Show HN: Rejourney – Webおよびモバイルアプリ向けのオープンソース収益漏洩予測

こんにちは（General Kenobiのお気に入りの会話の始め方）, 私はラシッド、UT Austinの2年生です。私はRejourney.co（https://rejourney.co/）を構築しました。これは、実際のユーザーセッション記録に基づいて、アプリやウェブサイトの問題が実際に発生する前に予測するものです。 仕組みについてのくだらないビデオ（猫付き）はこちらです：https://www.youtube.com/watch?v=Z95MDxBXMjk これはオープンソースで、投稿リンクはGitHubリポジトリですが、もう一度ここに示します：https://github.com/rejourneyco/rejourney 元々これを構築したのは、キャンパスの無料アイテムファインダーアプリが急速に成長し、多くのユーザーからアプリのオンボーディングやUXの混乱に関する問題についてInstagramでDMを受け取ったからです。これらの問題のために、約5,000人のユーザーのうち約340人を失い、通知で彼らを促して一部を回復しなければなりませんでした。それは大きな手間であり、小さくて簡単な修正でこれほど多くのユーザーを失ったことを残念に思いました。そこで、それが起こる前に予測するためにRejourneyを構築しました。 仕組みは次のとおりです。 まず、SDKはWeb JS、Swift、またはReact Nativeアプリにインストールされます。次に、アプリをリリースする前に、サブスクリプション購入、サインアップ完了などの重要なイベントを追跡する数行でSDKを少し支援します。これらを「クリティカルコンバージョンイベント」と呼びました。 ここから、Rejourneyはメタデータとともにユーザーセッションを記録し、ユーザーのジャーニーのシーケンス、各タッチ/スクロール/パン操作、およびレイジタップに関連付けます。問題があると判断された場合、API応答時間とコード、ANR、クラッシュトレースをコンテキストにバンドルします。 次に、ヒューリスティックがすべてのユーザー記録を類似性コホートにバンドルして処理し、あなたにとって重要なクリティカルコンバージョンアクションに関連する類似のユーザージャーニーと結果を見つけます。懸念される可能性のあるトレンドが見つかった場合、ユーザー記録をセグメンテーションとバックエンドのLLM（この場合はコストと速度のためにGeminiを使用していますが、セルフホストしてセットアップする場合はGPT 5.5でテスト済みです）による処理に admit します。 LLMがタッチシーケンスフレームごとに類似性を認識できる場合、コホートがあなたにとって重要なクリティカルコンバージョンイベントに対して否定的な見通しを示す可能性が高いかどうかを判断できます。リプレイとすべての周辺コンテキストに基づいて、コンテキストとそれをパッチする修正を含む.MDファイルを出力します（これをコーディングエージェントにコピーできます）。オプションで、GitHubリポジトリを添付すると、.MDファイルに検出された問題のコード修正が含まれます。 さらに、これは毎日数千のユーザー記録の規模で行われます。RejourneyはSDKを出荷している人々から約250万のユーザー記録でテストされたため、これが中規模でどのように機能するかを見てきました。ユーザーの1人は、2週間の継続的な問題修正の後、オンボーディングが30％増加したと報告するメールを送ってきました。 私たちは、さまざまな戦略で実行するのに非常にコスト効率が高いため、最初の3人の有料ユーザーでコストを回収しました...これは、後でクールなことのためのより多くのコンピューティングスペースを意味します：D その他の考慮事項と基準： プライバシーも非常に非常に重要でした。GDPRを考慮する必要があるため、保持期間（通常7日間）の後、すべてのユーザー記録を量子化し、すべてのフィンガープリントを匿名化し、一般的なダッシュボード（Firebaseの一般的な分析ダッシュボードに似ています）に集計します。 コメントでフィードバック、批判、リクエストをお聞かせください！私はすべて耳（または目、読んでいるので）です。