Bağlantı ve Uyumluluk: OkCupid, İnsanların Aşkı Bulması İçin Analytics'i Nasıl Kullanıyor?

Yakın tarihli bir Pew Research raporuna göre, bugün Amerikalıların yaklaşık üçte biri bir flört uygulaması veya sitesi kullanıyor ve %12'si ya kararlı bir ilişki içinde ya da çevrimiçi flört yoluyla tanıştığı biriyle evlendi. Doğru kişiyle tanışmak sihir gibi görünebilir, ancak bir flört uygulaması veya web sitesi kullanıyorsanız, doğru kişiyle tanışmak hesaplanmış bir süreçtir. Çevrimiçi flört, her zaman ortak hedefleri ve ilgi alanlarını paylaşan insanları birbirine bağlamanın veriye dayalı, bilimsel ve etkili bir yolu olmuştur.

Yıllar içinde ortaya çıkan ve hemen hemen her ilgi alanına, topluluğa ve bağlantıya hitap eden birçok çevrimiçi tanışma uygulaması var. OkCupid en başından beri var ve bugün OkCupid'in iş zekası (BI) ve ürün analitiği araçlarını kullanması platformun başarısının arkasında.

Verilerle Yönlendirilen, Kalple Güçlendirilen

Veriler, OkCupid'deki misyonun özüdür. OkCupid'in her hafta 4 milyondan fazla bağlantı kurmasının, yılda 200 milyonun üzerinde, günde 5 milyon tanıtım yapmasının ve New York Times düğün bölümünde diğer tüm flört uygulamalarından daha fazla söz almasının nedeni veri takıntımızdır.

Üç yıldır OkCupid'deyim ve platform analitiğini yöneten veri bilimi ekibimizi yönetiyorum. Anlamlı insan bağlantılarının geliştiğini görmek heyecan verici, ancak bir flört uygulaması açıp hemen aşkı bulmak nadirdir. Uygulamanın, uyumlu bir eşleşmeyi bulmaya yardımcı olacak beğenilerini, beğenmediklerini, anlaşmayı bozanları ve diğer bilgileri öğrenebilmesi için kullanıcıların bir süre etrafta kalması gerekir.

OkCupid'in temel ayırt edici özelliklerinden biri, bir kişinin başka biriyle uyumluluğunu belirleyen bir eşleşme puanı oluşturmak için soruların kullanılmasıdır. Ne kadar çok soru sorarsak, o kadar fazla bilgi alırız ve kullanıcıları başka biriyle daha iyi eşleştirebiliriz. Ancak bunu yapmak için elde ettiğimiz veri dağlarını anlamamız gerekiyor.

Mükemmel Veri Yığınını Oluşturma

Veri analizi ekibinin odak noktası, OkCupid platformunun nasıl çalıştığını ve onu geliştirmek için neler yapabileceğimizi anlamaktır. Çalışmalarımız, geleneksel iş zekası (BI) raporlamasından, kullanıcı deneyimine (UX) ve ürün optimizasyonuna makro odaklı algoritma geliştirme ve optimizasyona kadar uzanmaktadır.

OkCupid'deki müşteri veri yığınımız mParticle, Looker ve ürün zekası (PI) platformu Amplitude'den oluşur . mParticle, genel iş raporlaması için Looker'a ve kullanıcı davranışı ve müşteri deneyimimiz hakkında daha derin analiz için Amplitude'e gönderdiğimiz müşteri olay verilerimizi toplar ve saklar.

Ekibim Amplitude'ü ilk kullanmaya başladığında, bunun çoğunlukla olay izleme ve segmentasyon için olduğu fikrine sahiptik. Sonunda, etkileşimi ölçmek, kullanıcı gruplarını belirlemek, farklı kullanıcı yolculuklarını analiz etmek ve dönüşüm ve elde tutmanın önde gelen göstergelerini bulmak için kullanabileceğimizi öğrendik. Genlik, bu tür bir analiz için açıkça tasarlanmıştır, bu da anlamlı içgörülere çok daha hızlı erişebileceğimiz anlamına gelir.

BI ve Genlik: Birlikte Daha İyi

Mümkün olan en ilgi çekici ve eğlenceli ürünü oluşturmak, ürün müşterilerimizin hangi yönlerini beğendiğini belirlemek ve onlarla etkileşimi artırmak için fırsatlar bulmak için çok sayıda A/B testi ve veri analizi gerektirir. İster uzun vadeli kararlı bir ilişki arayan yüksek niyetli bir kullanıcı isterse daha sıradan bir şey arayan ara sıra bir kullanıcı olsun, bu farklı kullanıcıların kim olduğunu, platformla farklı etkileşim yollarını ve davranışlarını ve davranışlarını anlamamız gerekir. platforma bağlı kalmalarına veya zamanla düşmelerine neden olan motivasyonlar.

Looker, Tableau veya Power BI gibi geleneksel BI araçları bu analizi gerçekleştirebilir, ancak ürün sorularımızı yanıtlamak için veri modelleri oluşturmak için zaman harcamamızı gerektirir. Ayrıca, sahip olduğumuz verilerden toplayabileceğimiz içgörülerin derinliği söz konusu olduğunda sınırlamaları vardır.

#UserJourney'i geliştirmek, üst düzey içgörülerden fazlasını gerektirir. Kullanıcı oturumları hakkında ayrıntılı, tutarlı bilgilere ihtiyacınız var. Tweetlemek için tıklayın

Amplitude ile yapılandırılmamış verileri anlamlandırabilir ve farklı kullanıcılarımızı ve ürünümüzdeki yolculuklarını anlamaya başlayabiliriz. Buradan, daha yapılandırılmış raporlama oluşturabilir, müşterilerin en değerli bulduğu ürün deneyimlerini belirleyebilir ve daha fazlasını OkCupid'de oluşturabiliriz.

Örneğin, Amplitude, kullanıcıların uygulamada uzun zaman geçireceğini gösteren çeşitli davranışları belirlememize ve anlamamıza olanak tanır. Amplitude, oturum açıp uygulamadan hızla ayrılan kullanıcılar için, bir kullanıcı oturumunu sonlandırmadan önce en sık neler olduğunu görmek için analiz edebileceğimiz kullanıcı yolları sağlar. Sonuç olarak, OkCupid'in hangi yönlerini değiştirmemiz veya tamamen kaldırmamız gerektiğini bulabiliriz.

Looker gibi geleneksel bir BI aracı, veri ambarımızdaki tüm bilgilere erişebilir ve geleneksel toplamaları ve pivotları çok kolay bir şekilde çalıştırabilir. Ancak Genlik, zaman serisi olaylarını ve iyi yapılandırılmamış herhangi bir şeyi ele alırken parlar.

Somut bir örnek vermek gerekirse, "Bir kullanıcı zaman içinde kaç beğeni yaptı?" sorusunu yanıtlamak için bir BI aracını kullanmak kolaydır. Amplitude'ün ek değer sağladığı yer, onları bu yolculukta bu beğenilere neyin götürdüğünü anlamaktır. Bir bildirim yoluyla mı yoksa uygulamanın farklı bölümlerinde gezinerek mi geldiler? Oradan nereye gittiler ve çeşitli özelliklere sahip tipik etkileşim modelleri neydi? Yani bir kullanıcının bugün 20 kişiyi sevdiğini bilmek yerine, o kullanıcının deneyimi ve tercihleri ​​hakkında bir hikaye oluşturmaya başlayabiliriz. Belki bugün 20 kişiyi sevdiler ve her birine mesaj göndermek için çok zaman harcadılar, bugün 20 kişiyi seven ama bunu hızlı bir şekilde yapan birinden farklı.

Toplama yaparken müşterilerimizin deneyimlerindeki nüansları görmek zor. Looker, yerleşik veri depolama sistemleri üzerine kurulmuştur, bu nedenle yukarıdaki gibi bir soruyu yanıtlamak için özel bir rapor oluşturmanız, birden çok veri kümesini birleştirmeniz ve hatta SQL yazmanız gerekir. Amplitude'ü kullanırken, önümüzde o kullanıcı yolculuğu olduğunda farklılıkları görmek kolaydır.

Daha İyi Ekip Çalışması ve Daha Hızlı Lansmanlar

Amplitude'ün ana kullanıcılarımız, veri bilimi ekibim ve ürün ekiplerimizdir. Her iki grup da kullanıcı yolculukları ve etkileşimi hakkında sorular soruyor, ancak farklı türdeki sorulara da yanıt vermeleri gerekiyor. Örneğin, işe alım akışımıza adanmış bir ekibimiz var ve yeni kullanıcılar için bırakma noktalarına önem veriyorlar. Başka bir ekip daha çok uzun vadeli elde tutmaya odaklanır, bu nedenle insanları siteye geri döndüren ve aşkta daha iyi bir başarı şansı yaratan yapışkan davranışlara daha fazla önem verirler.

Genlik, tüm çeşitli çizelgelerimizi ve gösterge tablolarımızı oluşturup kaydetmemize ve bunları kuruluş genelinde toz haline getirmemize olanak tanır. Bu, çabaları tekrarlamak zorunda olmadığımız anlamına gelir; ekipler sonuçları düzenli olarak paylaşır ve aynı veri setinden kararlar alır. Verilerimize kendi kendine hizmet eden bir yaklaşımımız olsa da, bize zaman kazandıran ve daha bilinçli kararlara yol açan gerçek bir işbirliği sürecidir.

Ekip çalışması ve işlevselliği birleştiren araçları kullanmak, yeni özellikleri çok daha hızlı başlatabileceğiniz anlamına gelir. Tweetlemek için tıklayın

Genlik, yeni görünümler oluşturmak için gereken ek geliştirme süresini harcamadan yapılandırılmış verilere bakmamızı sağlar. Ne zaman yeni bir özellik başlatsak, bunun için mParticle'da bir olayı enstrümantal eder ve uygun kullanıcı ve olay özellikleriyle Amplitude'a göndeririz. Geleneksel olarak, platform içinde doğru veri takibinin sağlanması, bir analistin Python veya SQL'de manuel sorgular yazmasını gerektirirdi. Amplitude ile bir analistin yardımına ihtiyacımız yok. Gerçek zamanlı olarak yüklenen yeni olayları görebilir ve bunları Genlik çizelgelerinde hemen QA olarak görebiliriz.

Bu güçlü ekip çalışması ve işlevsellik kombinasyonunun nihai etkisi, bir ürün bahsinin işe yarayıp yaramadığını hemen anlayabilmemiz ve eskisinden çok daha hızlı yineleyebilmemizdir.

Değişim Zamanlarında Somut Yön

Yaygın karantinalar bu yıl flört normlarını değiştirdi. Geleneksel flört protokollerinin kaybından yakınmak yerine, yanıtlamamız gereken yeni bir sorumuz vardı: İnsanlar COVID-19 flört dünyasına uyum sağlamak için platformumuzdaki kullanım kalıplarını nasıl değiştiriyor?

Aşkı ve bağı bulmak, veriye dayalı olduğunda o kadar zor değil. #OnlineDating #UserJourney'i anlamak, kullanıcılarınızın kalbinin anahtarıdır. Tweetlemek için tıklayın

Yeni başlayanlar için, kullanıcıların sohbetleri derinlemesine incelemek için çok daha fazla zaman harcadıklarını gördük. İnsanlar eskisi kadar kolay yüz yüze görüşemezler, bu yüzden uygulamanın içinden birini tanımak için daha fazla zaman harcamak zorundalar. Güçlü BI ve PI kombinasyonumuzu kullanarak, bu yeni kalıplarla ilgili somut verilere hızla erişebiliriz. Kullanıcılara daha derin sanal bağlantılar kurmaları için daha fazla fırsat yaratarak, fiziksel mesafenin birçok insan için yarattığı boşluğun bir kısmını doldurabiliriz.

Veri analitiği yoluyla aşkı bulmak romantik görünmeyebilir, ancak işe yaradığını biliyoruz. OkCupid'in misyonu her zaman dünyaya sevgiyi getirmek olmuştur ve doğru şekilde uygulanan doğru verilerle insanların tam da bunu yapmasına yardımcı oluyoruz.