{
    "version": "https:\/\/jsonfeed.org\/version\/1.1",
    "title": "Product × Science: заметки с тегом Практический пример",
    "_rss_description": "Здесь я делюсь как решил конкретную задачу: объясняю логику действий и\/или даю конкретный пример кода",
    "_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\/use-case\/",
    "feed_url": "https:\/\/pxs.md\/tags\/use-case\/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": "45",
            "url": "https:\/\/pxs.md\/all\/less-notifications-give-more-retention\/",
            "title": "Меньше нотификаций дают лучшую возвращаемость в долгосроке",
            "content_html": "<p>Ресерчеры и аналитики из Мордакниги установили, что меньшее количество нотификаций в долгосрочке обеспечивает лучшую возвращаемость в продукт. Хотя поначалу продуктовые метрики и просели.<\/p>\n<p>И выводят два тезиса:<\/p>\n<ul>\n<li>Результаты эксперимента в короткосроке и долгосроке могут сильно отличаться<\/li>\n<li>Меньше нотификаций, но более качественных полезнее в долгосрочной перспективе.<\/li>\n<\/ul>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/notifications-vs-retention-over-time.png\" width=\"1600\" height=\"667\" alt=\"\" \/>\n<\/div>\n<p>Вроде ясно и очевидно, но представляю сколько организационных и волевых усилий потребовалось для запуска такой инициативы. На масштабах Фейсбука, потеря сессий выливается в гигантские недополученные суммы от показа реклам.<\/p>\n<p>Чтобы этот эксперимент провести и защитить использовали данные из опросов и фактического поведения аудитории.<\/p>\n<p>Еще один хороший пример как смешивание разных типов данных и методов помогают в сложных бизнес-ситуациях.<\/p>\n<p><a href=\"https:\/\/medium.com\/@AnalyticsAtMeta\/notifications-why-less-is-more-how-facebook-has-been-increasing-both-user-satisfaction-and-app-9463f7325e7d\">https:\/\/medium.com\/@AnalyticsAtMeta\/notifications-why-less-is-more-how-facebook-has-been-increasing-both-user-satisfaction-and-app-9463f7325e7d<\/a><\/p>\n",
            "date_published": "2022-12-23T01:00:00+03:00",
            "date_modified": "2026-01-18T00:01:29+03:00",
            "tags": [
                "Метрики",
                "Практический пример"
            ],
            "image": "https:\/\/pxs.md\/pictures\/notifications-vs-retention-over-time.png",
            "_date_published_rfc2822": "Fri, 23 Dec 2022 01:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "45",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/notifications-vs-retention-over-time.png"
                ]
            }
        },
        {
            "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": "5",
            "url": "https:\/\/pxs.md\/all\/how-to-increase-retention-in-social-network-using-data-mining\/",
            "title": "Кейс: находим драйверы роста в социалке при помощи ML и поднимаем ретеншн",
            "content_html": "<p>В феврале на Flo Data Meetup я рассказывал про кейс с работы. В нём я применил «классические» методы продуктового анализа и теорию графов.<\/p>\n<p>По итогам ресерча продуктовая команда смогла лучше понять предпочтения пользователей, выделала новый сегмент аудитории, выдвинула несколько успешных гипотез и получила прирост к метрикам.<\/p>\n<p>Доклад изначально готовился для аналитиков, но получил хорошие отзывы от разработчиков, дизайнеров и продакт-менеджеров.<\/p>\n<p>Видео содержит:<br \/>\n— Вводную про продуктовые подходы<br \/>\n— Небольшой обзор на науку Human-Computer Interaction, из которой я люблю брать новые идеи<br \/>\n— Информацию про продукт<br \/>\n— Вопросы на которые стейкхолдеры хотели получить ответы<br \/>\n— Как я перевёл эти вопросы на язык данных и как начал ресерч<br \/>\n— Почему не хватило «классических» методов<br \/>\n— Минимум про матрицы и теорию графов<br \/>\n— Сниппет кода, который поможет самому сделать похожий ресерч<br \/>\n— Как я интерпретировал полученные данные<br \/>\n— Что мы сделали с инсайтами и какой получили эффект в метриках<br \/>\n— Книжки для самообразования<br \/>\n— QnA секцию, из которой вы сможете немного узнать про нюансы работы с данными в Flo + немного обсудили филосовские вопросы 🙂<\/p>\n<div class=\"e2-text-video\">\n<iframe src=\"https:\/\/www.youtube.com\/embed\/oozhW3fVAAg?enablejsapi=1\" allow=\"autoplay\" frameborder=\"0\" allowfullscreen><\/iframe>\n<\/div>\n",
            "date_published": "2020-01-12T00:00:00+03:00",
            "date_modified": "2026-03-09T11:38:22+03:00",
            "tags": [
                "HCI",
                "Доклад",
                "Практический пример",
                "Публичные выступления",
                "Сетевой анализ"
            ],
            "image": "https:\/\/pxs.md\/pictures\/remote\/youtube-oozhW3fVAAg-cover.jpg",
            "_date_published_rfc2822": "Sun, 12 Jan 2020 00:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "5",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": true,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/remote\/youtube-oozhW3fVAAg-cover.jpg"
                ]
            }
        },
        {
            "id": "9",
            "url": "https:\/\/pxs.md\/all\/social-balance-is-the-key-to-gworth\/",
            "title": "Баланс ролей — ключ к росту социальной системы",
            "content_html": "<p><a href=\"https:\/\/nlp.stanford.edu\/pubs\/yang2019roles.pdf\">Seekers, Providers, Welcomers, and Storytellers: Modeling Social Roles in Online Health Communities<\/a> я рекомендую прочитать тем, кто занимается продуктами с групповыми\/социальными фичами: Q&A-сервисы, ПО для коллективной работы, мультиплеерные игры, «социальный» e-commerce и т. д.<\/p>\n<p>Группа ученых из Carnegie Mellon и Stanford решила изучить феномен «успеха» крупнейшего форума по теме рака в мире — Cancer Survivor Network (CSN). Сайт существует с начала 2000-х и стал самым крупным в своем сегменте. Было много аналогичных площадок, но все рано или поздно затухали, а CSN развивается и по сей день.<\/p>\n<p>У социологов возникла гипотеза — на форуме сложилась определенная структура социальных ролей, которая обеспечивала «баланс» в сообществе и позволила ему развиваться. Осталось ее проверить на данных, которые были предоставлены American Cancer Society (а это вся переписка на сайте с 2003 по 2018 гг).<\/p>\n<p>Но для начала надо формально определить, чем является  «социальная роль» на данных. Для этого они обратились к теории. Социальная роль в науке определяется 4 факторами:<\/p>\n<ol start=\"1\">\n<li>Цель — у индивида в сообществе есть цель, которую он преследует исходя из собственных интересов.<\/li>\n<li>Взаимодействия — роль контактирует с другими участниками сообщества. На форуме эти взаимодействия проявляются по-разному: старт новой темы обсуждений, написание ответа, лайк комментария или обращение в директ.<\/li>\n<li>Ожидания — социальные роли при взаимодействии рассчитывают на определенную обратную связь. Например, на работе начальник и подчиненный знают чего ждать друг от друга и соответственно подбирают стиль общения. В онлайн-сообществах обычно нет явно формализованных ролей и только «старожилы» знают как и с кем общаться. Например, из-за этого новички на StackOverflow часто стесняют вступать в разговоры и задавать вопросы.<\/li>\n<li>Контекст — некоторые роли могут существовать только при определенных условиях. Например, «поставщик информации» существует во многих типах сообществах, включая Q&A сервисы, рабочие группы и форумы. А вот «коммитер» — это специфичная роль для сообщества разработчиков (GitHub, Bitbucket). Приватность также играет большое значение. Поведение человека на публике обычно отличается от его поведения наедине или с родными.<\/li>\n<\/ol>\n<p>Кратко про технические моменты:<\/p>\n<ol start=\"1\">\n<li>При помощи кластеризации решили определить какие вообще есть роли, т. к. «доменные эксперты» (модераторы и другие сотрудники CSN) сами до конца не могли однозначно ответить на этот вопрос. Разметки не было.<\/li>\n<li>В реальной жизни человек принадлежит к нескольким ролям одновременно. Например, на работе я одновременно «аналитик» и «спамер в slack». Чтобы учесть это, была использована Gaussian Mixture Model (GMM), которая позволяет отнести объект к нескольким группам с определенной вероятностью.<\/li>\n<li>Для «генерации фич» были использованы подходы из сетевого анализа (SNA) и обработки текста (NLP). Всего было сделано 83 признака.<\/li>\n<li>Количество кластеров — это гиперпараметр модели, которые исследователи сами могли задавать. Они пробовали находить от 2 до 20 кластеров. После «игры» с данными, количество от 10 до 15 показалось им «адекватным».<\/li>\n<\/ol>\n<p>Чтобы окончательно определиться с количеством ролей, были подключены доменные эксперты. После долгих дискуссий, пришли к оптимальному количеству кластеров — 11.<br \/>\nТем не менее, модераторы отметили, что модель не нашла один тип роли. Она редко встречается на форуме, но сильно запоминается.<br \/>\nВидимо, слишком мало подобных наблюдений было в датасете или ученые не нашли «нужные» фичи.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/photo_2026-01-12-00.42.21.jpeg\" width=\"1280\" height=\"686\" alt=\"\" \/>\n<\/div>\n<p>После этой огромной работы, они начали проверять свои гипотезы и находить другие инсайты. Кратко:<\/p>\n<ol start=\"1\">\n<li>Основная гипотеза про «баланс» ролей в сообщество подтвердилась.<\/li>\n<li>Нашли свое доказательство «на данных» несколько теорий из социологии, что также сработало как доп.фактор валидации модели.<\/li>\n<li>Нашли «путь успешного пользователя» форума, который становится костяком сообщества. Как следствие, смогли лучше понять retention\/churn.<\/li>\n<\/ol>\n<p><b>So What?<\/b><\/p>\n<ol start=\"1\">\n<li>Исследователи разработали рабочий подход к нахождению «социальных ролей». Они заявляют, что эта методология универсальна и может быть использована в других предметных областях. На работе я уже частично использовал методы из этого ресерча (привет, Алися!) и получил интересные результаты.<\/li>\n<li>Найдя роли в своих продуктах, можно будет 1) определить хорошие Health-метрики, 2) более четко формулировать и проверять продуктовые гипотезы, 3) системно развивать социальную составляющую продукта.<\/li>\n<\/ol>\n",
            "date_published": "2019-06-20T19:06:00+03:00",
            "date_modified": "2026-01-12T17:37:19+03:00",
            "tags": [
                "HCI",
                "Исследования",
                "Практический пример"
            ],
            "image": "https:\/\/pxs.md\/pictures\/photo_2026-01-12-00.42.21.jpeg",
            "_date_published_rfc2822": "Thu, 20 Jun 2019 19:06:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "9",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": true,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/photo_2026-01-12-00.42.21.jpeg"
                ]
            }
        },
        {
            "id": "18",
            "url": "https:\/\/pxs.md\/all\/product-research-atlassian\/",
            "title": "Исследования, приоритеты и метрики в Atlassian",
            "content_html": "<p>Один из способов становиться лучше как профессионал — это учиться на опыте других. Особенно интересны примеры из больших компаний с налаженными процессами и топовыми специалистами. Из разных источников я попытался восстановить процесс большого редизайна Jira. Ссылки вы найдете в конце.<\/p>\n<h2>Проблема на уровне бизнеса<\/h2>\n<p>В 2016 году исследователи компании проанализировали интервью и комментарии текущих и ушедших клиентов. Удобство пользования продуктом было камнем преткновения для пользователей Jira.<\/p>\n<p>Продуктовый департамент транслировал эту проблему бизнесу. Повышение удобства использования стало одной из главных целей компании. Улучшения решили оценивать по NPS.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/jira-nps.gif\" width=\"640\" height=\"341\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Спрашивать NPS внутри продукта — нормальная практика. А вот запросить доп.информацию о юзере и назначить интервью в том же окошке— это интересно :)<\/div>\n<\/div>\n<h2>Метрики<\/h2>\n<p>NPS (индекс лояльности) — это главная метрика Atlassian. <a href=\"https:\/\/youtu.be\/qaBG0c9jf_o?t=497\">Важнее продаж, выручки, LTV и размера месячной аудитории<\/a>. Но она не подходит для оценки релизов:<\/p>\n<p>NPS — это интегральная метрика, на которую влияют многие аспекты бизнеса, а не только удобство продукта.<\/p>\n<p>В зрелой компании сложно двигать верхнеуровневые метрики. Практически невозможно заметить улучшение после короткой итерации.<\/p>\n<p>Продуктовым команда была нужна метрика, которая позволит напрямую оценить изменения на юзабилити. Индустриальным стандартом для этой цели является System Usability Scale (SUS).<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/sus.png\" width=\"741\" height=\"491\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Придуманный в 1986 году опросник оценки удобства пользования.<\/div>\n<\/div>\n<p>Главная проблема SUS при использовании в качестве in-product опроса— количество вопросов сильно прерывает работу пользователей, что снижает количество заполненных анкет.<\/p>\n<p>Исследователи компании предложили использовать более компактные юзабилити-метрики: UMUX и UMUX-Lite. В них всего 4 и 2 вопроса соответственно, что позволяет разместить эти опрос внутри продукта и получать хорошую конверсию в ответ. Притом, <a href=\"https:\/\/www.researchgate.net\/publication\/262344995_UMUX-LITE_when_there's_no_time_for_the_SUS\">ранние исследования доказали сильную корреляцию между этими метриками, SUS и NPS<\/a>.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/jira-umux-lite.png\" width=\"1344\" height=\"928\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Вопросы из UMUX-Lite<\/div>\n<\/div>\n<p>Была проведена серия экспериментов, где последовательно спрашивали UMUX-Lite и NPS. Была найдена относительно сильная линейная зависимость между этими метриками (R² = 0.62), что позволило UMUX-Lite стать “мостиком” для NPS. Продуктовым командам выдали формулу “перегонки” из одного значения в другое: <b>NPS = 3.18 ∗ (UMUX-Lite) − 200.6<\/b>. Это позволило выставлять реалистичные цели на релизы.<\/p>\n<p class=\"loud\">NB! Не переиспользуйте эту формулу у себя. Установите свой процесс замера этих метрик и на своей аудитории найдите формулу зависимости.<\/p>\n<h2>Приоритизация инициатив<\/h2>\n<p>У членов команды было много предложений как сделать Jira удобнее. Нужно было выстроить систему приоритетов. Для этого снова обратились к комментариям из NPS. Вдохновившись классификацией <a href=\"https:\/\/en.wikipedia.org\/wiki\/FURPS\">требований к программным системам FURPS<\/a>, фидбек разбили по следующим темам:<\/p>\n<ol start=\"1\">\n<li><b>Reliability<\/b> — требования к надежности.<\/li>\n<li><b>Usability<\/b> — требования к удобству использования.<\/li>\n<li><b>Functionality<\/b> — функциональные требования.<\/li>\n<\/ol>\n<p>Каждая тема содержит иерархию из категорий и отдельных фичей.<\/p>\n<blockquote>\n<p>Продуктовая команда Atlassian получает около 2000 комментариев в месяц. Для тэгирования (кодинга) такого объема информации ребята взяли к себе несколько стажеров. Разметка идет в общем Google Spreadsheet. Каждый комментарий может быть включен в 3 категории и обязательно назначается на ответственную команду.<\/p>\n<\/blockquote>\n<p>Каждую потенциальную фичу \/ проблему они рассматривают в трех измерениях: размер аудитории, частота использования и доля негативного фидбека.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/pain-index.png\" width=\"1500\" height=\"1016\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Feature 1 — хороший кандидат для исправления. Большое количество аудитории часто ей пользуется и доля негативных комментов (Pain Index) тоже высока.<\/div>\n<\/div>\n<p>Юзабилити-проблемы также разбивали на три популярных категории, которые встречались в комментариях. Это позволило прицельно решать проблемы.<\/p>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/features-usability-map.png\" width=\"1500\" height=\"486\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Числа в ячейках — это количество детракторов, которые упомянули о проблеме<\/div>\n<\/div>\n<h2>Инструмент мониторинга: UX ScoreCard<\/h2>\n<p>Для продукта составляют набор метрик за которыми хочется следить. В идеале, этот набор метрик постоянен на всех стадиях разработки продукта, но на практике это не так.<\/p>\n<p>Например, NPS мы можем получить только после выпуска продукта. Или метрики в стиле “время на выполнения задачи” хорошо замеряются в юзабилити-тестах, но не всегда четко отслеживаются “в бою”, т. к. мы не знаем контекст пользователя. Исключением, конечно, являются страницы с четкими Call to Action.<\/p>\n<p>Поэтому в Atlassian используют два дашборда:<\/p>\n<ol start=\"1\">\n<li>Early Signal Testing Scorecard (ESTS) — для дизайн-команды выносят метрики, которые помогают принимать решения на этапе разработки. Для этого они создали собственный мини-фреймворк — <a href=\"https:\/\/www.atlassian.com\/company\/events\/summit-us\/watch-sessions\/2017\/discuss-improve\/early-signal-testing-designing-atlassians-new-look\">Early Signal Testing<\/a> (никаких откровений особо по ссылке нет, но можно пощелкать презентацию).<\/li>\n<li>Instrumented Scorecard — для продуктовой команды, когда фича уже в проде. Сюда выносят метрики, которые составлены по <a href=\"http:\/\/www.dtelepathy.com\/ux-metrics\/\">Google HEART<\/a> и UMUX-Lite (это, видимо, замеряет Happiness).<\/li>\n<\/ol>\n<div class=\"e2-text-picture\">\n<img src=\"https:\/\/pxs.md\/pictures\/ests.png\" width=\"1500\" height=\"1269\" alt=\"\" \/>\n<div class=\"e2-text-caption\">Early Signal Testing Scorecard отображает метрики по новым и текущим юзерам<\/div>\n<\/div>\n<h2>Находим эффект от продуктовых изменений в UMUX-Lite<\/h2>\n<p>Продуктологам хочется понимать “стрельнул” ли апдейт. Для этого аналитик строит линейную модель, которая пытается предсказать значение UMUX-Lite.<\/p>\n<p>Линейные модели — не самые точные ML-алгоритмы, зато очень легко интерпретируются, что и нужно в работе над продуктом. Можно посмотреть, дал ли апдейт ожидаемый вклад. Ну или можно воспользоваться A\/B-тестами.<\/p>\n<h2>Вывод<\/h2>\n<p>Анализ комментариев из NPS позволил подсветить проблемные места продукта. Через процесс кодинга удалось “оцифровать” жалобы клиентов и использовать количество жалоб как один из факторов в расстановке приоритетов.<\/p>\n<p>Проблема медленной реакции NPS на изменения была решена созданием отдельной метрики для продуктовых команд.<\/p>\n<p>UMUX-Lite стал мостиком между дизайнерами, продуктологами и бизнесом, который позволил быстрее получать обратную связь на релизы и понимание вклада в цель компании.<br \/>\nБолее подробнее про метрику и методологию можно прочитать здесь: <a href=\"https:\/\/measuringu.com\/umux-lite\/\">Measuring Usability: From the SUS to the UMUX-Lite<\/a>.<\/p>\n<h2>Источники<\/h2>\n<ul>\n<li><a href=\"https:\/\/dl.acm.org\/doi\/10.1145\/3292147.3292224\">The right metric for the right stakeholder<\/a><\/li>\n<li><a href=\"https:\/\/www.atlassian.com\/company\/events\/summit-us\/watch-sessions\/2017\/organize-track\/from-feedback-to-features-building-the-new-jira-experience\">From feedback to features — Building the new JIRA experience<\/a><\/li>\n<li><a href=\"https:\/\/kaiforsyth.com\/portfolio\/jira-journey-to-quantify-design\/\">The journey to quantify design in Jira — Kai Forsyth<\/a><\/li>\n<li><a href=\"https:\/\/www.atlassian.com\/company\/events\/summit-us\/watch-sessions\/2017\/discuss-improve\/early-signal-testing-designing-atlassians-new-look\">Early Signal Testing: Designing Atlassian’s New Look<\/a><\/li>\n<li><a href=\"https:\/\/www.atlassian.com\/agile\/product-management\/how-to-prioritize-features-using-net-promoter-scores\">How to prioritize features using NPS® | Atlassian<\/a><\/li>\n<li><a href=\"https:\/\/dl.acm.org\/doi\/10.1145\/3290607.3313013\">Bridging the Gap Between Business, Design and Product Metrics<\/a><\/li>\n<\/ul>\n",
            "date_published": "2019-01-24T20:00:00+03:00",
            "date_modified": "2026-01-12T19:24:51+03:00",
            "tags": [
                "UX",
                "Исследования",
                "Практический пример"
            ],
            "image": "https:\/\/pxs.md\/pictures\/jira-nps.gif",
            "_date_published_rfc2822": "Thu, 24 Jan 2019 20:00:00 +0300",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "18",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [],
                "og_images": [
                    "https:\/\/pxs.md\/pictures\/jira-nps.gif",
                    "https:\/\/pxs.md\/pictures\/sus.png",
                    "https:\/\/pxs.md\/pictures\/jira-umux-lite.png",
                    "https:\/\/pxs.md\/pictures\/pain-index.png",
                    "https:\/\/pxs.md\/pictures\/features-usability-map.png",
                    "https:\/\/pxs.md\/pictures\/ests.png"
                ]
            }
        }
    ],
    "_e2_version": 4171,
    "_e2_ua_string": "Aegea 11.4 (v4171e)"
}