92% лояльных клиентов и +1300 положительных отзывов: сервис «Индекс NPS» для «Института современного образования»
«Институт современного образования» (ИСО) специализируется дистанционном обучении: переподготовке и повышении квалификации, курсах для взрослых и детей.
Дополнительное образование — одна из сфер, в которой учебное заведение выбирают по отзывам и «сарафанному радио». Это сезонный продукт, студент долго принимает решение о покупке курса: иногда несколько месяцев и даже лет. В сфере образовательных услуг прямая реклама работает редко, курс нельзя оценить заранее, результат обучения будет виден нескоро, и его сложно гарантировать.
Проблемы ИСО
- студенты редко оставляют отзывы об институте,
- упали повторные продажи курсов.
Набрать положительные отзывы об институте и образовательных программах, и увеличить лояльность клиентов.
Чем Вебфлай помогли
Вебфлай предложили клиенту собственную разработку — цифровой сервис по сбору обратной связи «Индекс NPS» для Битрикс24. С помощью приложения идёт автоматический сбор фидбэка у студентов. Институту подключили сервис в январе 2021 года. Автоматизацию ИСО начали осенью 2018 года, подробно об этом читайте здесь.
Индекс NPS
Индекс NPS — это индекс лояльности к бренду, опрос потребителей о том, с какой вероятностью по 10-балльной шкале они порекомендуют компанию знакомым. В зависимости от поставленной оценки потребители делятся на три группы: сторонники (9-10 баллов), критики (1-6 баллов), нейтральные (7-8 баллов). Индекс NPS — это соотношение сторонников бренда к критикам. Можно подсчитать NPS компании, отдела или конкретного менеджера.
В приложении «Индекс NPS» от Вебфлай вместо классической цифровой шкалы используются эмоджи. Клиенту, после того как он воспользовался услугой или купил товар, приходит SMS с просьбой оценить впечатления.
Если клиент остался доволен и поставил лайк, то система перенаправляет его на Яндекс.Карты, Google.Maps или другой нужный ресурс, чтобы оставить положительный отзыв и тем самым поднять рейтинг компании. Наш сервис даёт конверсию минимум 10% отзывов от 100% клиентов, добиться такой обратной связи самостоятельно — невозможно.
Если человек недоволен и поставил дизлайк, система перенаправляет его на форму письма к руководителю. Так клиент сможет высказаться, что именно ему не понравилось и посоветовать, что компании нужно улучшить. С помощью обратной связи бизнес может снять негатив у клиента до того, как он оставил плохой отзыв в интернете.
Например, у ИСО в системе есть негативные и нейтральные оценки, но на карты они не попадают. Когда институт получает такие отклики через «Индекс NPS», то менеджер связывается со студентом, обсуждает проблему и старается её решить или учесть обратную связь на будущее. Клиент чувствует заботу и интерес к его мнению, во время личного общения у него пропадает негатив и не возникает желания оставлять отрицательный отзыв в интернете.
Так ИСО получает полезный фидбэк от клиентов и улучшает внутренние процессы, а студент становится более лоялен к институту.
Как работает Индекс NPS у ИСО
За год использования сервиса число отзывов на Яндекс.Картах увеличилось с 17 до 64, на сервисе нет ни одной средней или плохой оценки. Положительно оценили институт 115 пользователей. За счёт этого рейтинг ИСО на Яндекс.Картах — 5,0 баллов.
Результаты работы c Вебфлай
- 92% лояльных клиентов (по оценке ИСО).
- С января 2021 года институт набрал более 100 положительных отзывов на Яндекс.Картах и 1280 — в приложении «Индекс NPS».
- Рост рейтинга на картах поднял сайт ИСО в поисковой выдаче без платной рекламы.
- Обратная связь улучшила работу менеджеров и методистов, и повысила лояльность студентов.
«Благодаря модулю «Индекс NPS», который мы сейчас активно используем, за последний период обучения мы имеем 1280 положительных отзывов об организации, порядка 85 нейтральных и около 20 негативных отзывов. Это в совокупности даёт 92% лояльных клиентов. Безусловно, мы бы не смогли так детально выстроить систему обратной связи без автоматизации».
Вячеслав Мирошников, руководитель направления АНО ДПО «ИСО»
Как узнать, кто оставил лайк в Яндекс.Отзывы: простые инструкции и полезные советы
Яндекс.Отзывы — популярный сервис, который позволяет пользователям оценить и оставить отзывы о различных компаниях, товарах и услугах. Когда вам нравится отзыв, вы можете поставить ему лайк, чтобы выразить свою поддержку и согласие с автором. Но что делать, если вы хотите узнать, кто конкретно оставил этот лайк? В этой статье мы расскажем вам несколько простых инструкций и поделимся полезными советами по этому вопросу.
Первый способ узнать, кто оставил лайк в Яндекс.Отзывы — воспользоваться функцией «Активность». Для этого перейдите на страницу отзыва, в котором вам интересен конкретный лайк. В верхней части страницы вы увидите подробную информацию о отзыве, включая его автора. Прокрутите вниз до раздела «Активность» и нажмите на ссылку «Показать». В появившемся списке активности вы сможете найти идентификатор автора лайка.
Если первый способ не сработал или вас не устроил, вы можете воспользоваться обратной связью с администрацией Яндекс.Отзывов. Отправьте им письмо, указав ссылку на нужный отзыв, время, когда был поставлен лайк, и просьбу узнать автора. Администрация обычно быстро отвечает на такие запросы и предоставляет нужную информацию.
Обратите внимание, что узнать автора лайка возможно только с разрешения самого автора. Поэтому, если пользователь не хочет раскрывать свою личность, администрация Яндекс.Отзывов не будет предоставлять эту информацию.
Надеемся, что эти простые инструкции и полезные советы помогут вам узнать, кто оставил лайк в Яндекс.Отзывы. Оставляйте отзывы, выражайте свое мнение и помогайте другим пользователям делать правильный выбор!
Как определить автора лайка в Яндекс.Отзывы:
Если вам интересно узнать, кто оставил лайк на ваш отзыв в Яндекс.Отзывы, есть несколько простых инструкций, которые помогут вам определить автора.
1. Перейдите на страницу отзыва, где вас интересует автор лайка.
2. Найдите раздел комментариев под отзывом. Обычно он расположен ниже самого отзыва.
3. В разделе комментариев найдите сообщение с информацией о лайке. Оно будет выделено специальным значком или текстовой надписью, например «Нравится».
4. Наведите курсор на эту надпись или значок. В некоторых случаях, при наведении, появится всплывающая подсказка с информацией о пользователе, оставившем лайк.
5. Если всплывающей подсказки нет, попробуйте нажать на надпись или значок. Возможно, они перенаправят вас на страницу пользователя, который оставил лайк.
6. На странице пользователя вы сможете увидеть его информацию, такую как имя, фотография, краткое описание и другие данные, которые могут помочь вам определить автора лайка.
| Советы и рекомендации: |
|---|
| — Если информация о пользователе, оставившем лайк, скрыта или недоступна, вы не сможете определить его автора. |
| — Помните, что некоторые пользователи могут использовать псевдонимы или фейковые аккаунты, поэтому информация они предоставят может быть недостоверной. |
| — Если вы не можете определить автора лайка, но хотите выразить благодарность или задать вопрос, вы можете оставить комментарий под своим отзывом и надеяться, что автор лайка откликнется. |
Пользовательский профиль
Когда вы лайкаете отзыв, информация о вашем профиле может быть видна другим пользователям. Чтобы узнать, кто оставил лайк на ваш отзыв, вам потребуется зайти в свой профиль.
В профиле вы можете увидеть свои лайки, комментарии и другую активность, а также настройки и персональную информацию.
Для того чтобы перейти в свой пользовательский профиль, выполните следующие шаги:
- Откройте яндекс.Отзывы
- Нажмите на кнопку «Мой профиль» в верхнем правом углу экрана
Ваш профиль откроется в новой вкладке браузера. Здесь вы сможете видеть всю свою активность и дополнительную информацию о своем аккаунте.
Помните, что информация о вашем профиле видна другим пользователям, поэтому рекомендуется быть внимательным и осторожным при заполнении персональных данных и комментариев.
Поиск по имени
Для того чтобы узнать, кто оставил лайк в Яндекс.Отзывы, можно воспользоваться функцией поиска по имени. Эта функция позволяет найти отзывы, оставленные пользователями с определенным именем или никнеймом.
Чтобы воспользоваться функцией поиска по имени, нужно выполнить следующие шаги:
- Зайти на сайт Яндекс.Отзывы и перейти на страницу с отзывами.
- Нажать на поле поиска, расположенное вверху страницы.
- Ввести в поле поиска имя или никнейм пользователя, оставившего лайк.
- Нажать на кнопку «Поиск» или нажать клавишу Enter.
После выполнения этих шагов вы увидите отзывы, оставленные пользователями с указанным именем или никнеймом. Если пользователь оставил лайк, вы сможете увидеть его на странице с отзывом.
Если имя или никнейм пользователя слишком популярные, то результаты поиска могут быть слишком обширными. В этом случае вы можете дополнить поиск, указав дополнительные фильтры, например, рейтинг или категорию отзыва.
Теперь вы знаете, как узнать, кто оставил лайк в Яндекс.Отзывы, с помощью функции поиска по имени. Эта простая инструкция позволит вам быстро найти нужные отзывы и узнать, кто их оставил.
Публичные отзывы
Для того чтобы узнать, кто оставил лайк под вашим отзывом, вам необходимо:
- Зайти на страницу вашего отзыва в Яндекс.Отзывы.
- Промотать страницу к разделу «Лайки».
- Найти список пользователей, которые оставили лайк под вашим отзывом.
- Нажать на имя пользователя, чтобы узнать больше информации о нем, если это возможно.
Также вы можете просматривать отзывы других пользователей и узнавать, кто оставил лайк под их отзывами. Для этого:
- Зайти на страницу отзыва, который вас интересует.
- Промотать страницу к разделу «Лайки».
- Найти список пользователей, которые оставили лайк под этим отзывом.
- Нажать на имя пользователя, чтобы узнать больше информации о нем, если это возможно.
Таким образом, вы можете легко узнать, кто оставил лайк в Яндекс.Отзывы и просматривать отзывы и оценки других пользователей. Это поможет вам оценить надежность и полезность отзывов, а также найти новых интересных пользователей для общения и обмена мнениями.
Анализ активности
| Шаг | Описание |
|---|---|
| 1 | Откройте свою страницу на Яндекс.Отзывы. |
| 2 | Просмотрите список отзывов и найдите отзывы с лайками. |
| 3 | Запишите имена пользователей, которые оставили лайки. |
| 4 | Проведите анализ количества лайков и комментариев для каждого пользователя. |
| 5 | Выделите самого активного пользователя. |
| 6 | Сравните свою активность с активностью других пользователей. |
Анализ активности поможет вам получить представление о том, кто вам нравится, кто интересуется вашими отзывами и кто активно взаимодействует с вами на Яндекс.Отзывы. Эта информация может быть полезна для анализа вашей публичной активности и определения ваших предпочтений и интересов.
Коллективный отзыв
Для того чтобы оставить коллективный отзыв, необходимо перейти на страницу объекта, о котором вы хотите оставить отзыв, и нажать на кнопку «Написать отзыв». Затем выберите вкладку «Коллективный отзыв» вверху страницы.
Далее вы можете выбрать уже существующий отзыв из списка или написать свой собственный отзыв. Если вы выбираете уже существующий отзыв, то можете отметиться, как одобряющий или не одобряющий данный отзыв. Также вы можете оставить комментарий к выбранному отзыву.
В случае, если вы пишете собственный коллективный отзыв, вам необходимо выбрать объект, описать свое впечатление о нем и добавить его на страницу. После публикации ваш отзыв будет доступен другим пользователям, которые смогут его оценить, оставить комментарий или добавить свой собственный отзыв.
Коллективный отзыв позволяет получить более полное представление об объекте, так как мнения разных людей могут отличаться. Это помогает принять взвешенное решение при выборе товара или услуги, а также делится своим мнением с другими пользователями.
Определение по аватарке
Аватарка может содержать информацию о пользователе, такую как его фотографию, или быть анонимной, например, представлять собой стандартное изображение.
Определение пользователя по аватарке может стать полезным, если вам нужно понять, кто скрывается за конкретным лайком в Яндекс.Отзывы. Обратите внимание на детали аватарки, возможно, вы сможете распознать знакомые лица или другие характерные особенности, которые помогут вам идентифицировать автора лайка.
Однако, следует помнить, что определение пользователя по аватарке — это всего лишь предположение, и не гарантирует 100% точность. Некоторые пользователи могут использовать общие или анонимные аватарки, которые не отражают их реальную личность.
В целом, проверка аватарки может быть полезным дополнительным шагом при определении авторства лайка в Яндекс.Отзывы. Однако, для получения более надежной информации вы также можете обратиться к другим методам, таким как анализ текста и сравнение лайков с активностью других пользователей.
Использование платформы Яндекс.Аналитика
Для начала работы с Яндекс.Аналитикой необходимо зарегистрировать аккаунт на специальном сайте данного сервиса. После регистрации вы получите уникальный код отслеживания, который нужно будет разместить на каждой странице вашего сайта.
Чтобы узнать, какие пользователи оставили лайк в Яндекс.Отзывы, вам потребуется настроить отслеживание событий в Яндекс.Аналитике. Для этого перейдите в раздел «Уведомления» и создайте новое событие для отслеживания лайков. После этого вставьте соответствующий код отслеживания на страницу Яндекс.Отзывов, где вы хотели бы отслеживать лайки.
После установки кода отслеживания и настройки события, вы сможете получать информацию о том, кто и когда оставил лайк в Яндекс.Отзывы. Для этого вам понадобится зайти в раздел «События» в Яндекс.Аналитике и просмотреть отчеты, где будут отображены все события, включая лайки от пользователей.
Важно отметить, что для получения информации о конкретных пользователях, оставивших лайк, может потребоваться дополнительная информация, например, авторизация на вашем сайте или передача идентификатора пользователя в Яндекс.Аналитику. Это позволит идентифицировать конкретного пользователя и отслеживать его взаимодействие с сайтом.
Использование Яндекс.Аналитики позволяет получать ценную информацию о поведении пользователей, их предпочтениях и эффективности различных элементов сайта. Это позволяет улучшить пользовательский опыт, повысить конверсию и общую производительность вашего сайта.
92% лояльных клиентов и +1300 положительных отзывов: сервис «Индекс NPS» для Института современного образования
Подключили Институту собственную разработку — сервис по сбору обратной связи «Индекс NPS» для Битрикс24. За год использования образовательное учреждение набрало около 1300 позитивных отзывов в приложении, свыше 100 положительных оценок на Яндекс.Картах и повысило свой рейтинг на ресурсе до 5 баллов.
«Благодаря модулю «Индекс NPS», который мы сейчас активно используем, за последний период обучения мы имеем 1280 положительных отзывов об организации, порядка 85 нейтральных и около 20 негативных отзывов. Это в совокупности даёт 92% лояльных клиентов. Безусловно, мы бы не смогли так детально выстроить систему обратной связи без автоматизации».
Вячеслав Мирошников
Руководитель направления АНО ДПО «ИСО»
О клиенте
«Институт современного образования» (ИСО) специализируется дистанционном обучении: переподготовке и повышении квалификации, курсах для взрослых и детей.
Проблемы клиента
- Упали повторные продажи курсов.
- Студенты редко оставляли отзывы об институте.
Дополнительное образование — одна из сфер, в которой учебное заведение выбирают по отзывам и «сарафанному радио». Это сезонный продукт, студент долго принимает решение о покупке курса: иногда несколько месяцев и даже лет. В сфере образовательных услуг прямая реклама работает редко, курс нельзя оценить заранее, результат обучения будет виден нескоро, и его сложно гарантировать.
Цели ИСО
Набрать положительные отзывы об институте и образовательных программах, и увеличить лояльность клиентов.
Чем Вебфлай помогли
Предложили клиенту собственную разработку — цифровой сервис по сбору обратной связи «Индекс NPS» для Битрикс24. С помощью приложения идёт автоматический сбор фидбэка у студентов. Институту подключили сервис в январе 2021 года. Автоматизацию ИСО начали осенью 2018 года, подробно об этом читайте здесь.
Что такое Индекс NPS
Индекс NPS — это индекс лояльности к бренду, опрос потребителей о том, с какой вероятностью по 10-балльной шкале они порекомендуют компанию знакомым. В зависимости от поставленной оценки потребители делятся на три группы: сторонники (9-10 баллов), критики (1-6 баллов), нейтральные (7-8 баллов). Индекс NPS — это соотношение сторонников бренда к критикам. Можно подсчитать NPS компании, отдела или конкретного менеджера.
В приложении «Индекс NPS» от Вебфлай вместо классической цифровой шкалы используются эмоджи. Клиенту, после того как он воспользовался услугой или купил товар, приходит SMS с просьбой оценить впечатления.
Когда клиент остался доволен и поставил лайк, то система перенаправляет его на Яндекс.Карты, Google.Maps или другой нужный ресурс, чтобы оставить положительный отзыв и тем самым поднять рейтинг компании. Наш сервис даёт конверсию минимум 10% отзывов от 100% клиентов, добиться такой обратной связи самостоятельно — невозможно.
Если человек недоволен и поставил дизлайк, система перенаправляет его на форму письма к руководителю. Так клиент сможет высказаться, что именно ему не понравилось и посоветовать, что компании нужно улучшить. С помощью обратной связи бизнес может снять негатив у клиента до того, как он оставил плохой отзыв в интернете.
Например, у ИСО в системе есть негативные и нейтральные оценки, но на карты они не попадают. Когда институт получает такие отклики через «Индекс NPS», то менеджер связывается со студентом, обсуждает проблему и старается её решить или учесть обратную связь на будущее. Клиент чувствует заботу и интерес к его мнению, во время личного общения у него пропадает негатив и не возникает желания оставлять отрицательный отзыв в интернете.
Так ИСО получает полезный фидбэк от клиентов и улучшает внутренние процессы, а студент становится более лоялен к институту.
Как работает Индекс NPS у ИСО
За год использования сервиса число отзывов на Яндекс.Картах увеличилось с 17 до 64, на сервисе нет ни одной средней или плохой оценки. Положительно оценили институт 115 пользователей. За счёт этого рейтинг ИСО на Яндекс.Картах — 5,0 баллов.
Результаты работы c Вебфлай
раза увеличилось число позитивных отзывов на картах
лояльных студентов
- С января 2021 года институт набрал в приложении «Индекс NPS» 1280 положительных отзывов, 85 нейтральных и около 20 негативных.
- Рост рейтинга на картах поднял сайт ИСО в поисковой выдаче без платной рекламы.
- Обратная связь улучшила работу менеджеров и методистов, и повысила лояльность студентов.
Оставьте заявку,
чтобы обсудить проект
Золотой партнер 1С-Битрикс c 2007 года. ТОП — 100 по РФ
Аккредитованная
IT-компания
Разработка включена в едином реестре российского ПО «МинЦифры» №18127 от 29.06.2023
Digital-интегратор «Вебфлай»
© 2011—2023
Согласие на обработку персональных данных
Используя сайт https://webfly.ru, вы соглашаетесь на обработку ваших персональных данных и даете следующее Согласие
Используя сайт https://webfly.ru, (заполняя формы, просматривая страницы) в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006 года, своей волей и в своем интересе выражаю свое безусловное согласие на обработку моих персональных данных ООО «ВебФлай» (ОГРН 1113668008475 , ИНН 3662162464), зарегистрованным в соответствии с законодательством РФ по адресу: 394088, Воронеж, Генерала Лизюкова, 93, офис 122 (далее — Оператор).
Персональные данные — любая информация, относящаяся к определенному или определяемому на основании такой информации физическому лицу. Мной выдано согласие на обработку следующих персональных данных: Фамилия, Имя, Отчество, Адрес электронной почты, Место работы, Телефон, Email
Настоящее Согласие дано Оператору для совершения следующих действий с персональными данными с использованием средств автоматизации и / или без использования таких средств: сбор, систематизация, накопление, хранение, уточнение (обновление, изменение), использование, блокирование, обезличивание, уничтожение, удаление.
Согласие дается Оператору, а также третьим лицам: ООО «ВебФлай» для обработки моих персональных данных в целях:
- направление мне электронных писем;
- предоставление мне услуг и работ;
- направление мне информации, в том числе рекламной, об услугах и предложениях Оператора.
Согласие действует до момента его отзыва путем направления соответствующего уведомления на электронный адрес hello@webfly.ru. В случае отзыва моего согласия Оператор вправе продолжить обработку персональных данных при наличии оснований, указанных в пунктах 2-11 части 1 статьи 6, части 2 статьи 10 и части 2 статьи 11 Федерального закона № 152-ФЗ от 27.07.2006 г.
Мы используем файлы cookie, чтобы улучшить сайт для вас
Как работает Моя волна — и откуда она знает, что мы хотим послушать
В ноябре 2021 в Яндекс Музыке появилась новая фича под названием Моя волна. Это умный алгоритм, который подбирает бесконечный персональный поток музыки под каждого слушателя.
Что интересно: заявлялось, что алгоритм умеет быстро учитывать реакцию слушателя и корректировать свои рекомендации на ходу. Трудно сказать, у кого сейчас есть аналогичные решения. Фанаты Spotify хвалят их рекомендации, но они представляют собой просто шесть плейлистов «Микс дня». И сколько бы сердечек вы не нажимали, это может на что-то повлиять только при составлении следующих плейлистов. А это как-то нерасторопно.
Со временем стало известно о еще одной значимой особенности Моей волны — речь о ее способности бустить прослушивания артистов, даже если их пока не знают никакие эксперты и не подписал никакой лейбл. Объясним это на тиктоке: все знают, что китайское приложение быстро замечает, какое видео внутри него начинает вируситься — и сразу же показывают его все большей аудитории. Похожим образом Моя волна отлавливает песни, которые заходят слушателям, и начинает чаще и больше рекомендовать именно их. Любой программный директор с радио сказал бы команде Яндекс Музыки, что так делать нельзя, ведь люди любят слушать то, к чему привыкли. Однако за время работы Моей волны уже появились успешные кейсы, когда артист всего за месяц рос с 500 слушателей до миллиона.
О том, как устроена и что умеет Моя волна, мы говорим в этом интервью с Александрой Сагалович (руководитель сервиса Яндекс Музыка) и Александром Сафроновым (главный по рекомендациям в Яндекс Музыке).
«МОЯ ВОЛНА РЕКОМЕНДУЕТ ЛУЧШЕ, ЧЕМ ПЛЕЙЛИСТЫ». ПОЧЕМУ ВСЕ БОЛЬШЕ ЛЮДЕЙ НАХОДЯТ МУЗЫКУ ТАМ
— Начнем с вопроса про возникновение Моей волны. Зачем она понадобилась?
Александра Сагалович: Яндекс Музыке в этом году тринадцать лет, и порядка восьми с лишним мы работаем над развитием технологий персональных рекомендаций.
Моя волна — флагман наших рекомендационных продуктов. Мы запустили Мою волну в конце 2021 года, и она принципиально изменила то, как люди слушают музыку. И то, как они находят новую для себя.
До этого нашим флагманским рекомендационным продуктом был “Плейлист дня”. У многих стримингов и сейчас есть такие продукты — рекомендационные персонализированные плейлисты. Это, например, миксы у Spotify, и похожие форматы у других сервисов. Теперь представь, сегодня ты встал не с той ноги, сосед с утра сверлит, собака разбила вазу — и тебе не понравился плейлист. Ты не в настроении, он тебе не подходит, и ты целый день вынужден искать что-то другое. Из-за того что плейлист — статичная сущность, он создается раз в сутки, и это ограничение.
Моя волна бесконечна, это не набор из 60 треков. И самое крутое, что она каждый раз уникальная и новая. Её можно хоть раз в 30 минут включать, она будет изменяться.
И она адаптируется под тебя. Ты можешь отреагировать в приложении или сказать голосом Яндекс Станции: нравится или не нравится, включить на повтор или пропустить трек, и Моя волна поймет, что тебе нужно именно сейчас.
В этом отличие Моей волны, это большой шаг с точки зрения эволюции рекомендационных продуктов.
Был период, когда стриминги хвастались количеством треков на платформе: “А у нас 20 миллионов, а у нас 47, а у нас 54”. Это было оправдано: стриминговые сервисы были скорее каталогами отдельных песен и не всю музыку можно было найти легально. Однако когда счет пошел на десятки миллионов треков — это стало чем-то совершенно непонятным для людей. Такой объем невозможно ни прослушать, ни осознать.
Как технологическая компания, мы увидели большой потенциал в том, чтобы стать проводником, который поможет людям ориентироваться в океане контента и быстрее находить то, что им нужно услышать прямо сейчас. А артистам мы помогаем находить своих людей как можно быстрее. Моя волна стала следующим эволюционным шагом в развитии рекомендационных продуктов.
Александра Сагалович и Александр Сафронов в офисе Яндекса
— Как вы понимаете, что Моя волна работает и развивается правильно? По каким критериям вы это проверяете?
Сагалович: Таких критериев множество, некоторые из них основаны на объективных цифрах, а другие — на субъективных ощущениях.
Первый — это вербальные отзывы пользователей. Мы за ними следим, мы анализируем их тональность. После запуска Моей волны — кратно увеличилось количество упоминаний, количество позитивной обратной связи про Мою волну. То есть среди всех возможностей, которые есть в продукте Яндекс Музыки, именно Моя волна вносит наибольший вклад в позитивное восприятие сервиса.
Но люди могут говорить одно, а делать другое. Поэтому второй очень важный пул фидбэка — это поведенческие данные. Это ключевые цифры, и на них мы ориентируемся. Например, сколько людей слушают рекомендации Яндекс Музыки и как это количество меняется. Потому что чем лучше продукт, тем больше людей им будет пользоваться и возвращаться к нему.
На статистике за месяц видно, что люди каждую неделю возвращаются — это очень важный для нас показатель. Обращаем внимание на то, сколько времени люди слушают, потому что если мы хорошо подбираем им музыку, если мы попадаем в предпочтения, они будут проводить с нами больше времени.
Сейчас рекомендации Яндекс Музыки присутствуют в разных форматах — они пронизывают весь сервис — еженедельно слушают 78% пользователей, а еще два года назад их было около 50%. Мы видим, что Моя волна рекомендует лучше, чем плейлисты — люди часто её слушают, возвращаются, постоянно пополняют коллекцию новыми треками.
И это очень интересно. Есть 100% прослушиваний на сервисе. Часть из них люди нашли самостоятельно — написали «новый альбом Скриптонита» и послушали. А другая часть прослушиваний происходит из рекомендаций. И вторая цифра за последние два года выросла на 32%. Это очень много.
Это реальные поведенческие данные, здесь люди не могут что-то искажать — осознанно или нет. Если в 2020 году рекомендации в среднем слушали 15 часов в месяц, то сейчас слушают почти 19 часов. Почти сутки люди проводят в наушниках, либо со станцией в активном контакте с сервисом.
Сафронов: Наша команда рекомендаций как раз и занимается ответом на вопрос, как понять, хорошо нашим пользователям или не очень. У нас есть множество метрик, которые измеряют качество рекомендаций. Саша уже сказала, что самая простейшая метрика счастья пользователя — это доля пользователей, которые слушают рекомендации. Она не единственная.
Например, мы отслеживаем, как часто пользователь ставит лайки. Кажется, что если мы развиваем рекомендации в нужную сторону, то лайков будет больше. И если мы так изменили наши рекомендации, что пользователь чаще стал нажимать на кнопочку с сердечком, значит, мы двигаемся в правильном направлении.
Сагалович: В чем особенность наших рекомендаций? Мы считаем, что они должны помогать открывать новую музыку. В современном мире, где ежедневно выпускается около ста тысяч треков, это значимая роль.
Мы должны помогать открывать подписчикам Плюса новые треки, такие, чтобы они приятно радовали, вызывали эмоции. Не обязательно новинки. Это просто что-то незнакомое, то, что обогатит слушателя, даст вот это ощущение “ничего себе”. Тот момент, когда ты ставишь лайк и такой: “Я даже не думал, что мне может понравится эта музыка — как они узнали?”. Эту эмоция мы хотим вызывать у слушателей чаще.
Сафронов: Этот эмоциональный эффект “вау, новый трек понравился мне с первого прослушивания», то есть открытие новой музыки, — мы его отдельно замеряем и стараемся увеличивать.
Сагалович: Именно после запуска Моей волны количество лайков на впервые услышанный трек стало на 57% больше. То есть она заточена, чтобы вытаскивать человека за пределы его музыкального знания.
Сафронов: Что мы считаем ценным и важным с точки зрения рекомендаций? Это большой философский вопрос. Наше целеполагание, наша вера состоит в том, что мы хотим помогать пользователю выходить за пределы известного, прокалывать музыкальный пузырь.
Сагалович: При этом, интересно, что математика вообще тебе противится в этом месте. Математика скорее всего скажет: “Ставь знакомую [музыку], будет лучше”.
Сафронов: Да, потому что ты не рискуешь. Ставить что-то знакомое более безопасно.
Сагалович: То есть это очень сильно движется на вере команды [в то, что необходимо] идти вопреки прямым принципам математики. Искать способы, чтобы математика позволяла расширять музыкальный пузырь пользователя. И достигать того, чтобы люди больше и чаще слушали.
Например, сейчас мы активно работаем с редкими микрожанрами, узкой и нишевой музыкой, которая выходит за пределы привычных музыкальных вкусов — хотим их тоже хорошо рекомендовать.
Александр Сафронов в офисе Яндекса
«МЫ НЕ МОЖЕМ НАПРЯМУЮ ПОДКЛЮЧИТЬСЯ К МОЗГУ, ПО КРАЙНЕЙ МЕРЕ, ПОКА»: КРАСНЫЕ ЭКСПЕРИМЕНТЫ И ЭМОЦИОНАЛЬНЫЙ ОПЫТ
— Раньше радиостанции верили, что человек хочет слушать знакомое. И боялись поставить что-то новое, потому что человек переключит волну. Удивительно, что вы исходите из противоположной гипотезы — помогать открывать новое. Были страхи, что она не сработает?
Сафронов: Дело в том, что это одна из сложнейших задач для рекомендаций.
Перед запуском Моей волны мы часто сталкивались с такой ситуацией: мы изменяем алгоритм так, чтобы он делал поток более разнообразным, подкидывал пользователям новинки, а им это не нравится, они сразу пропускают эти треки.
Сагалович: Мы называем это “красные эксперименты”. Это когда наши ключевые метрики снижаются.
Сафронов: Красный цвет — все, не катим.
Сагалович: У нас было больше полугода “красных экспериментов”. Когда команде было очень тяжело даже продолжать в это верить. Раз красный, два красный, три красный — не нравится, не подходит.
Сафронов: Есть тысячи способов повышать разнообразие потока, но только один из тысячи будет таким, который понравится пользователям. И в конце концов, мы нащупали такой.
Сагалович: И когда это произошло, запустили Мою волну.
Сафронов: Мы системно работаем над тем, чтобы сделать рекомендации лучше. У нас происходят изменения, которые нас продвигают дальше и дальше в плане открытия новой музыки, шаг за шагом.
— Поразительно, что можно вычислить зависимости и в соответствии с ними найти треки, которые мне понравятся. Это именно так? Или только до некоторой степени?
Сагалович: Саша интересно рассказывает, что значит «треки, которые мне нравятся» — это не только отдельный трек, который ты лайкнул и сохранил в коллекцию. Это и отдельный трек, и их последовательность, и магия, когда после 2Pac «Ambitionz Az A Ridah» вдруг играет Ogi «Envy». Это аудиослепок трека по ритму, или по вокалу, или это набор любимых артистов. Для каждого слушателя это уникальное сочетание различных параметров. Только человеку не под силу сделать такой бесконечный музыкальный поток, который понравится хотя бы одному конкретному человеку, а технологии рекомендаций бесконечно упражняются в этой магии.
Сафронов: Мы хотим улучшить эмоциональный опыт. То, что происходит внутри человека, когда он слушает музыкальный поток. Эмоции — наша настоящая цель, их сложно замерить. Мы не можем напрямую подключиться к мозгу, по крайней мере пока, и замерить уровень гормонов счастья. Поэтому мы оцениваем эмоциональный эффект от рекомендаций множеством разных метрик. Один из способов замерить чувство новизны — лайки на первом прослушивании. Моя волна включает незнакомый трек, а пользователь сразу же ставит ему лайк. Значит, рекомендации угадали!
Сагалович: У нас какое-то время не было скипбека — в Моей волне нельзя было отмотать трек назад. И мы получали много запросов: «Пожалуйста, можно “сделать назад» в Моей волне, Я не успел поставить лайк, потому что не успел добежать из другой комнаты, не успел разблокировать телефон». Было видно, что для людей это очень важно.
Александра Сагалович в офисе Яндекса
«ЕСЛИ МОИ ВКУСЫ СТАЛИ МЕНЯТЬСЯ, ТО МОЯ ВОЛНА БУДЕТ ЗА МНОЙ СЛЕДОВАТЬ». ЧТО У АЛГОРИТМА ПОД КАПОТОМ
— Расскажите о начальном этапе знакомства с алгоритмом. Я впервые включаю Мою Волну. Как вы быстро поймете, что мне надо?
Сафронов: Это важный этап, хотя не определяющий. Во-первых, когда пользователь впервые знакомиться с Яндекс Музыкой, мы просим его ответить на вопросы — какие артисты нравятся, какие жанры. Это первое знакомство, которое помогает Моей волне лучше понять слушателя.
Особенность наших рекомендаций в том, что мы стремились сделать их очень чувствительными к фидбэку пользователя. Как только человек что-то делает на Яндекс Музыке — скипает, лайкает, дослушивает до конца — это мгновенно прорастает в рекомендации, мгновенно используется.
Сагалович: Любой фидбэк, любое действие на сервисе — ты поискал артиста, ты послушал или не послушал, пропустил или не пропустил, прокрутил или не прокрутил витрину, поставил лайк или дизлайк…
Тут имеет большое значение скорость сбора, анализа и реагирования на фидбэк пользователя. Очень важно научиться как можно быстрее и больше фидбэка получать. Если мы адаптируемся к новому фидбэку раз в сутки, то это критически медленно. Потому что ты сегодня уже будешь недоволен.
Сафронов: Таким образом, мы подстраиваемся [под слушателя] не раз в сутки, а с каждым треком.
Сагалович: И даже с каждым действием.
Сафронов: Если ты в начале поставил много лайков трекам, то это не определяет целиком всю твою судьбу на сервисе. Даже если я поставил тысячи лайков трекам и наслушал много-много часов, а потом мои вкусы стали меняться, то Моя волна будет за мной следовать. Пользователь ведет в этой паре, а рекомендации стараются улавливать, куда их ведут. Если пользователь идет в новую область, рекомендации будут его в этом поддерживать.
Сагалович: Или это они его туда и приведут. Такое тоже бывает.
— Если я просто слушаю и ничего не нажимаю, не даю никакой фидбэк, я остаюсь непонятым для алгоритма рекомендаций?
Сагалович: Ты даешь фидбэк, даже если не знаешь об этом, поэтому он и называется поведенческим.
Сафронов: Сам факт того, что ты что-то слушаешь — это уже фидбэк. Дальше, если ты дослушал трек, это одна ситуация, а если скипнул — это другая ситуация…
Сагалович: Если ты вернулся в продукт, это тоже фидбэк. Если ты заходил на сервис каждый день по пути на работу, а на следующей неделе зашел только раз, то есть вероятность, что ты уехал в отпуск и изменился поведенческий сценарий. А вторая гипотеза — что тебе что-то не понравилось на прошлой неделе, что-то было не так.
Или у нас было опасение при запуске немузыкального контента (книги, подкасты), что люди будут слушать меньше музыки. Но нет, оказалось, что они просто стали больше слушать.
Так вот, любое поведение, даже бездействие, дает фидбэк. Другой вопрос, как модель считывает его вес. Если ты просто поискал артиста, то это менее значимый фидбэк, чем если ты послушал трек, лайкнул, добавил в коллекцию, а потом переслушал трек из коллекции.
— Я правильно понимаю, что логика рекомендаций часто такая: я слушаю Скриптонита, те, кто слушают Скриптонита, нередко слушают Оксимирона, значит, нужно и мне предложить Оксимирона, если я его раньше не слушал. Или все более сложно?
Сафронов: Это определенное упрощение, но это один из базовых принципов, да. Это называется коллаборативными методами — методы, которые основаны на похожести артистов. Есть много разных способов посчитать похожести. Что такое два похожих исполнителя? Они могут быть похожими сильно в разном смысле…
Но это не единственный возможный класс рекомендационных алгоритмов. Есть другой большой класс алгоритмов, которые основаны на контенте. То есть можно смотреть на поведение пользователей, а еще можно заглядывать внутрь самого звука, внутрь самого трека. Мы анализируем контент, звуковое содержание трека, его аудиослепок.
И даже если на этом треке не было вообще никаких событий, даже если его никто никогда не слушал, мы по звуку можем догадаться, что он тебе подходит. Что именно по звучанию, по содержанию он похож на ту музыку, которая тебе нравится.
Сагалович: Мне кажется, тут рождается много магии. Потому что большинство людей не может полностью сформулировать, какое звучание они любят. А модель может увидеть это в тебе. Поэтому тип алгоритмов, основанных на контенте, помогает происходить очень неожиданным открытиям.
Александра Сагалович и Александр Сафронов в офисе Яндекса
— Как просто объяснить термин аудиослепок?
Сафронов: Это нейронная модель, которая на вход берет спектрограмму трека, как-то преобразовывает и…
Сагалович: Это как нарисовать звук, получить картину звука.
Сафронов: Когда ты сам сравниваешь треки, которые алгоритм посчитал похожими, то замечаешь, что у вокалистов могут быть очень близкие тембры голоса или манера исполнения. Аудиомодели позволяют такие сближения находить.
— Если треки на разных языках — это важно для алгоритма?
Сафронов: Зависит от специфики модели, ведь их можно обучать на разные задачи. На что попросишь, на то они будут обращать внимание.
Сагалович: Алгоритмы — это инструмент. Есть человек, который говорит алгоритму, что делать. Например, «ищи уникальные необычные треки» — что-то, что может зайти пользователям, но пока не популярно.
Если мы говорим о том, чем отличаются рекомендации — как раз тем, насколько команда сервиса осознает, что она хочет получить.
— Еще один профанский вопрос, алгоритмы и нейросети — это одно и то же?
Сафронов: Нейросеть — частный случай алгоритма. Наши рекомендации используют не только нейросети. У них под капотом много-много всего.
Во-первых, у нас есть Catboost — это наш главный инструмент для машинного обучения. Есть много других специализированных моделей — и это не нейронные сети. А есть просто статистики. То есть, мы можем по нашему рекомендационному алгоритму на вход подать статистику: какие треки слушают, сколько раз ты этот трек слушал, все что мы знаем.
И много-много разных сигналов от такой нейронной сети, от коллаборативных моделей, от аудиомоделей сводится в одном месте. И потом общий генеральный алгоритм выбирает, что важно, а что нет, для данного пользователя.
— Рекомендации учитывают географию? Условно, если я живу в Сочи, то мне нужно больше веселой музыки, а если в Нижневартовске, то шансон и пост-панк.
Сафронов: Сильной зависимости нет. Определяющим является твое текущее поведение на сервисе. Геопозиция может иметь небольшое косвенное значение, особенно для холодных пользователей, о которых мы еще мало знаем.
Было множество такого рода гипотез. Все рано или поздно предлагают: “А давайте подстраивать алгоритмы рекомендаций под погоду, если дождик за окном…” Но это не особенно работает. Это не очень важный сигнал. Люди настолько разнообразны, они сложно устроены!
Сагалович: Все мы на дождь будем реагировать по-разному.
«500 ЛЕТ КРУГЛОСУТОЧНОГО ПРОСЛУШИВАНИЯ — АЛГОРИТМ ЭТО МОЖЕТ». КАК ПОМЕНЯЕТСЯ СЛУШАТЕЛЬСКИЙ ОПЫТ
— До какой степени появление таких алгоритмов упраздняет профессию музыкального критика?
Сагалович: Ну это любимый вопрос, какие профессии заменят… Мне кажется, мы решаем совершенно разные задачи. Критик — это человек, который может экспертно оценить значимость контента для культуры. А алгоритм — значимость лично для тебя. Критик это эксперт в культуре, а алгоритм — эксперт в тебе.Поэтому не думаю, что алгоритмы упраздняют профессии музыкальных редакторов, музыкальных критиков.
— Поменяется ли тогда сценарий слушания музыки? От осознанного «хочу послушать этот альбом этого артиста» на неосознанный «просто включу поток песен»?
Сафронов: Не то чтобы мы прям именно этого хотим, я бы немножко с другой стороны здесь зашел. Это, опять же, вопрос целеполагания и общей философии: зачем нам рекомендации. Что мы хотим в результате получить?
Как мне кажется, рекомендации в стриминговых сервисах — одна из важнейших функций. Как раньше люди узнавали про какую-то музыку, как они что-то слушали? Им знакомые могли посоветовать, они могли в музыкальном журнале прочитать обзор, могли на радиостанции послушать, на музыкальном канале. Это все равно не персональные истории, очень ограниченные.
А что делают рекомендации? Сейчас на Яндекс Музыке приблизительно 80 миллионов треков. Это приблизительно 400 миллионов часов или 500 лет круглосуточного прослушивания. Ни один эксперт все это не отслушает. А алгоритмы могут отслушать и что-то выбрать для тебя.
И смысл развития рекомендаций, мне кажется, в расширении твоего мира музыки, устранении всех ограничений. Ты можешь сделать музыкальные открытия, на которые без рекомендаций у тебя ушло бы 500 лет.
Алгоритмы проделали за тебя огромную работу, и ты понимаешь, что больше не стоишь в своем дворе на маленькой улочке — ты на ракете взлетаешь и можешь всю планету осмотреть.
Сагалович: Каждую пятницу выходят десятки тысяч релизов. С такой скоростью пополнения музыки паттерн слушания не может не меняться. Альбомов выходит меньше — артисты все чаще выпускают отдельные синглы, индустрия стала более динамичной, все ждут новинок. И мы как стриминговая платформа — часть этой культуры, мы эволюционируем вместе с культурой. Поэтому еще важнее становится роль правильной навигации, чтобы найти свой личный путь среди 80 миллионов треков.
Александра Сагалович в офисе Яндекса
— Вы способны непредвзято сравнить ваш алгоритм с конкурентными продуктами?
Сагалович: Мы очень конкурентолюбивые ребята, мы за здоровый рынок, здоровое соперничество. Чем больше людей работает над технологической задачей, тем лучше результат.
Рекомендационные продукты — они же не только в музыкальных стримингах живут, но и вообще в категории контента. Сашина команда также занимается видеорекомендациями для Кинопоиска, и это совершенно другой класс, там есть условный Netflix. Есть TikTok, который благодаря своим алгоритмам изменил весь подход к соцсетям.
Было как — мы с тобой знакомы, мы учились вместе, значит, мы добавили друг друга в социальных сетях. А у них во главе алгоритма встали круги интересов. Я люблю танцы, ты любишь танцы, и не важно, где мы живем. Это кардинальное изменение подхода, потрясающая история, которая нам очень нравится и на которую мы смотрим с точки зрения того, как ломать шаблоны.
TikTok потрясающе работает с холодным стартом. Это одна из стратегических точек, на которую они делают ставку. Мы, конечно, на это смотрим, потому что у них это круто получается.
Большая важная часть работы над рекомендациями заключается в том, что без данных живых людей алгоритм не может обучаться и работать. Таким образом тот, у кого больше данных и людей, которые взаимодействуют с технологией и обучают ее более чутко, имеет большую гибкость, больший эффект от работы и быстрее развивает свои алгоритмы. Тут нельзя игнорировать Spotify — мировой лидер, несравнимый ни с кем с точки зрения объема аудитории.
У Spotify есть потрясающий набор возможностей для обучения. Но если говорить о локальной специфике, у нас гораздо больше экспертизы и возможностей. Потому что мы один из крупнейших игроков по размеру аудитории в целом и абсолютно точно — лидер в России среди подписных музыкальных сервисов. И у нас есть мощные технологии, так как мы часть большого Яндекса, и сильные технологические команды.
Также у нас есть преимущество в объемах данных, потому что сервис очень популярен. Это позволяет нам быстрее внедрять новые подходы, быстрее их проверять, больше экспериментов проводить, больше гипотез тестировать.
Мы проверяли полгода, и не могли найти ключик как сделать так, чтобы Моя волна давала кратно больше новых треков, которые пользователь сохранял себе. Если бы у нас было меньше аудитории или данных, мы бы делали это не полгода, а несколько лет. И могли бы и не сделать, потому что есть определенное количество данных, необходимые, чтобы этого достичь.
Spotify тоже развивается, но при этом… До Моей волны у нас флагманским рекомендационным продуктом тоже были плейлисты. И мы чувствовали ограничения, которые они дают: и про обновляемость, и про конечность, и про отсутствие разнообразия, и про меньший эффект удивления, потому что ты уже посмотрел весь список треков и уже сформировал свое мнение.
— Какой фидбэк от артистов по поводу Моей волны?
Сагалович: Я в восторге каждый раз, когда мне присылают комментарии артистов.
За счет того, что критерии заслушанности артиста не являются основополагающими для Моей волны, она сокращает путь артиста к своим слушателям. Один из наших ярких кейсов — это рэпер Keendy. У него было в феврале 582 слушателя. Это можно посмотреть на сайте Яндекс Музыки. А в марте у него уже был миллион слушателей.
Это сумасшедший кейс — в момент парня стал слушать миллион живых людей. Моя волна заметила некий интерес — взаимодействия с треком, лайки, прослушивания. И отреагировала на это — начала искать еще больше новых слушателей для него.
В среднем где-то на 40% растет аудитория у артиста, который, как мы называем, залетел в Мою волну. Для молодых артистов это большая возможность, потому что алгоритм беспристрастен. В этом его отличие от редакционной модели, по которой традиционно многие работают.
Что это значит? Вот вышел у тебя трек. Если тебя сегодня послушали десять человек, то ты с вероятностью 71% попадешь завтра в Мою волну. Если тебя послушают 250 человек сегодня, то ты с вероятностью 99,9% попадешь в Мою волну.
Дальше все зависит от фидбэка. Твою музыку дослушали, не дослушали, сохранили, как они относились к тебе в момент прослушивания. Но беспристрастность алгоритма позволяет находить слушателей в разы быстрее.
Естественно, для средне-популярных артистов Моя волна делает еще больше. Потому что когда у тебя уже есть накопленная база миллион-полтора-два слушателей, то эффект от роста на 40% — будет еще выше. Это задача, которую мы как лидер индустрии, должны решать. Системно давать возможность начинающим артистам расширять аудиторию и находить своих слушателей.
И Моя волна как раз позволяет это делать.