В Medusa мы автоматизируем наши внутренние операции с помощью ИИ, чтобы повысить эффективность. Мы применяем этот подход в разработке, создании документации, продажах и других процессах. Это позволило нам направить ресурсы на более быстрый выпуск функций для наших пользователей.
Поэтому мы запускаем серию публикаций о различных созданных нами агентских автоматизациях. В этих постах мы расскажем о том, как работают эти процессы и к каким выводам мы пришли в ходе работы.
Ознакомьтесь с предыдущими публикациями в серии: актуальные навыки и MCP-сервер, а также автоматические релизы и история изменений.
Отток как источник обратной связи
Хотя у нас практически нулевой отток активных клиентов на Medusa Cloud, некоторые пользователи уходят в самом начале своего пути. В данном случае отток служит ценным механизмом обратной связи для улучшения Medusa Cloud и понимания болевых точек. Когда пользователи отменяют подписку, мы просим их поделиться причиной. Хотя не все оставляют подробные отзывы, получаемые данные помогают нам понять, с какими трудностями сталкиваются пользователи и как мы можем лучше удовлетворить их потребности.
Это было особенно полезно на ранних этапах создания Medusa Cloud, когда мы изучали опыт взаимодействия пользователей с продуктом. Понимание причин отмен помогало нам выявлять пробелы и расставлять приоритеты для улучшений, создавая лучший опыт как для будущих, так и для возвращающихся пользователей.
Анализ данных
Как и у любого продукта, у нас есть данные, распределенные по различным сервисам и базам данных, которые связаны с тем, как наши пользователи используют сервисы Medusa Cloud. Сюда входят:
- Metabase: общие данные пользователей, статусы сборки и развертывания, а также сеансы агента, которые пользователи проводят с нашим облачным помощником.
- PostHog: то, как пользователи просматривают наши продукты, с какими ошибками они сталкиваются, и использование ими MCP-сервера.
- Linear: тикеты в службу поддержки, созданные пользователями, и способы их разрешения.
Если собрать все эти данные вместе, можно лучше понять путь пользователя и выявить проблемы, с которыми он мог столкнуться. Однако делать это вручную сложно и трудоемко, особенно если требуется найти общие закономерности отмен подписок. Для этого необходимо:
- Свести эти данные к единому формату вывода.
- Построить линейные пользовательские пути, объединяющие всю эту информацию.
- Контекстуализировать данные с помощью обновлений и информации, специфичных для Medusa Cloud.
- Сгруппировать результаты по пользователям и сформулировать гипотезы.
Как мы решили эту задачу с помощью агентской автоматизации
В начале года я задался целью решить эту проблему с помощью Claude Code. Я сосредоточился на объединении пути пользователя из различных источников данных, понимании всех его болевых точек и формулировании гипотезы о том, как мы можем улучшить Medusa Cloud для этого пользователя.
Затем я применил ту же логику ко всем пользователям за определенный период времени и смог не только лучше понять каждого пользователя в отдельности, но и увидеть закономерности в зависимости от тарифных планов, типов интернет-магазинов или создаваемых ими интеграций.
Навык анализа отмены подписок
Когда я достиг точки, в которой стал доверять этому процессу для получения полезного анализа — будь то по отдельному пользователю или по группе пользователей, отменивших подписку за определенный период, — я попросил Claude Code создать навык для проведения такого анализа. Этот навык включает в себя:
- Информацию о том, где хранятся все данные и как к ним подключаться. К Metabase мы подключаемся через ее API. Для PostHog и Linear мы используем их MCP-серверы.
- Данные, необходимые для каждой организации для проведения анализа. Сюда входят такие детали, как тарифный план организации, использование MCP, процент неудачных сборок, наличие нерешенных запросов в поддержку и многое другое.
- Способы объединения и группировки результатов по организациям. Он определяет статистику, которую необходимо рассчитать по данным всех организаций, и то, как на основе этих данных сформулировать гипотезу. Например, упор делается на то, были ли отмены подписок связаны в основном с определенным тарифным планом или у организаций были одинаковые болевые точки.
Результат: полный отчет с использованием агентской автоматизации
Теперь мы можем использовать этот навык, чтобы попросить Claude Code проанализировать отмены подписок на Medusa Cloud за определенный период времени, например за последние две недели. Он формирует общий отчет со сводкой и гипотезой, а также отчеты по конкретным организациям, которые представляют интерес для детального изучения.
Мы не полагаемся на отчет в исходном виде. Мы часто просим Claude Code предоставить более подробную информацию по определенным аспектам, которые вызывают у нас интерес, и Claude Code корректирует результаты на основе найденных данных.
Полученные выводы в конечном итоге приводят нас к пунктам действий, которые улучшают наши продукты. Например, благодаря этому анализу мы выяснили, что новые пользователи испытывают трудности с запуском нового проекта на Medusa Cloud. Поэтому мы добавили онбординг, чтобы сделать этот процесс проще.
Интеграция со Slack
Мы пошли дальше и интегрировали нашего кастомного агента, созданного на базе Claude Code, в наш канал Slack. Когда организация отменяет подписку, агент автоматически использует навык для публикации отчета об этой организации, включая информацию о том, что пошло не так, и потенциальные проблемные места.
Это полезно для выявления организаций, которые отменили подписку из-за какого-то сиюминутного упущения с нашей стороны, например ошибки в продукте. В таком случае мы связываемся с владельцем организации для решения проблемы, что часто приводит к возобновлению подписки.
Начало работы с Medusa
Если вы новичок в Medusa, ознакомьтесь с документацией, где вы сможете глубже понять, что такое Medusa, какие функции электронной коммерции она предоставляет и как развернуть Medusa в облаке.
