Мы превращаем каждую траекторию пользователя в точку в пространстве состояний (TF-IDF). А затем с помощью алгоритма создаем из этого понятную для восприятия картину. Для каждого сегмента мы выводим метрики, помогающие понять характеристики этих пользователей – каков размер этого сегмента и какова конверсия внутри него, каковы CAC, LTV, Retention, какова вероятность сконвертироваться.

Имея в распоряжении детальную информацию о действиях пользователей и умея превращать их в траектории, есть возможность найти проблемы в продукте, сравнивая плохих и хороших пользователей. Мы выделяем точки, в которых у неуспешных пользователей возникли затруднения и находим как исправить это анализируя поведения успешных пользователей в той же точке.

На одном графике мы отображаем пользователей в важном для клиента и его продукта разрезе. Например, делаем возможным сгруппировать пользователей по схожести их поведения, а затем высветить пользователей из разных каналов или подсветить сконвертировавшихся пользователей. Такой подход помогает увидеть сегменты с лучшими пользователями и понять, что именно их объединяет.

То, что пользователи из разных рекламных каналов приносят разный LTV кажется логичным и естественным фактом. Траектории пользователей могут дать ответ на вопрос почему это так и как можно вносить корректировки в поведение пользователей из каждого канала для того, чтобы повысить эффективность работы с каждым из них.

В каждый момент времени, вероятность конверсии пользователя или вероятность наступления churn разнится. Например, столкнувшись со сложным интерфейсом недостаточно мотивированный пользователь может навсегда уйти. Зная эти вероятности и умея вычислять их «на лету», можно в режиме реального времени менять взаимодействие с пользователем, чтобы с большей вероятностью сконвертировать его.