Можно ли использовать нейронные сети для классификации пользователей?

Question

[Retsot]

У финтех веб-сервиса есть десятки тысяч активных зареганых юзеров в день.
Значительная часть их использует один продукт в рамках сервиса (продуктов несколько).
Но некоторые в какой-то момент переходят на использование двух и более.

Есть желание кластеризовать их по типу поведения, чтобы выявить "путь" от состояния "использует 1 продукт" до состояния "использует 2+ продукта".

Answer 1

[Lander]

Можно, но ИМХО это "из пушки по воробьям". Лучше использовать некое подобие тегов, которые навешиваются на пользователя и по этим тегам выбирается подходящий продукт... ну во всяком случае я бы так сделал.
Хотя нейронные сети могут дать оценку примерной конверсии пользователя для какого то продукта. Вообщем надо экспериментировать.

Comments

[Retsot]

Теги же тоже надо как-то размечать?

Мысль была в том, чтобы взять определённый набор событий присущих всем пользователям, далее найти конкретные примеры того какие события приводят к пробе нового продукта в сервисе и дать это в качестве обучающей выборки для нейронки.
А дальше чтобы она сама нашла эти паттерны по остальным пользователям, кто уже "почти готов" попробовать новый продукт в рамках сервиса.

[Lander]

Retsot: Ну вообще идея очень интересная! Можно на досуге даже обдумать её... Но вот беда, можно вложить много труда в разработку, а потом окажется что от поведения пользователя его конвертируемость ВООБЩЕ никак не зависит. Поэтому я бы сначала попробовал на простых методах анализа.
Берем ключевые поведенческие точки, на каждую вешаем свой тег 'auth' (пользователь не боится оставлять свои контактные данные), 'bussines' (у пользователя скорее всего собственный бизнес), 'optimization' (пользователь интересуется вопросами эффективности) и так далее... пишем при достижении этих точек в сессию все эти теги и рекомендуем продукт, у тегов которого больше всего совпадений с тегами пользователя.

[Retsot]

Если их руками раскидывать, то это накладно (юзеров много), а если автоматом, то должна быть система выявления того, что пора поставить тег. Для авторизации это просто, а вот понять чем юзер интересуется не очевидно.

Грубо говоря есть 10 продуктов и чаще всего пользуются каким-то одним. Пока работает простая коллаборативная фильтрация (пересечения использования продуктов), на базе которой людям рекомендуются новые продукты. Она работает, но не очень это интеллектуально как-то :)
И есть ощущение, что отлавливать сценарии поведения может быть эффективней.

[Lander]

Retsot: К сожалению я не знаю как устроен Ваш проект, но я не предлагал ручками теги на пользователей вешать. Я имел ввиду задать страницам (или элементам) теги, и как только пользователь попадает на эту страницу, то на него вешается тег. Таким образом он как бы с сайта собирает теги, соответствующие его интересам и личностным качествам.
По интересам - самое просто - тематика статей. Для одних статей одни теги вешаются, бля других - другие...

[Retsot]

К сожалению не могу дать деталей о продукте :\
Если кратко, то что-то похожее на платежную систему. Внутри несколько продуктов. Все продукты широкого профиля, но какие-то юзеры упорно используют только один продукт, а не несколько.

И в какой-то момент юзер который использовал один продукт вдруг начинает использовать другой.
И есть гипотеза, что можно ретроспективно протрекать его путь до нового продукта. И потом стараться по этому "пути" проводить других юзеров, похожих на него.

Хотя наверно с таким механизмом кластеризации применений можно массу потом придумать.

Answer 2

[xmoonlight]

Логируйте:
1. Данные клиента: Акк, заголовки, сессию и т.д.
2. Переходы между страницами (цепочки URL)
3. Поведение на странице (ховеры и фокусы элементов, координаты мыши, клики, позиция станицы во ViewPort'е (scroll), ввод с клавиатуры, фокус вкладки)

Затем всё это дело сохраняете в базе и майните потом любые данные.

Comments

[Retsot]

А чем бы порекомендовали майнить такого сорта данные?

В идеале хотелось мы выявить кластеры пользователей, готовых к переходу на второй продукт.

[xmoonlight]

Retsot: не поверите: нейросетью! Делается на основе дерева связей по критериям, что описаны выше модель, тестируется на эталоне и затем прогоняется массив реальных данных через неё. На выходе - отсортированный список вероятностей.