Продуктовая задача для «Магнит.Рестораны»

Цель: новые способы побуждать пользователей заходить в рестораны
в приложении «Магнит.Рестораны», в которых они ни разу не заказывали, и делать из них первый заказ.

продуктовый дизайн, UX-исследования

Роль

Срок

Результат

на исследование и формулирование гипотез были даны 1 сутки

2 валидированные гипотезы

Проблема

Бизнес-задача

Пользовательская задача

Пользователи заказывают в одних и тех же ресторанах, избегая новых мест из-за воспринимаемого риска («а вдруг невкусно?»).

Повысить долю просмотров и первых заказов в ресторанах,
где пользователь никогда не заказывал.

Найти новый ресторан с минимальным риском разочарования, сохраняя привычный уровень комфорта.

В итоге:

Новые рестораны остаются незамеченными.
Пользователи теряют возможность открыть что-то более выгодное.
Сервис упускает потенциальные заказы.

В чем сложность?

Это не задача про «придумать фичу», а про управление неопределённостью, доверием и привычками пользователя внутри ограниченной экосистемы. Мы боремся против поведенческой инерции: «не хочу выбирать», «я знаю, что приедет», «проще выбрать проверенный вариант».…

Это задача про понимание первого заказа как особого события: самый высокий риск; самая низкая толерантность к ошибке; момент формирования будущей привычки.

Решение надо вписывать в уже существующие макеты и сервис.

Процесс:

01. исследование и анализ

02. генерация гипотез

03. отбор 2 гипотез и аргументация

04. визуализация решений

05. валидация гипотез

01. исследование и анализ

Найти механики, которые снизят тревогу от выбора нового ресторана и побудят к первому заказу.

Задача:

Подход:

Методы:

Помимо прямых конкурентов я также изучила сервисы за пределами food-tech, чтобы найти свежие идеи, которые ещё не стали «шаблонными» в доставке еды.

Анализ конкурентов (Uber Eats, Zomato, Google Maps, Spotify, Duolingo, Tinder, др.) + изучение поведенческих паттернов.

02. генерация и отбор гипотез

Первоначальные гипотезы (5 вариантов):

Тематические скидки по дням недели (сладкое воскресенье, вкусный четверг, ...)

Показ количества заказов из конкретного ресторана за сегодня (социальное доказательство)

Персонализированные рекомендации через кластеризацию паттернов

Персонализированные квесты с наградой

Рекомендации «кто любит это, тот заказывает и это»

Если мы добавим скидки на отдельные рестораны каждый день недели («Сладкое воскресенье» — скидки на рестораны сладостей, «Вкусный четверг» — фастфуд, «Полезная среда» — рестораны полезного питания), то люди будут чаще пробовать новое.

Если мы будем показывать количество сегодняшних заказов у ресторана, конверсия вырастет, так как люди охотнее выбирают места, которые уже популярны у других.

Если мы с помощью кластеризации будем выявлять определенные паттерны выбора еды у различных пользователей (отзывы, заказанная еда, предпочитаемые рестораны) и на их основе создавать рекомендации, миксуя новые предложения в еде и ресторанах с уже известными нам предпочтениями пользователя, то мы создадим идеальный баланс между комфортом пользователя (выбор знакомой еды) и небольшими персонализированными нововведениями, которые наиболее вероятно также его заинтересуют, соответственно, повысим конверсию выбора новых ресторанов.

Если мы введем небольшие персонализированные квесты, которые нужно выполнить за какой-то короткий промежуток времени и которые будут достижимы для пользователя, а после их выполнения пользователь сможет получить награду (например, 100 бонусов Магнита или подобное), то пользователь будет вовлечен в то, чтобы заказывать разное.

Если мы внедрим персональные рекомендации «Кто любит это, тот часто заказывает и это», показывая пользователю, что люди, заказывающие то же, что и он, часто пробуют и другое похожее блюдо в другом ресторане (важна взаимосвязь между продуктами), то пользователь чаще будет экспериментировать с другими ресторанами.

03. отбор 2 гипотез и аргументация

Отбор гипотез происходил по следующим критериям:

1. Реалистичность реализации
2. Влияние на метрику
3. Сложность внедрения
4. Риск для пользовательского опыта

Гипотеза

Итог

Тематические скидки по дням

Не выбрана, так как не персонализирована

Показ заказов сегодня

Персонализация через кластеризацию

Не выбрана, так как работает только для популярных заведений

Выбрана

Гибкие квесты

Выбрана

«Кто любит это, заказывает и это»

Не выбрана, так как частично использована в гипотезе 3

Гипотеза 3 (Персонализация) выбрана, потому что:

Снижает воспринимаемый риск, так как акцент не на случайности, а на вкусовых предпочтениях пользователя

Не нарушает привычный флоу — рекомендация видна сразу в ленте

Масштабируется на всю аудиторию через ИИ-кластеризацию

Гипотеза 4 (Квесты) выбрана, потому что:

Вовлекает через игру, а не через давление

Награда формирует лояльность, а не разовую скидку

Дедлайн (7 дней) создаёт мягкую мотивацию без стресса

Как я пришла к этим 2 гипотезам?

Я не стала смотреть только на конкурентов в food-tech — там все механики уже стали шаблонными (скидки, промокоды, «популярное рядом»). Вместо этого я изучила сервисы, которые успешно решают похожую проблему: как побудить пользователя попробовать новое без ощущения риска.

Also Boughts — система показывает, что покупают вместе с текущим товаром (принтер → чернила). Соответственно, это не случайные рекомендации, а логические связи.

Применила к еде: если пользователь заказывает рамен в «X», он с высокой вероятностью попробует удон в «Y». Человек действует по паттернам.

Применила к ресторанам: если мы выявим паттерны выбора (отзывы, заказанная еда, предпочитаемые рестораны), сможем миксовать новое с известным.

Решение: новый ресторан должен появляться у пользователя как «логическое продолжение вкуса», а не «случайная новинка».

1 кейс. Amazon: взаимосвязь между продуктами

Что изучила

Как адаптировала

Кластеризация покупок — Amazon определяет группы продуктов, которые часто приобретают вместе, и использует это для персональных рекомендаций.

Ключевой инсайт: люди не боятся нового, если видят логическую связь с уже знакомым.

2 кейс. Spotify: баланс знакомого и нового

Что изучила

Как адаптировала

Daily Mix — персонализированные плейлисты, которые обновляются ежедневно. Основаны на истории прослушиваний и активных отзывах.

Применила к ленте ресторанов: новый ресторан должен показываться рядом с любимым, а не в отдельном разделе «Новинки».

Кластеризация паттернов — Spotify идентифицирует подгруппы
в шаблонах прослушивания и создаёт рекомендации на их основе.

Применила к еде: кластеризация пользователей по паттернам заказа (кухня, чек, время, отзывы) для точных рекомендаций.

Баланс контента: Daily Mix — это 80% знакомой музыки + 20% новых песен. Discover Weekly — больше нового, но всё равно на основе любимого.

Применила к ресторанам: 80% любимых ресторанов в ленте + 20% персонализированных новинок. Главное, не перегружать пользователя новым.

Ключевой инсайт: новинки работают тогда, когда они менее авантюрные и более близки к уже знакомому вкусу.

Решение: рекомендация должна иметь обоснование, прямое либо подсознательное.

3 кейс. Duolingo: мягкие квесты с достижимыми целями

Что изучила

Как адаптировала

Weekend Quests — задания на короткий промежуток времени с несложной целью, чтобы их можно было выполнить быстро.

Применила к еде: недельный «вкусовой квест» с достижимой целью (например, заказ в новом месте или заказ нового блюда).

Персонализация целей — если пользователь активный, цель выше.
Если менее активный — ниже. Цель основана на недавней активности.

Применила к заказам: квест формируется на основе предпочтений пользователя. Не «закажи в 5 разных ресторанах», а «попробуй 1 новый ресторан до воскресенья».

Награда: опыт, кристаллы, предметы в приложении, иными словами, внутренний прогресс.

Применительно к Магниту: например, 100 бонусов на карту или на следующий заказ.

Ключевой инсайт: квест = игра, а не задание. Пользователь чувствует вовлечение, а не обязанность.

Решение: убрать давление («обязательно»), оставить приглашение («попробуй, если хочешь»).

Итог: две гипотезы, которые не заставляют пользователя пробовать новое, а делают так,
что он хочет это сделать сам. Новый ресторан перестал быть «зоной риска».

04. визуализация решений

05. валидация гипотез

Обе гипотезы были представлены представителям «Магнит» и получили положительную обратную связь:

Причина: максимально снижает страх неопределённости, напрямую влияет на просмотры и первые заказы, хорошо масштабируется через ИИ. Здесь главная сложность в том, чтобы не просто дать похожий вариант, а создать доверие к новому ресторану.

Первая гипотеза попала в «горячо».

Вторая гипотеза попала в «тепло».

Причина: если стимулировать заказы из новых ресторанов через бонусы, временные задания и челленджи, то пользователь получает дополнительный повод выйти за рамки привычного выбора. Внешняя мотивация снижает психологический барьер первого заказа.

Но есть минусы: работает краткосрочно, мотивация быстро выгорает. Также эффект требует регулярного обновления механик, чтобы не терять интерес. И, наконец, за чей счет будут бонусы?

Выводы и уроки

Задача научила меня выходить за пределы стандартных решений, а также мыслить продуктовыми категориями: не «как сделать красиво», а «как повлиять на метрику».

Ключевой инсайт: пользователи не боятся нового — они боятся неоправданного риска. Если подать новый ресторан как логическое продолжение вкусовых предпочтений пользователя, а не как случайную новинку, конверсия будет расти.

У второй гипотезы есть существенный минус, который требует доработки/проработки: такой подход с внешней мотивацией через квесты работает краткосрочно, внутренняя мотивация быстро выгорает.

Главный вывод: продуктовое мышление и исследование паттернов из других ниш работают лучше, чем копирование конкурентов.

Другие кейсы:

Читать кейс

02. B2C-приложение для отслеживания подписок «SubScout»

01. B2B-веб-портал для сети коворкингов «Топ-скоп»

Читать кейс

На главную