Exit-Interview per LLM: Was Nutzer beim Schließen der Paywall sagen
OpenAI
Ein englischsprachiger KI-Newsartikel beschreibt, wie die Integration eines kurzen, von einem großen Sprachmodell (LLM) unterstützten Interviews nach dem Ablehnen der Paywall eine Rücklaufquote von 34 Prozent erzielte und wichtige Nutzereinwände aufdeckte, einschließlich der Erkenntnis, dass viele Nutzer über die Suche kamen und ein kostenloses Produkt erwarteten. Der Artikel liefert die Architektur, Prompts und den Code-Rahmen, die verwendet wurden, sowie Einblicke aus zwei Wochen Daten.
Ein Entwickler hat einen auf LLM basierenden Exit-Interview-Bot für ein Freemium-Online-Brettspiel gebaut. Wenn ein Benutzer die Bezahlschranke schließt, erscheint ein separater Chat, der maximal 5 Fragen stellt. Über 2 Wochen hinweg fanden 59 Sitzungen statt, mit 20 Antworten (34%). Die wichtigste Erkenntnis war, dass ein erheblicher Teil der Nutzer über die Suche mit dem Wort 'free' im Titel kam. Das System verwendet eine separate Datenbanktabelle, eine transaktionsbasierte Antwortbegrenzung, einen Sweep für veraltete Sitzungen, einen zweiten LLM-Aufruf zur Erstellung einer strukturierten Notiz und einen Webhook zu Telegram. Der Artikel teilt das Datenbankschema, den Code für die gedeckelte Transaktion sowie sowohl den System-Prompt als auch den Notiz-Prompt. Die Ergebnisse zeigten, dass 7 von 20 Befragten erwarteten, dass das Produkt kostenlos ist, was zu einer schnellen Korrektur des Site-Titels führte. Das Tool wird für jedes Produkt mit einem Exit-Moment wie Bezahlschranke, abgebrochenem Warenkorb oder Kündigung empfohlen, solange der Benutzer auf der Seite bleibt.
Quelle: Habr — хаб ИИ —
Original