Что вы можете узнать из моего опыта на Booking.com

Прошел почти год с тех пор, как моя продуктовая команда начала работать с моделями машинного обучения. Мы используем их, чтобы показывать самые подходящие номера людям, которые ищут жилье.

На веб-сайтах, загруженных различными вариантами и предложениями, модели прогнозирования могут быть удобным способом помочь людям быстро разобраться в большом количестве вариантов, сосредоточив внимание на том, что для них лучше всего.

Модели машинного обучения также называются алгоритмами прогнозирования, и хотя между ними есть разница, по сути, они показывают вероятность того, что что-то актуально для человека, просматривающего веб-сайт.

Я обнаружил, что мне нужно понять, что на самом деле делает модель, чтобы знать, какую копию писать. Это заставило меня читать и задуматься о ремесленных и этических аспектах UX-письма и машинного обучения, чтобы продолжать писать ответственно (то есть точно, честно и прозрачно).

Прежде чем доверять мне что-либо, пожалуйста, отнеситесь к этой статье с недоверием. Хотя некоторые прогнозы модели могут попасть в яблочко, другие могут оказаться совершенно неверными, поскольку мы пытаемся что-то предсказать с неполными знаниями.

Иногда копирование и дизайн UX могут быть идеальными, но модель имеет несовершенный прогноз. Это может нанести серьезный ущерб репутации вашего бренда, поскольку вы можете искренне рекомендовать то, что может не подходить людям. Верно и обратное. Сочетание идеальной модели с неточной копией и дизайном может привести к тому, что рекомендация будет полностью проигнорирована.

Не существует универсальной формулы, применимой ко всем продуктам, использующим машинное обучение, даже в рамках одной компании. Тем не менее, я считаю, что обмен опытом написания UX на машинное обучение - это хорошо. Мы должны начать разговор, который будет важным для будущего нашей профессии. По мере развития таких технологий, как машинное обучение, мы тоже должны развиваться - особенно в том, насколько ответственным является наш подход к копирайтингу для машинного обучения. Не стесняйтесь присоединяться к беседе и делиться своими взглядами и опытом в комментариях.

Понять модель

Как и в случае с любым другим продуктом, вы не можете писать о нем, если не понимаете, о чем он. Написание UX для продуктов, основанных на алгоритмах, почти то же самое. Он включает дополнительный шаг, чтобы понять суть способов, которыми алгоритм производит свои вычисления.

Если вы работаете в производственной команде, участвуйте в обсуждении с того момента, как идея алгоритма начинает зарождаться. Если вы фрилансер, пишущий для продукта, основанного на алгоритмах, напрямую общайтесь с специалистом по анализу данных. Это поможет вам понять суть логики предсказания. Понимание цели модели и логики прогнозирования, которую она использует, помогает нам писать более точно и прозрачно.

Понимание алгоритма не означает, что вы должны понимать суть таких вещей, как линейная и случайная структура модели леса (это все еще для меня тоже проблема). Вам нужно поговорить со своим инженером по науке о данных и попросить его объяснить (на человеческом языке), какие функции принимает во внимание модель.

Это могло быть просто. Допустим, модель проверяет ваши бронирования отелей, чтобы понять, какие удобства для вас наиболее важны. Он также проверяет людей из вашего района, которые едут к месту назначения, и их оценку этим удобствам. Еще одна особенность, которую он принимает во внимание, - это то, какие объекты больше всего фильтруются в пункте назначения, в который вы путешествуете.

В зависимости от места или решения, которое вы принимаете, вы можете написать что-то вроде этого:

Ты понял. Все они отчасти говорят об одном и том же - помогают человеку понять, чего они могут ожидать. Однако способ передачи сообщения отличается.

Количество деталей - это ваше решение. При написании текста UX для объяснения алгоритма у вас может быть много подходов к объяснению что, почему и как. Какой из них вы выберете, зависит от вас. Вы можете решить, основываясь на этапе пути пользователя или влиянии конкретной функции на человека.

Пытаясь найти лучший ответ на эту дилемму, я разработал набор указателей для принятия решений, которые облегчают мою жизнь.

Подход к написанию UX: общий или явный

Я делю текст на общие и явные категории, и ни одна из них не является ни лучше, ни хуже. Предположим, простой алгоритм предсказывает, что вы, скорее всего, забронируете номер с бесплатной отменой, потому что в основном вы делали это в прошлом. Вот классификация потенциальных подходов к копированию, которые я создал для собственного рассудка и структуры.

Общий

Если у вас мало места для объяснений, вы можете попробовать поделиться только основной информацией, как в разделе «Лучшие варианты включают бесплатную отмену». Вы рассказываете человеку, что он видит, но не вдаваясь в подробности того, почему он это видит. При этом вы не углубляетесь в объяснение предсказаний алгоритма.

Частично общий

Вы можете протестировать более разговорный тон, как в «Сначала мы показываем варианты бесплатной отмены» или «Возможно, вас заинтересуют варианты бесплатной отмены», но из-за нехватки места все еще не углубляясь в логика предсказания. В первом варианте вы укрепляете доверие, объясняя причину заказа. Второй - в форме легкого подталкивания, предложения, но самостоятельность выбора остается за человеком, ищущим комнату.

Явный

Вы можете предложить более подробное объяснение, которое поможет пролить свет на логику алгоритма прогнозирования, например, в разделе «Первые результаты включают бесплатную отмену, потому что вы забронировали его ранее. »Или разделив его на две строки (заголовок и подзаголовок), как в« Лучшие варианты включают бесплатную отмену на основе ваших предыдущих поездок с нами ». Очевидно, что для последних двух вариантов вам понадобится дополнительное место.

Итак, это будет краткий обзор моих личных теорий и классификаций. Это помогает мне построить серию экспериментов A / B-тестирование структурированным и стратегическим образом. С его помощью я стремлюсь получить четкий ответ на вопрос, что наиболее полезно для путешественников, пользующихся Booking.com. В то же время это помогает мне учиться, сравнивая влияние, так что я могу улучшить как свое мастерство, так и пользовательский опыт.

Как это работает Spotify

Чтобы проиллюстрировать это знакомым примером, давайте посмотрим, что я видел в своей учетной записи Spotify несколько дней назад. На одной странице они использовали как явный, так и общий подходы.

Общий

В разговорном тоне, включая заголовок и подзаголовок, мне сказали, какие песни предлагаются (грустные), но не объяснили почему. Поскольку ставки невелики, можно оставить это без дополнительных подробностей. Как пользователь, я знаю почему - это исходит из того, что я недавно слушал.

Явный

Используя полное пространство подзаголовка для объяснения, я могу узнать, что алгоритм сделал предсказание альбомов, которые мне нравятся, на основе моих предыдущих музыкальных предпочтений. Я знаю не только что, но и я знаю, почему и как делается прогноз.

Алгоритм предлагал обе эти музыкальные композиции. Он основан на том, что я слушал или что нравилось другим людям, которые слушали подобную музыку, и т. Д.

Тем не менее, один из них объяснил, почему («потому что вы слушали»), а другой - нет.

И это нисколько не сделало его менее этичным. В данном случае это скорее выбор стиля, поскольку влияние на меня не так велико. Если бы каждый подзаголовок имел «основанный на том, что вам нравится…», он мог бы потерять свою силу, и я мог бы стать слепым. Более важно знать, что более уникальный раздел - Новые альбомы - основан на том, что мне нравится, а не на одном из многих разделов настроения. Тем более, что Spotify знает, что я редко использую предложения, основанные на настроении.

Я ожидал бы пояснительной части «потому что» в тексте, если бы ставки были выше. Это произойдет в случае, если алгоритм предсказывает, что песни мне нравятся, и просит меня потратить на них деньги. Кроме того, объяснение поможет, когда у меня будет возможность напрямую настроить алгоритм и удалить / добавить параметры, которые мне нравятся.

Итак, в зависимости от того, что поставлено на карту, вы можете искать больше или меньше объяснений, но это должен быть ваш осознанный выбор. Если ваше письмо касается конфиденциальных вещей, например чьего-либо кошелька, будьте как можно более откровенными. В противном случае решать вам, какое пространство и стилистический выбор вы хотите сделать. Это решения, которые вам придется принимать с моделями машинного обучения или без них. Как UX писатель, вы будете основывать свои решения на принципах, которыми руководствуется ваш подход.

Быть ответственным. Присвойте вес всем ингредиентам - чувствительности сообщения, его размещению, стилю, тону голоса и его согласованности с остальной частью пути пользователя.

Всегда пишите ответственно

У моей команды есть неписаное соглашение. Мы не используем модели, которые не можем объяснить четко и комфортно. Алгоритмы могут дать нам большое преимущество, но они также влекут за собой огромную ответственность.

Модели часто включают в себя огромное количество функций, поэтому невозможно даже описать все. Это одна из причин, по которой мы недавно объединили усилия с группой отличных специалистов по обработке данных и разработчиков из нашей компании. Цель состоит в том, чтобы создать основу, которая поможет выделить наиболее важные особенности для каждого человека.

В то же время это поможет мне воплотить эти функции в решение, которое работает с опытом. Это требует включения множества заполнителей в текст и одновременной работы с переводами на 40+ языков. Все это стоит усилий, поскольку ожидаемые результаты станут важной вехой для сотрудничества в области машинного обучения и пользовательского опыта.

У вас может не быть такой структуры, чтобы сказать вам, какие функции наиболее важны для каждого человека. Тем не менее, вы можете положиться на знание своего продукта и пользовательское тестирование, чтобы понять, что волнует людей. Если есть совпадение между функциями, которые включают модели, и тем, что волнует людей, напишите об этом. Подчеркните, что помогает людям принимать обоснованные решения, купаясь в море алгоритмических прогнозов.

Бросьте вызов своему специалисту по данным и своей группе разработчиков. Попросите их использовать модели только для того, чтобы помогать людям, не подталкивая их к покупке того, что им не нужно. Доверие и лояльность намного важнее, чем разовые финансовые победы.

Применение машинного обучения в электронной коммерции набирает обороты. Наша обязанность как писателей оставаться честными, понимающими и полезными тоже должна стать более зрелой. Вы согласны?

Мы всегда находимся в поисках новых писательских талантов. Хочешь к нам присоединиться? Подайте заявку здесь .

Спасибо Стивену Багули за обширное редактирование и Саре Уилсон за дополнительную пару глаз