#common

Аналитика на фронте 1/2.

Часто в разных продуктах можно встретить анализ каких-то пользовательских действий на клиенте (в нашем случае фронтенде), т.е. в приложении. Позже они используются для аналитических и не только штук. Как это используется и почему это нужно делать на клиенте, я сегодня верхнеуровнево и расскажу (с примерами из Лавки).

В основном для анализа важны агрегированные и анонимизированные данные о поведении пользователей – это позволяет нам делать приложение еще лучше и удобнее. Важно понимать, что даже агрегированные данные хранятся аккуратно и без лишней информации. Хотя для рекомендаций и персонализации, например, поиска иногда нужно понимать действия конкретного покупателя, но и это означает отсутствие открытых данных пользователей.

Теперь давайте поймём, почему данных на бекенде может быть недостаточно.
Взаимодействие фронтенд-бекенд обычно выглядит как дёрнули endpoint, получили данные и что-то отобразили пользователю. После этого пользователь может совершать множество разных действий, про которые на бекенде ничего не известно. Например тот факт, что клиент (фронтенд) запросил информацию от бекенда, не означает, что пользователь увидел эти данные; или что он в приложении что-то покликал и сделал какие-то важные для бизнеса действия; или невозможно на бекенде понять, как много пользователь провёл времени в приложении.

Какие пользовательские события можно анализировать?

Из полезного можно смотреть на просмотр контента пользователем. Если смотреть на сервисы вроде instagram/tiktok (у которых контент – основной инструмент привлечения пользователя) то им важно анализировать какой контент и как долго смотрит пользователь. От этого зависят их рекомендации – если пользователь долго смотрит видео с котиками, значит ему вероятно стоит показывать такого контента больше. Хотя конечно тут есть более сильные сигналы вроде лайка/дизлайка, которые также говорят, стоит ли подобное рекомендовать (однако я слышал, что в некоторых сервисах на дизлайки почти не смотрят). Но сегодня рексистемы у таких сервисов довольно мощные, чтобы суметь распознать ваши предпочтения по просмотрам (я например нигде ничего не лайкаю, но контентом наслаждаюсь).