ближе к реальности, нужны мощные компьютеры. Пионер численного моделирования рождающихся звёзд Ричард Ларсон свою первую программу запускал на компьютере, который по мощности уступал даже современному мобильнику. И, разумеется, эта программа позволяла описать лишь очень небольшой этап ранней эволюции будущей звезды. Со временем компьютеры становились мощнее, но и требования к моделям повышались.
Проблема астрономических расчётов заключается в том, что они охватывают гигантский диапазон плотностей, температур, напряжённости магнитного поля, интенсивности излучения (от радиоволн до гамма-лучей).
Возьмём, к примеру, Солнечную систему (в конце концов, нам интересно узнать, как именно
Значит, нужна модель, которая одинаково хорошо описывала бы движение вещества на масштабах от десятков тысяч до сотен триллионов километров. При этом речь идёт о течении вещества, в котором действуют самые разнообразные физические и химические процессы, на моделирование которых также уходят весьма значительные компьютерные ресурсы. И это только одна звезда. Что же говорить о модели целого звёздного скопления?
Оказывается, что решить современные задачи вычислительной астрофизики можно лишь при помощи суперкомпьютеров и параллельного программирования. Написать эффективную программу для такой системы очень непросто. С современными суперкомпьютерами астрономы-вычислители пока ещё управляются сами. Но пройдёт совсем немного времени, и эту задачу придётся отдать профессиональным программистам. Астрономического образования будет так же недостаточно для работы с компьютерами будущего, как сейчас не хватает его для работы с современными большими телескопами.
Как это будет выглядеть? Может быть, появятся какие-то инструменты высокого уровня, конструкторы («Сюда перетаскиваем звезду, сюда — планеты, задаем связь один ко многим»), может быть, на составление программ для суперкомпьютеров будут подаваться заявки, подобные нынешним заявкам на наблюдения.
В любом случае, астроном лишится ещё одной возможности сделать что-то своими руками, почувствовать себя творцом Вселенной, пусть немножко ненастоящей, немножко выдуманной, вылепленной из нескольких тысяч строк кода, но такой своей, близкой и понятной!
Андрей Себрант («Яндекс») о том, как удержать посетителей
Запись доклада «Незаслуженно забытый Churn Rate», с которым Андрей Себрант выступил на конференции User Experience Russia 2010.
В прошлом году на этой же конференции я рассказывал о роли маркетинговых экспериментов в работе юзабилистов и о тандеме юзабилистов и маркетологов в «Яндексе». Там было много слайдов с разными кейсами. Один из них содержал график, на котором было показано, как «утекают» пользователи одного из наших продуктов — «Яндекс.Бара». На графике было показано, как от месяца к месяцу в зависимости от того, в какой месяц какая версия была установлена, падает доля пользователей.
Показав этот график, я всего лишь сказал, что сейчас кроме стандартных метрик всё важнее становится churn rate — метрика, обратная времени «жизни» пользователя на сервисе. Попробую сейчас рассказывать вам историю вокруг этой частной метрики.
Не стоит считать, что сегодня можно что-то придумать, завтра сделать и послезавтра стать миллионером. На самом деле то, что было придумано двадцать лет назад, доходит до какого-то воплощения через десять лет, и лишь ещё через десять лет становится бизнесом на миллиард.
Многие веб-разработчики полагают, что раз в их отрасли всё бурлит со страшной силой, то стоит опоздать на полчаса, и тебя выкинут из бизнеса. Это неправда. На самом деле бывают и долгие времена — на эту тему у меня есть очень яркий пример из истории поисковых машин.
Лет этак семь назад в «Яндексе» не всегда успевали вовремя доставить нужное количество серверов. Сейчас с нашими дата-центрами таких проблем уже нет. Но тогда были, и мы выяснили, что если время отклика (то есть время отрисовки страницы с результатами поиска) увеличится на 200 миллисекунд (это пятая доля секунды), то через несколько месяцев пользователи начинают реже обращаться к сервису. Часть пользователей покидает сервис — часть б
Если мы сравниваем пятую долю секунды с периодом наблюдения, за который что-то скажется на пользователе, получается разница в миллионы раз. Занятно, что информацию о миллисекундах мы всегда держим в голове, а про то, что что-то изменившееся сейчас может дать долговременный эффект через время в биллион раз большее, забываем. А на самом деле это очень важно.
Поэтому я хочу рассказать про долгосрочные эффекты. Одно еще очень важное слово, которое фигурировало в первой части — это лояльность. А лояльность — это долговременные отношения. Лояльность — это не сиюминутный восторг, который часто видно на фокус-группах («ух какая классная фишка!»). Та фишка, которая первые пятнадцать секунд вызывает сиюминутный восторг, через пять дней может начать вызывать сильно негативную реакцию.
Очень часто такие же вещи происходят с тестированием. Одно дело тестировать сиюминутные реакции и делать на основе их долгосрочные выводы. Другое дело — следить за лояльностью пользователей. И вот здесь сhurn rate (который далеко не интернетовское и современное изобретение, а давным-давно известный метод, изобретенный еще в докомпьютерные времена) становится очень и очень важен.
Почему сейчас я говорю о churn rate, связанным именно с залогиненными сервисами? Конечно, можно измерять статистику своих пользователей, применяя более привычные, массовые, универсальные методы. Однако пользоваться ими на длинных временах сейчас невозможно. Cookie живут все меньше, «кук» на пользователей все больше, cookie все реже становятся способом пометить человека надолго, чтобы за ним следить. Это плохая новость.
Есть и хорошая. Сервисы с регистрацией все больше распространяются, все больше людей относительно спокойно относится к тому, чтобы пройти этот процесс. Особенно если сервисом планируется пользоваться долго, и для регистрации не нужно заполнять длинную анкету.
Получается, что всё больше людей имеют аккаунты на ваших сервисах. Плюс — сечас можно использовать открытую авторизацию на сторонних сервисах, где ещё у большего числа пользователей есть учётные записи. Ну и самое главное — то, что маркетологи (а я твердо убежден, что маркетологи и юзабилисты — это единая команда) всё лучше понимают, что они работаю с людьми.
