Медиа-платформа · Web и Mobile
Как мы сделали музыкальную платформу Rate yr Music с AI-рекомендациями и подняли длительность сессии на 26%
Музыкальная платформа для оценки треков, ведения коллекций и общения меломанов. AI-рекомендации подбирают музыку под вкус каждого слушателя.
О продукте
Rate yr Music — музыкальная платформа для оценки треков, ведения коллекций и общения меломанов. Её аудитория — активные слушатели, которым важны точные персональные рекомендации и социальная составляющая: рейтинги, рецензии, подписки. Продукт активно рос, и команде нужна была система, которая удерживает пользователей и масштабируется вместе с базой, а не держится на ручных подборках редакции.
Задача
Музыкальному сервису не хватало вовлекающих сценариев: пользователи заходили, слушали пару треков и уходили, не находя причин остаться. Ручные подборки редакции не масштабировались под растущую базу, а без социальных механик аудитория не формировала привычку возвращаться. Продукт нуждался в системе, которая удерживает и растёт вместе с базой.
Решение
Мы внедрили рейтинговую систему с оценками и рецензиями, ленту активности и подписки, персональные плейлисты и коллекции. Ядром стали AI-рекомендации на основе истории прослушиваний и оценок — они подбирают музыку под вкус каждого слушателя и становятся точнее по мере использования.
- Оценки и рецензии на треки и альбомы
- AI-рекомендации под вкус слушателя
- Персональные плейлисты и коллекции
- Социальная лента и подписки
- Поиск и каталог с фасетами
Как мы работали над проектом
Команда из 5 специалистов за 5 месяцев собрала платформу на Next.js и Node.js с рекомендательным ML-модулем. Мы начали с гипотез об удержании, заложили сбор поведенческих данных с первого релиза и итеративно докручивали рекомендации по метрикам вовлечения.
Результат
Средняя длительность сессии выросла на 26%, кликабельность персональных подборок — на 34%, а ежемесячная аудитория достигла 41k. Пользователи стали слушать дольше и возвращаться за новыми подборками.
Что это дало бизнесу
Сервис получил самоподдерживающийся цикл вовлечения: чем больше человек слушает и оценивает, тем точнее рекомендации и тем чаще он возвращается. Редакции больше не нужно вручную собирать подборки под каждую аудиторию — это делает система.