Вы погрузились в проект, уверенный, что справитесь. Включенные вами функции кажутся идеальными. Ваша уверенность растет, и вы готовы предложить свой продукт обожающей публике или вашему клиенту. Только когда вы это делаете, все идет не совсем так, как вы планировали.

Вы протираете глаза, моргаете несколько раз и снова читаете отзывы. Там ошибка, да? Вы ослеплены. Ваши обзоры менее чем звездные. Что пошло не так?

Вы карабкаетесь, пытаясь найти ответы. Что, если вы добавите больше функций? Это поможет? О, возможно, проблема заключалась в сложности функции, которую вы добавили. Возможно, вам следует снова поговорить со своими клиентами и посмотреть, что произошло. У вас скрутило желудок, и ваш внутренний инстинкт был отключен. Есть ли данные, которые могут помочь вам понять это?

Ты опускаешь голову на руки, расстроенная и усталая. Как вы можете сделать это лучше? Что еще нужно? Ощущение переполняет вас, когда вы отчаянно ищете выигрышную комбинацию, которая заканчивается счастливым клиентом.

Вместо того, чтобы пройти через эту знакомую суматоху, что, если бы вы подумали о другом подходе к своему бизнесу?

Есть ли другой способ создать продукт, который будет встречен с энтузиазмом?

Поможет ли понимание основ машинного обучения? Математика машинного обучения (ML) может предложить решение вашей головоломки, когда речь идет о диагностике недовольных клиентов.

Машинное обучение начинается с наилучшей отправной точки. Затем он постепенно улучшает модель, пока она не будет точно предсказывать ответ.

Что интересно в этом, так это то, что проблемы, с которыми он сталкивается на этом пути, аналогичны тем, с которыми нужно ориентироваться при поиске подходящего продукта для рынка. Учтите, что машинное обучение может быть построено так, чтобы не соответствовать обучающим примерам, или может быть построено так, чтобы они соответствовали примерам. Это все меняет. У машинного обучения есть математически проверенные варианты решения проблем как с недостаточным, так и с избыточным соответствием.

Машинное обучение предлагает математически проверенные варианты

Диагностика недостаточной подгонки: Это можно обнаружить, когда точность обучающих примеров низкая. Причиной может быть слишком простой подход к обобщению прогноза. Это приводит к тому, что ваша модель может предсказать правильный ответ для нового набора примеров.

Для неподходящих моделей можно попробовать:

  • Добавить больше функций
  • Добавьте больше сложности
  • Уменьшить регуляризацию (способ сглаживания кривых)

Диагностика чрезмерной подгонки: это можно обнаружить, когда точность ваших обучающих примеров велика, но когда вы публикуете их для более широкой аудитории, вы получаете неутешительные результаты. Возможные причины могут заключаться в том, что подход к прогнозированию слишком сложен. Это приводит к тому, что ваша модель не может предсказать правильный ответ для нового набора примеров.

Для моделей с переобучением можно попробовать:

  • Получить больше данных
  • Иметь меньше возможностей
  • Удалить сложность
  • Увеличить регуляризацию (способ сглаживания кривых)

Думайте о недооснащении и переобучении машинного обучения так же, как о смешанных реакциях во время бета-тестирования или о том, что вы получаете потрясающую реакцию на бета-тестирование, но по-прежнему видите смешанные реакции при запуске продукта.

Недостаточное соответствие вашего продукта означает, что вы обобщили характеристики и сложность вашего продукта до такой степени, что он не подходит ни для одного сегмента клиентов. Машинное обучение требует добавления дополнительных функций и сложности, чтобы оно лучше соответствовало тренировочному набору. Общаться с большим количеством клиентов и быть более разнообразным никогда не помешает, но в первую очередь вашим приоритетом должно быть найти продукт, соответствующий рынку, с помощью бета-тестеров, которые у вас уже есть.

Стремление добавить больше функций и усложнить может легко подтолкнуть вас к переоснащению. Это будет означать, что вы настроили продукт до такой степени, что он перестал быть достаточно универсальным для более широкой аудитории. Вашей целью всегда должно быть общение с большим количеством клиентов и инструментарий вашего прогресса.

Один из возможных способов адресовать бета-тестерам переоснащенный продукт, добавив больше разнообразия в вашу команду. Легко быть предвзятым, если вы и ваши бета-тестеры начинаете разделять одно и то же мнение. Увеличение базы бета-тестирования — хорошая идея, если вы видите эту проблему. Вы хотите уменьшить сложность и количество функций, да, но вам также необходимо увеличить количество интервью с клиентами. Это предлагает вам оптимальный баланс.

Проблемы диагностики как в ML, так и в продуктах поразительно схожи. Тем не менее, ML имеет математический процесс, который измеряет каждый шаг. Это позволяет повторять. Имейте в виду, что некоторые рычаги для вашего продукта также могут быть субъективными, и, следовательно, объективная культура, основанная на данных, в вашей команде поможет вам принимать и принимать лучшие решения.

Правильный уровень — это инструментарий, необходимый для того, чтобы продукт понял, подходит ли он к рынку продукта или расходится с ним.

Как вы проводите интервью с клиентами? Как вы в настоящее время решаете проблему недостаточной и чрезмерной подгонки для вашего продукта? Я хотел бы услышать.

Отказ от ответственности. Высказанные мнения являются исключительно моими собственными и не отражают точку зрения или мнение моего работодателя. Эта статья предназначена только для информационных и образовательных целей.