ol start=\"1\">\n<li><a href=\"https:\/\/pair.withgoogle.com\/\">People + AI Guidebook<\/a> от Google. Охватывает много аспектов от А до Я. Если скачать весь материал как pdf, то получится книжечка на 120 страниц.<\/li>\n<li><a href=\"https:\/\/www.microsoft.com\/en-us\/research\/publication\/guidelines-for-human-ai-interaction\/\">Guidelines for Human-AI Interaction<\/a> от Microsoft Research. Есть много полезного в этой научной работе.<\/li>\n<\/ol>\n<p>Думал сделать выжимку из этих материалов, но понял, что это надо читать целиком, чтобы разобраться.<\/p>\n<p>P.S.<br \/>\n<a href=\"https:\/\/github.com\/bwang514\/awesome-HAI\">Список списков ссылок по Human-AI Interaction<\/a><\/p>\n",
            "date_published": "2019-11-03T01:00:00+03:00",
            "date_modified": "2026-01-18T15:39:14+03:00",
            "tags": [
                "HCI",
                "Персонализация"
            ],
            "_date_published_rfc2822": "Sun, 03 Nov 2019 01:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "49",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": []
            }
        },
        {
            "id": "50",
            "url": "https:\/\/pxs.md\/all\/personal-productivity\/",
            "title": "Персональная продуктивность",
            "content_html": "<p>Вот и вновь выдалось свободное время в поездке. А это означает, что можно продолжить разбирать интересные работы с <a href=\"https:\/\/pxs.md\/all\/chi-konferenciya-dlya-innovatorov\/\">конференции CHI 2019<\/a>.<\/p>\n<h2>Что такое персональная продуктивность?<\/h2>\n<p>Есть определение продуктивности из индустриальной эры — соотношение затрат к результату.  В век информации замерить продуктивность «работников интеллектуального труда» сложнее, т. к. нет единого стандарта для результатов работы. Из-за этого сложно оценить и максимизировать эффективность.<\/p>\n<p>Чтобы приоткрыть занавесу тайны над этим вопросом, ученые из Microsoft проверили двухнедельное дневниковое исследование.  Среди участников эксперимента были разработчики, медики, менеджеры, аспиранты, юристы и профессора. Всего 24 участника, представили 11 профессий.<\/p>\n<p>Цель исследования — понять, как сами люди описывают и объясняют свою продуктивность.<br \/>\nВ AppStore целая плеяда автоматических трекеров времени и туду-листов. Но что-то пока не видно «лидера» на рынке, а люди не стали «сверх-продуктивными». Значит разработчики что-то упускают...<br \/>\nРезультаты этой работы помогут в создании более совершенных продуктов-помощников.<\/p>\n<p>Каждый участник после совершения продуктивной, по его мнению, активности, заполнял небольшой опрос:<\/p>\n<ol start=\"1\">\n<li>Время начала и длительность.<\/li>\n<li>Суть задачи (писал емейл, читал книгу и т.д).<\/li>\n<li>Личное ощущение продуктивности (например, “очень продуктивен”).<\/li>\n<li>Рациональное объяснение этого ощущения (почему?).<\/li>\n<\/ol>\n<p>24 респондента залогировали почти 800 задач, которые суммарно складывается в 1200 часов работы. И, конечно, провели интервью постфактум, чтобы уточнить непонятные моменты. Настало время систематизировать эти знания и «познать тайну бытия».<\/p>\n<p>УЧЕНЫЕ И НЕ МОГЛИ ПРЕДПОЛОЖИТЬ, ЧТО УЗНАЮТ ТАКОЕ!..<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/photo_2026-01-18-00.36.36.jpeg\" width=\"1280\" height=\"1044\" alt=\"\" \/>\n<\/div>\n<p>Исследователи нашли шесть видов продуктивности,  не все из которых вписываются в “классическое” определение из экономики.<\/p>\n<p>Человек ощущает себя продуктивным, если:<\/p>\n<ol start=\"1\">\n<li>Сделал больше, выше, качественнее или достиг “значимого” прогресса.<\/li>\n<li>Успел сделать задачу к сроку или использовал время с пользой.<\/li>\n<li>Находится на эмоциональном подъеме и сфокусирован.<\/li>\n<li>Ему нравится задача и\/или он осознает ее значимость.<\/li>\n<li>Может получить личную или долгосрочную социальную выгоду.<\/li>\n<li>Справился с авралом и кучей дел одновременно.<\/li>\n<\/ol>\n<p>Если ваш продукт нацелен на повышение продуктивности, то подумайте на досуге как можно замерить эти “состояния” у своих пользователей. Возможно, что-то из этого сатаней хорошей верхнеуровневой метрикой. Все-таки, живем в век персонализации :)<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/photo_2026-01-18-00.37.03.jpeg\" width=\"1280\" height=\"731\" alt=\"\" \/>\n<\/div>\n<p>Интересный инсайт ждал исследователей при анализе самих типов задач. Они ожидали, что большинство «продуктивных» событий будет относиться к около-рабочим темам.<\/p>\n<p class=\"loud\">15 из 24 респондентов хотя бы раз залогировали, что занятие личными делами тоже вызывают ощущение продуктивности.<\/p>\n<p>Большинство записей относились к теме здоровья, но были и вещи в стиле «посмотрел сериал на Netflix с семьей».<\/p>\n<h2>So What?<\/h2>\n<ol start=\"1\">\n<li><b>Продуктивность — это многогранное понятие.<\/b> Помимо ожидаемых “сделал больше за меньшее время”, под этим термином может пониматься и определенное эмоциональное состояние или отношение к исполняемой работе (не нравится задача = я непродуктивен).<\/li>\n<\/ol>\n<ol start=\"2\">\n<li><b>Контекст имеет значение (как и всегда, в принципе).<\/b>  Разные задачи при разных обстоятельствах требуют индивидуального подхода замера продуктивности. К сожалению, померить одной “линейкой” различные типы занятости пока не предоставляется возможным. Но в рамкам определенного домена можно что-то придумать.<\/li>\n<\/ol>\n<ol start=\"3\">\n<li>Текущие трекеры пытаются замерить нашу продуктивность только через активность на устройствах. Но <b>много чего “полезного” происходит и в оффлайне<\/b>, куда приложение на компе не имеет доступа.  Помимо сильной персонализации и гибкости, трекеры должны учитывать не только “процесс” (вы провели в Facebook 20 минут), но и “результат” (прокомментировали пост Марка Цукерберга и получили от него приглашение личную встречу). Только тогда такие продукты смогут помочь нам стать лучшей версией себя.<\/li>\n<\/ol>\n<p>Оригинал с более развернутыми примерами: <a href=\"https:\/\/www.microsoft.com\/en-us\/research\/publication\/understanding-personal-productivity-how-knowledge-workers-define-evaluate-and-reflect-on-their-productivity\/\">Understanding Personal Productivity: How Knowledge Workers Define, Evaluate, and Reflect on Their Productivity<\/a><\/p>\n",
            "date_published": "2019-08-24T01:00:00+03:00",
            "date_modified": "2026-01-18T00:41:17+03:00",
            "tags": [
                "Исследования",
                "Персонализация"
            ],
            "image": "https:\/\/pxs.md\/pictures\/photo_2026-01-18-00.36.36.jpeg",
            "_date_published_rfc2822": "Sat, 24 Aug 2019 01:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "50",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/photo_2026-01-18-00.36.36.jpeg",
                    "https:\/\/pxs.md\/pictures\/photo_2026-01-18-00.37.03.jpeg"
                ]
            }
        }
    ],
    "_e2_version": 4171,
    "_e2_ua_string": "Aegea 11.4 (v4171e)"
}