应用程序中的个性化：使用方法实现的基本步骤

大多数定制项目都是从该工具开始的。团队决定需要建议，选择一项技术，将其集成，然后等待参与度上升。当它没有上升时，你会感觉“个性化对我们不起作用”。

问题很少出在技术上。就是没有方法。个性化不是您打开的功能；而是您打开的功能。这是一个由你主导的过程。与每个流程一样，有些步骤如果被忽视，就会影响结果。

本文适合那些已经了解个性化是什么并希望以规范的方式实施它的人。不是概念，而是执行路径，从最初的假设到对影响的诚实衡量。

步骤 1：从疼痛开始，而不是技术

第一步是抵制从解决方案开始的诱惑。在任何算法之前，问题是：个性化将解决哪些用户痛点？

无法应对特定疼痛的个性化成为一种装饰功能。仅仅因为可以推荐而推荐产品并不会改变任何重要的指标。

疼痛需要具体化。 “用户迷失在太多的选择中”是一种痛苦。 “重复通常的顺序是一项艰苦的工作”是一种痛苦。 “在门户网站上寻找合适的服务令人困惑”是一种痛苦。从痛苦中，个性化获得了目的和成功标准。

跳过这一步的错误代价高昂：团队投资于技术复杂性来解决没人遇到过的问题。

一旦疼痛被定义，下一步就是将其转化为可检验的假设。

一个好的假设的形式是“如果我们做了 X，我们预计 Y 会发生，并且我们可以通过测量 Z 来知道”。如果没有这种结构，个性化就会变成信仰的飞跃，你改变一些东西，却永远不知道它是否有效。

这里的关键点是在实施之前定义指标。如果个性化旨在促进重复购买，那么衡量标准就是重复购买率，而不是通用的“参与度”。模糊的指标会导致以后的解释出现偏差：团队会看到他们想看到的东西。

这一步将学习者与思考者区分开来。如果没有明确的假设和衡量标准，任何结果都可以合理化为成功。

个性化基于数据。第三步是诚实盘点：您拥有哪些数据、质量如何以及您可以合法使用哪些数据。

许多项目在这里发现了令人不安的事实。数据分散、不一致或不完整。看似丰富的行为历史，实际上却充满了漏洞。

还有法律层面的问题，这在巴西是没有商量余地的。用于个性化的每项数据都必须具有 [LGPD0 下的法律依据。映射步骤包括询问：我们是否有权为此使用这些数据？用户是否被告知？跳过这个问题会增加风险。

实际建议：以干净合法的方式从您已有的数据开始。不要通过等待可能永远不会到达的“完美数据”来延迟个性化，也不要强制收集您无法证明合理的数据。

有了痛苦、假设和数据，最重要的一步就是抵制构建尽可能先进的解决方案的冲动。

检验假设的最简单版本几乎总是最好的开始。一条直接的规则，“如果用户之前要求过这个，请突出显示它”，已经提供了价值并验证了这个想法。如果简单版本没有改变指标，那么复杂版本也可能不会。

想象一个送货应用程序测试促进回购增加订单的假设。第一步不是复杂的推荐引擎；它只是突出显示“再次请求”。如果这有效，就有基础进行更多投资。如果没有，就可以节省数月的工程时间。

复杂性有其地位，但作为已经证明其价值的事物的演变，而不是作为最初的赌注。

第五步是成熟团队的区别：在真实条件下测试个性化是否缺失。

这意味着让一些用户体验个性化体验，让一些用户体验标准版本，并比较第二步中定义的指标。如果没有这种控制，就不可能知道改进是来自个性化还是在此期间发生的任何其他变化。

这种严格性避免了最常见的陷阱：混淆相关性与效果。在我们推出个性化服务后，参与度有所上升，但它的上升是因为个性化还是因为我们还开展了一项活动？只有对照实验才能如实回答。

对于数字公共服务而言，这种关怀更为重要。影响公民获得服务的变革需要负责任地验证，而不是凭直觉启动。

最后一步结束循环。随着实验的运行，是时候查看指标并做出明确的决定了：个性化是否有效，是否有效，或者是否需要调整？

这里的纪律是接受负面结果。没有改变指标的个性化应该被逆转，而不是出于骄傲或因为它已经付出了努力而维持。沉没成本并不能证明保留那些无法交付的东西是合理的。

循环再次开始。定制不是一个永无止境的项目；这是一种持续的假设、测试和学习实践。每一轮都应该让团队比以前更了解用户。

这个论点很简单：有效的个性化不是最好技术的结果，而是最好方法的结果。

具体的痛苦、明确的假设、合法的数据、简单的开始、诚实的实验和基于测量的决策。这个循环，严格重复，比任何在黑暗中应用的算法都更有效。

使用方法进行个性化的团队会在每次迭代中了解其用户。通过猜测进行定制的团队会积累无人要求的功能和无人理解的指标。

如果你的团队已经尝试过个性化，但没有看到预期的影响，也许缺少的不是技术能力，而是流程。这里还有其他关于实验、数据和产品开发的文章讨论了这种方法。