Jak Tutlo zwiększa zaangażowanie użytkowników i motywuje ich do nauki dzięki modelom Machine Learning?

Tutlo to dynamicznie rozwijająca się platforma edukacyjna, specjalizująca się w nauce języka angielskiego online. Firma oferuje nowoczesne rozwiązania cyfrowe, łącząc nauczycieli z uczniami w elastyczny i wygodny sposób. W trosce o najwyższą jakość obsługi oraz operacyjną efektywność, Tutlo nieustannie inwestuje w innowacyjne technologie.

Dzięki współpracy z Alterdata, Tutlo zyskało możliwość lepszego zrozumienia zachowań swoich użytkowników oraz skuteczniejszego zwiększania ich zaangażowania i motywacji do nauki poprzez wykorzystanie modeli Machine Learning w środowisku BigQueryML

Cel projektu:

Tutlo potrzebowało pogłębionego zrozumienia zachowań uczniów w elastycznym modelu nauki oraz narzędzi umożliwiających przewidywanie ich zaangażowania i motywacji do nauki. Kluczowe było wykorzystanie modeli Machine Learning do identyfikacji czynników wpływających na aktywność użytkowników, stworzenie mierzalnych KPI oraz wdrożenie skalowalnego rozwiązania analitycznego, które pozwoliłoby szybciej podejmować decyzje biznesowe i skuteczniej zwiększać satysfakcję zarówno uczniów, jak i nauczycieli.

Zakres prac

1. Konsulting i modelowanie ML:
   • Nasz zespół Alterdata przeprowadził warsztaty z klientem, aby dogłębnie zrozumieć, w jaki sposób m.in. elastyczny wybór nauczyciela w czasie rzeczywistym wpływa na zaangażowanie uczniów i ich motywację do nauki.
   • Opracowaliśmy niestandardowe rozwiązanie, dostosowane do unikalnego modelu biznesowego Tutlo, które pozwala na jeszcze lepsze dopasowanie technologii do specyficznych potrzeb integracji danych i analizy behawioralnej z wykorzystaniem BigQueryML
     
2. Tworzenie KPI:
   • W ścisłej współpracy z Tutlo opracowaliśmy ponad 80 zmiennych i przeprowadziliśmy zaawansowaną segmentację użytkowników, aby lepiej zrozumieć ich potrzeby i sposób korzystania z platformy. Dzięki temu możliwe było precyzyjne dopasowanie działań, które zwiększają komfort nauki, poprawiają doświadczenie użytkowników i sprawiają, że korzystanie z platformy staje się jeszcze bardziej intuicyjne i satysfakcjonujące
     
3. Zastosowanie technologii:
   • Wdrożyliśmy model XGBoost w środowisku BigQueryML, co umożliwiło pełną integrację procesu Machine Learning z miejscem przechowywania danych. Dzięki temu model mógł pobierać dane bezpośrednio z BigQuery i zwracać wyniki bezpośrednio do tej samej platformy, eliminując konieczność transportu między systemami.
   • Takie podejście znacząco uprościło zarządzanie modelem, zwiększyło jego skalowalność oraz wyeliminowało opóźnienia wynikające z migracji danych, co przełożyło się na bardziej efektywne i płynne działanie całego rozwiązania

Etapy realizacji

1. Analiza i definiowanie celów:
   • Określiliśmy z zespołem kluczowe zmienne wpływające na zaangażowanie użytkowników.
   • Przeprowadziliśmy wspólne warsztaty, które objęły zarówno analizę modelu biznesowego klienta, jak i jego konsekwencje. Efektem było wypracowanie scenariuszy użytkowania modelu, uwzględniających różnorodne potrzeby biznesowe.
     
2. Projektowanie modelu ML:
   • Opracowaliśmy model, który precyzyjnie przewiduje prawdopodobieństwo, określonych zdarzeń.
   • Przeprowadziliśmy ekonometryczną segmentację klientów, dostosowując przewidywania do różnych grup użytkowników.
     
3. Wdrożenie technologii:
   • Wdrożyliśmy rozwiązanie w BigQueryML, co umożliwiło:
     • oszczędność czasu podczas wdrażania i utrzymania modelu,
     • skalowalność oraz minimalizację kosztów operacyjnych.

Rezultaty

Kluczowe wyniki:

• Dokładność modelu: Osiągnięcie 80% skuteczności w przewidywaniach.
• Uproszczenie technologiczne: Wdrożenie modelu w BigQueryML pozwoliło na łatwe zarządzanie oraz brak konieczności transferu danych do zewnętrznych środowisk.
• Wzrost świadomości biznesowej: Klient zrozumiał, które czynniki mają kluczowy wpływ na zaangażowanie użytkowników, co pozwoliło na opracowanie nowych metod motywacji i aktywizacji użytkowników. 

Wartość biznesowa:

• Długoterminowe korzyści: Zwiększenie satysfakcji użytkowników i nauczycieli.
• Optymalizacja procesów: Skrócenie czasu podejmowania decyzji dzięki prognozom opartym na danych.

Opinia klienta

Rozwiązanie dostarczone przez zespół Alterdata było niezwykle precyzyjnie dopasowane do naszych potrzeb. Dzięki BigQueryML mogliśmy sami rozwijać model i lepiej rozumieć kluczowe czynniki wpływające na sukces naszej platformy.

Rozwiązanie dostarczone przez zespół Alterdata było niezwykle precyzyjnie dopasowane do naszych potrzeb. Dzięki BigQueryML mogliśmy sami rozwijać model i lepiej rozumieć kluczowe czynniki wpływające na sukces naszej platformy.

Jacek Niedzielski,

Data Analyst w Tutlo

Podsumowanie

Projekt realizowany dla firmy Tutlo pokazuje, jak w praktyce doświadczenie, wiedza i innowacyjne technologie są w stanie budować przewagę konkurencyjną. Rozwiązanie oparte na BigQueryML stanowiło przełom w zarządzaniu zaangażowaniem uczniów i poprawiając relacje z nauczycielami.

Nasza zdolność do tworzenia spersonalizowanych rozwiązań ML potwierdziła naszą pozycję lidera w dostarczaniu wartościowych rozwiązań data-driven.

Jeśli Twoja firma chce lepiej rozumieć zachowania użytkowników i wykorzystywać dane do zwiększania zaangażowania oraz efektywności operacyjnej - Skontaktuj się i porozmawiajmy o Twoim projekcie.