Rejourney: 面向 Web 和移动应用的开源营收流失预测工具

Rejourney 是一个开源框架，旨在通过分析真实用户会话录制来预测营收流失和用户流失。通过将会话回放数据与大语言模型 (LLMs) 相结合，该工具可以识别用户挫败感的模式——例如愤怒点击 (rage taps) 和 UX 困惑——并建议具体的代码修复方案，以防止用户放弃关键的转化事件。

通过会话分析实现自动化的 UX 问题检测

Rejourney 通过监控开发者在 SDK 中定义的“关键转化事件”（例如完成注册或订阅购买）来识别潜在的营收流失。系统会分析用户旅程的序列，包括每一次触摸、滚动、平移交互和愤怒点击，以寻找经历类似摩擦的用户群体。

当检测到令人担忧的趋势时，系统会通过 LLM（出于成本和速度考虑，默认使用 Gemini，但也支持 GPT-4 等其他模型）逐帧分析触摸序列。如果 LLM 判断某一群体的行为很可能对关键转化事件产生负面影响，它会生成一份 Markdown 格式的详细报告。该报告包含问题的上下文以及可以集成到编程代理 (coding agents) 中的建议修复方案。

技术架构与数据集成

Rejourney 旨在进行大规模运行，已通过约 250 万次用户录制测试。技术流水线集成了多个数据流，为 LLM 分析提供完整的上下文：

• SDK 支持：支持 Web JS、Swift 和 React Native 应用。
• 上下文数据：系统将 API 响应时间、状态码、Application Not Responding (ANR) 错误和崩溃追踪 (crash traces) 捆绑到会话上下文中。
• 相似性群体 (Similarity Cohorts)：一种启发式方法将用户录制捆绑成相似性群体，以便在发送进行 LLM 处理之前识别趋势。
• 代码集成：用户可以选择关联其 GitHub 仓库，从而允许该工具在生成的 Markdown 报告中包含具体的代码修复方案。

隐私与合规性

为了保持 GDPR 合规性并保护用户隐私，Rejourney 实施了严格的数据保留和匿名化政策。用户录制通常保留七天。在此期间后，录制会被量化，指纹会被匿名化，数据会被聚合到类似于 Firebase 的通用分析仪表板中。

行业视角与用户反馈

早期采用者报告了转化率的显著提升。一位用户报告称，在实施了由 Rejourney 识别的修复方案两周后，新手引导 (onboarding) 完成率提高了 30%。

社区反馈突出了“AI 原生”会话录制方法的价值。正如一位用户所言：

我曾大量使用过 LogRocket... 我很想尝试这个作为 AI 原生的替代方案，它能直击问题解决。它可以节省手动观看回放的数小时时间，以及在构思潜在问题/解决方案等方面投入的大量精力。

这表明了从需要手动审查的传统会话回放工具，向提供可操作解决方案的自动化诊断工具的转变。