НОВОСТИ СЕГОДНЯ
Технологии меняются, рынки трансформируются, а поведение пользователей становится все сложнее предсказать. Какие тренды сейчас определяют онлайн-поведение? Как компании адаптируются к новым реалиям? И какие аналитические инструменты помогают бизнесу справляться с изменениями?
Об этом мы поговорили со Светланой Репиной — старшим продуктовым аналитиком данных в Skyeng, экспертом по сегментации пользователей и A/B-тестированию, судьей международных конкурсов и хакатонов, а также автором научных публикаций.
- Как изменился подход к анализу пользовательского поведения за последние годы? Какие методики и технологии сейчас в тренде?
- Раньше аналитика строилась на ретроспективном анализе данных – компании смотрели на историю, находили закономерности и делали прогнозы на будущее. Но с ростом конкуренции и изменяющейся динамикой рынка этого стало недостаточно. Сейчас в тренде аналитика в реальном времени, которая позволяет мгновенно адаптировать продукт под пользователя.
Например, в Skyeng мы используем событийную аналитику, которая фиксирует каждый шаг пользователя и позволяет делать оперативные корректировки в воронке продаж. Еще один тренд – AI-аналитика, которая помогает выявлять скрытые закономерности. В моем проекте сегментации мы использовали машинное обучение для поиска сегментирующих вопросов, и это позволило нам внедрить персонализированный подход в воронку продаж, который нацелен на сокращение стоимости привлечения пользователей и увеличение продаж.
- Какие макроэкономические факторы сейчас сильнее всего влияют на онлайн-поведение пользователей?
- В первую очередь, это рост стоимости привлечения. Рекламные алгоритмы усложняются, ставки растут, и привлекать новых клиентов становится дороже. Бизнесу уже недостаточно просто увеличивать рекламный бюджет – нужна персонализация, которая помогает тратить деньги эффективнее.
Мы исследовали этот тренд в Skyeng и обнаружили, что различия в ответах на сегментирующие вопросы квиза оказывают значительное влияние на конверсию в оплату. Например, пользователи с опытом онлайн-обучения демонстрируют более высокую конверсию в оплату по сравнению с теми, кто только знакомится с форматом. Особенно интересен был сегмент тех, кто хочет срочно начать занятия – они показывают наибольшую конверсию в оплату и наименьший путь к ее совершению. Эти инсайты помогли нам персонализировать флоу продаж, доводя до оплаты наиболее платежеспособные сегменты более коротким путем.
Еще один важный фактор – экономическая неопределенность. Люди стали внимательнее относиться к своим расходам, дольше принимать решения. В EdTech, например, мы видим, что пользователи чаще выбирают рассрочки и гибкие варианты оплаты. Это влияет на стратегию ценообразования компаний.
- Персонализация – один из ключевых трендов. Как компании могут использовать данные для более точной настройки офферов?
- Персонализация должна начинаться с глубокого понимания пользователя. Самый простой и базовый способ – персонализировать контент по базовым признакам, таким как возраст или регион. Но гораздо важнее учитывать мотивацию и поведенческие паттерны.
Мы провели исследование в Skyeng и обнаружили, что уровень знаний ученика не влияет на его готовность к оплате, хотя раньше это считалось важным фактором. Но оказалось, что ключевой драйвер – срочность потребности. Люди, которым нужен быстрый результат (например, подготовка к экзамену), платят охотнее. Этот инсайт позволил нам изменить стратегию персонализации офферов и повысить конверсию.
- Какие аналитические инструменты и методы сейчас наиболее востребованы?
- Сейчас компании все больше внедряют когортный анализ, кластеризацию, поведенческую аналитику и тестирование гипотез. AI-инструменты тоже играют огромную роль, но важно понимать, что машинное обучение не заменяет классический анализ данных – оно его дополняет.
Я много работаю с A/B-тестированием, и часто вижу, как компании совершают ошибки при его проведении. Например, тесты могут давать ложные результаты, если не учитывать взаимосвязь между сегментами. В Skyeng мы внедрили шаблонизацию A/B-тестов, что позволило ускорить процесс анализа почти в два раза и повысить точность выводов. Сейчас мы идем дальше и внедряем централизованную A/B-платформу, которая обеспечит единый стандарт проведения экспериментов во всей компании. Один из важных шагов на этом пути – регламент A/B-тестирования, который я разработала. Он помогает аналитикам и продуктовым командам структурировать процессы тестирования, избегать методологических ошибок и добиваться статистически значимых результатов. Благодаря этому, компания получает более достоверные данные для принятия решений, а эксперименты становятся более прозрачными и воспроизводимыми.
Также я активно использую силуэтный анализ для оценки качества кластеров – об этом я писала в одной из своих научных статей. Этот метод помогает определить оптимальное количество сегментов и понять, насколько они отличаются друг от друга.
- Какие новые вызовы стоят перед аналитиками данных в ближайшие годы?
- Один из главных вызовов – обеспечение доказательности аналитики и прозрачности выводов. Сегодня данные используются во всех сферах бизнеса, но далеко не всегда аналитические модели проходят строгую проверку на достоверность. В своей научной работе «Доказательная практика в аналитике данных» я рассматриваю принципы объективности, воспроизводимости и верификации, которые позволяют минимизировать ошибки и предвзятость. Например, без четких регламентов A/B-тестирования и контроля влияния внешних факторов одна и та же информация может использоваться для противоположных выводов, вводя компанию в заблуждение.
Еще один вызов – этика и конфиденциальность данных. В условиях растущего влияния AI-алгоритмов компании должны не только анализировать данные, но и понимать, как их использование влияет на пользователей. Мы видим, как ужесточаются требования к защите персональных данных, и аналитики должны адаптироваться к этим изменениям.
Также важным трендом становится аналитика в реальном времени. Если раньше компании могли строить прогнозы на основе ретроспективных данных, то теперь им нужно реагировать на изменения моментально. Это требует внедрения автоматизированных систем событийной аналитики, которые позволяют не просто анализировать прошлые тренды, но и адаптироваться к ним в режиме реального времени.
Еще один вызов – изменения в пользовательских паттернах. Раньше было легче строить модели на основе исторических данных, но сейчас поведение пользователей стало более динамичным. Например, после пандемии люди по-другому взаимодействуют с онлайн-сервисами, и это требует гибкой аналитики в реальном времени.
- Какие современные тенденции в клиентской аналитике и персонализации можно считать наиболее значимыми?
- Лучше всего текущие тренды в клиентской аналитике и персонализации видны через ведущие профессиональные конкурсы и хакатоны, где компании и команды представляют свои передовые решения.
Например, в CX Awards 2025, где я сейчас вхожу в состав жюри, номинации «Лучший датацентричный подход» и «Лучшая практика клиентской аналитики» привлекли проекты, ориентированные на использование AI для прогнозирования потребностей клиентов, персонализированные стратегии коммуникации и автоматизированные модели сегментации. В этом году компании все чаще делают ставку на гибкие алгоритмы предсказания поведения пользователей в реальном времени, позволяя персонализировать предложения не просто на основе исторических данных, а на основе текущего контекста взаимодействия с клиентом.
Схожие идеи были представлены и на Humanizing AI Hackathon, где я также оценивала проекты. Здесь команды фокусировались на создании AI-моделей, которые не просто анализируют данные, а адаптируют общение с клиентами под их эмоциональное состояние и поведенческие паттерны. Например, несколько проектов разрабатывали решения для определения тональности сообщений клиента в реальном времени и автоматического выбора наиболее подходящей формы ответа – от более формального до дружелюбного и эмпатичного.
Такие инициативы показывают, что персонализация движется в сторону более «человечного» AI, который не просто использует данные, а учитывает психологические и поведенческие аспекты взаимодействия, делая клиентский опыт по-настоящему адаптивным и индивидуализированным.
- Что, на ваш взгляд, ждет аналитику данных в будущем?
Будущее – за гиперперсонализацией и предиктивной аналитикой. Мы уже видим, как AI автоматизирует многие аналитические процессы, но его нужно использовать осознанно.
Также в ближайшие годы будет развиваться аналитика поведения в реальном времени. Компании смогут не просто анализировать прошлое, но и предсказывать поведение пользователей на лету. Это изменит маркетинг, продажи и даже сам процесс взаимодействия с цифровыми продуктами.
Светлана Репина — ведущий аналитик данных, специализирующийся на оптимизации пользовательского опыта в онлайн-продуктах.
Похожие новости: