Дискавери-исследование для улучшения онбординга в музыкальном приложении

При первом подключении к сервису пользователь проходит онбординг, где мы просим рассказать его о своих вкусах. Захотели пересмотреть этот процесс, чтобы получать более информативные данные о пользователе и давать более качественные персональные рекомендации с первого прослушивания.

Сейчас перед тем как попасть в само приложение, человек должен выполнить определенный набор шагов. Помимо формальных действий, ему нужно ответить на вопросы о своих музыкальных предпочтениях. В текущей версии онбординг строится в основном на выборе конкретных артистов. 

Еще до запуска исследования у нас были гипотезы, что, во-первых, людям сложно рассказывать о себе предложенными категориями — в жизни они ими просто не оперируют. Во-вторых, этих категорий недостаточно, чтобы сообщить сервису о своих реальных музыкальных предпочтениях. Мы хотели посмотреть, как это происходит у людей в реальности.

С точки зрения методологии мы искали формат, который даст одновременно качественные и количественные данные. Пойти в обычные глубинные интервью и поговорить с 10−12 людьми означало потерять масштаб — мы бы просто не охватили такое количество разных сегментов. 

А классические количественные данные не дали бы нам ответа на вопрос, почему люди так определяют свои вкусы, и лишили бы их возможности высказаться своими словами.

Поэтому мы решили использовать платформу ИнсайтЧат: ИИ-интервьюер помогал заходить вглубь, задавать вопросы «почему именно так?», просить приводить примеры. При этом инструмент позволил изучить музыкальные вкусы пользователей на большой выборке.

Пока мы анализировали открытые ответы, наткнулись на интересное явление, которое изначально даже не закладывали в исследование. В реальной жизни значительная часть аудитории не может с ходу определить свой музыкальный вкус.

Около трети пользователей называли себя «меломанами» или говорили, что слушают «всё подряд». Но анализ показал, что настоящей «всеядности» не существует. Фраза «я меломан» — это просто удобная формулировка, когда описать свои вкусы тяжело. За ней всегда кроется жесткий фильтр, который можно разделить на конкретные подгруппы.

Оказалось, что границы вкуса для людей работают понятнее, чем сами предпочтения. Людям бывает сложно сформулировать, что они любят, зато они четко знают, что слушать не хотят. Исключение нелюбимого — простой способ очертить свой профиль.

При свободном объяснении (как при разговоре с другом) люди подробно описывали свои вкусы: называли исполнителей, эпоху, язык и другие характеристики. Как только они доходили до смоделированной ситуации (описание музыкальных предпочтений алгоритму сервиса), их язык менялся. Пользователи становились максимально прагматичными и выбирали более точные формулировки и способы настройки ленты. 

Мы поняли, что описывать свой вкус свободным текстом сервису людям непривычно. Есть барьер — большинство просто не верит, что алгоритм подбора треков способен понять их чувства и настроение. Пользователи боятся, что сервис воспримет все буквально, ошибется и испортит ленту рекомендаций. 

Поэтому пользователи выбирают самые безопасные инструменты:

С точки зрения продуктовых инсайтов исследование получилось сильным: мы собрали конкретные категории, поняли логику пользователей и подтвердили гипотезы. Но прямого влияния на интерфейс пользователя (UX) здесь и сейчас не случилось.

Мы поняли: чтобы полноценно задействовать выявленные категории вкусов, недостаточно просто перерисовать экраны онбординга и поменять текст на кнопках. Нужно глобально перестраивать механизм рекомендаций под капотом, чтобы он вообще умел эти новые сигналы считывать и учитывать.

Исследование подсветило, что люди действительно мыслят сложными и глубокими категориями, а значит, с этими данными с онбординга нам нужно работать намного качественнее. 

В результате наш фокус сместился: текущий визуальный флоу пока оставили как есть, но зато инициировали большую работу по изменению самой модели обработки данных и системы рекомендаций на бэкенде.

Процесс сбора данных оказался очень быстрым. На все ушло около двух недель: пара дней на скрипт и согласования, два дня на сбор поля и еще несколько дней на анализ и отчет. 

Но были и сложности. Не хватало возможности делать сквозной анализ. Если музыкальные вкусы обсуждались в первом блоке, а сценарии онбординга — в третьем, ИИ-платформа не позволяла автоматически точечно связывать эти данные между собой на уровне конкретного интервью.