Ответ
Проведу анализ данных:
- Когортный анализ — сравню retention новых пользователей до и после запуска уроков.
- Поведенческая аналитика — проверю, доходят ли пользователи до новых уроков (funnel analysis).
- NPS/опросы — соберу обратную связь о качестве контента.
Гипотезы для тестов:
- UX-проблемы: например, уроки сложно найти. Проверю через A/B-тест новой навигации.
# Пример метрики для A/B-теста (Python/pandas)
ab_test_data.groupby('variant')['subscription_rate'].mean()- Контент не релевантен: запущу персонализацию уроков на основе интересов (ML-рекомендации).
- Мотивация: добавлю геймификацию (бейджи за прохождение уроков).
Действия:
- Если проблема в discoverability — оптимизирую onboarding.
- Если в контенте — переработаю структуру уроков + добавлю превью.
- Если в ценности — усилю коммуникацию пользы подписки (email-цепочки).
Важно: сначала убедиться, что выборка статистически значима (t-test).