Автоматизация процессов в Medusa: как AI помогает улучшить пользовательский опыт

В компании Medusa активно внедряются технологии искусственного интеллекта для автоматизации внутренних операций, что позволяет значительно повысить эффективность работы. Автоматизация охватывает различные сферы, включая инженерные процессы, документацию, продажи и другие операции. Это позволяет команде сосредоточиться на более быстром выпуске новых функций для пользователей.

Обратная связь через отток пользователей

Хотя уровень оттока клиентов на платформе Medusa Cloud практически нулевой, некоторые пользователи прекращают использование сервиса на ранних этапах. В этом контексте отток становится ценным механизмом обратной связи, позволяющим улучшать Medusa Cloud и выявлять проблемные точки. Когда пользователи отменяют подписку, мы просим их поделиться причинами своего решения. Хотя не все предоставляют подробные комментарии, полученные данные помогают нам понять, с какими трудностями сталкиваются пользователи и как мы можем лучше удовлетворить их потребности. Этот подход оказался особенно полезным в начале разработки Medusa Cloud, когда мы изучали, как пользователи взаимодействуют с продуктом. Понимание причин отмены подписки помогло нам выявить недостатки и приоритизировать улучшения, что в свою очередь создало более комфортный опыт для будущих и возвращающихся пользователей.

Анализ данных

Как и любой другой продукт, Medusa Cloud имеет данные, распределенные по различным сервисам и базам данных, касающимся использования пользователями наших услуг. К ним относятся:

Metabase: общие данные о пользователях, статусы сборок и развертываний, а также сессии пользователей с нашим облачным помощником.

PostHog: информация о том, как пользователи просматривают наши продукты, с какими ошибками они сталкиваются и как используют MCP сервер.

Linear: тикеты поддержки, которые открывали пользователи, и как мы их решали.

Объединяя эти данные, можно лучше понять путь пользователя и выявить проблемы, с которыми он сталкивается. Однако ручной анализ данных является сложным и времязатратным процессом, особенно если необходимо найти общие паттерны причин отмены подписок. Для этого необходимо: 1. Сформировать данные в единый формат. 2. Построить линейные пользовательские пути, которые объединяют всю информацию. 3. Контекстуализировать данные с учетом обновлений и информации о Medusa Cloud. 4. Кластеризовать результаты по пользователям и формулировать гипотезы.

Решение проблемы с помощью агентной автоматизации

В начале года я поставил перед собой задачу решить эту проблему с помощью Claude Code. Я сосредоточился на создании пользовательского пути на основе различных источников данных, выявлении всех точек трения и формулировании гипотез о том, как можно улучшить Medusa Cloud для конкретного пользователя. Затем я применил тот же подход к пользователям в определённом временном диапазоне, что позволило не только лучше понять отдельных пользователей, но и увидеть паттерны по тарифным планам, типам интернет-магазинов или интеграциям, которые они создают.

Навык анализа отмены подписки

Когда я достиг точки, в которой доверял потоку для предоставления полезного анализа, будь то для отдельного пользователя или группы пользователей, отменивших подписку в определённый период, я попросил Claude Code создать навык для этого анализа. Этот навык включает:

Информацию о том, где находятся все данные и как к ним подключиться. Для Metabase мы используем его API. Для PostHog и Linear — их MCP серверы.

Какие данные необходимы для анализа по каждой организации. Это включает детали, такие как тарифный план организации, использование MCP, процент неудачных сборок, наличие нерешённых запросов в поддержку и другие параметры.

Как комбинировать и кластеризовать результаты по организациям. Уточняется, какие статистические данные необходимо вычислить и как формулировать гипотезу на основе этих данных. Например, стоит ли сосредоточиться на том, отменили ли подписку пользователи с определённым тарифным планом или имели ли они схожие точки трения.

Результат: полный отчет с помощью агентной автоматизации

Теперь мы можем использовать этот навык, чтобы попросить Claude Code проанализировать отмены подписок Medusa Cloud за определённый период, например, за последние две недели. Он формирует общий отчет с резюме и гипотезами, а также отчеты для конкретных организаций, которые представляют интерес для более детального анализа. Мы не полагаемся на отчет в его исходном виде. Часто мы запрашиваем у Claude Code дополнительные детали по тем аспектам, которые вызывают у нас интерес, и Claude Code корректирует результаты на основе новых данных. Полученные выводы в конечном итоге приводят нас к конкретным действиям, направленным на улучшение наших продуктов. Например, в ходе этого анализа мы обнаружили, что новые пользователи испытывают трудности с запуском нового проекта на Medusa Cloud. В результате мы добавили поток онбординга, чтобы упростить этот процесс.

Интеграция со Slack

Мы сделали еще один шаг вперед, интегрировав нашего кастомного агента, созданного на основе Claude Code, в наш канал Slack. Когда организация отменяет подписку, агент автоматически использует навык для создания отчета о данной организации, включая информацию о том, что пошло не так и какие могут быть точки трения. Это позволяет нам выявлять организации, которые отменили подписку из-за немедленного недостатка с нашей стороны, например, ошибки в продукте. Затем мы можем связаться с владельцем организации для решения проблемы, что часто приводит к повторной подписке.

Начало работы с Medusa

Если вы новичок в Medusa, ознакомьтесь с документацией, где вы получите более подробное представление о том, что такое Medusa, какие функции для электронной коммерции она предлагает и как развернуть Medusa в облаке.