Rejourney: 適用於 Web 與行動裝置 App 的開源營收流失預測工具

Rejourney 是一個開源框架，旨在透過分析真實的使用者工作階段錄影來預測營收流失與使用者流失。藉由將工作階段重播數據與大型語言模型 (LLMs) 相結合，該工具能識別使用者的挫折模式——例如憤怒點擊 (rage taps) 與 UX 混淆——並建議特定的程式碼修復方案，以防止使用者放棄關鍵的轉換事件。

透過工作階段分析自動偵測 UX 問題

Rejourney 透過監控開發者在 SDK 中定義的「關鍵轉換事件」（例如完成註冊或訂閱購買）來識別潛在的營收流失。系統會分析使用者旅程的序列，包括每一次的觸控、捲動、平移互動以及憤怒點擊，以找出經歷相似摩擦感的使用者群體。

當偵測到令人擔憂的趨勢時，系統會透過 LLM（預設使用 Gemini 以兼顧成本與速度，但也支援 GPT-4 等其他模型）逐幀分析觸控序列。如果 LLM 判定某個群體很可能對關鍵轉換事件產生負面影響，它會生成一份 Markdown 格式的詳細報告。這份報告包含了問題的上下文背景，以及可整合至程式碼代理 (coding agents) 的建議修復方案。

技術架構與數據整合

Rejourney 的設計旨在進行大規模運作，已透過約 250 萬次使用者工作階段錄影進行測試。技術管線整合了多個數據流，為 LLM 分析提供完整的上下文背景：

• SDK Support: 支援 Web JS、Swift 與 React Native App。
• Contextual Data: 系統將 API 回應時間、狀態碼、應用程式無回應 (ANR) 錯誤以及當機追蹤 (crash traces) 封裝至工作階段上下文中。
• Similarity Cohorts: 使用啟發式演算法將使用者錄影封裝成相似群體，以便在送交 LLM 處理前識別趨勢。
• Code Integration: 使用者可以選擇附加其 GitHub 儲存庫，讓工具能在生成的 Markdown 報告中包含特定的程式碼修復方案。

隱私與合規性

為了維持 GDPR 合規性並保護使用者隱私，Rejourney 實施了嚴格的數據保留與匿名化政策。使用者錄影通常保留七天。在此期間過後，錄影會經過量化處理，指紋資訊會被匿名化，且數據會被聚合到一個類似 Firebase 的通用分析儀表板中。

行業觀點與使用者回饋

早期採用者報告了轉換率的顯著提升。一位使用者表示，在實施了由 Rejourney 識別的修復方案後，兩週內註冊流程 (onboarding) 的完成率提升了 30%。

社群回饋強調了「AI 原生」工作階段錄影方法的價值。正如一位使用者所言：

我曾大量使用 LogRocket... 我很想嘗試這個作為 AI 原生的替代方案，它能直接切入問題解決。這可以節省數小時手動觀看回放的過程，以及構思潛在問題與解決方案所投入的大量精力。

這顯示了從需要手動審查的傳統工作階段重播工具，轉向提供具備可操作性解決方案的自動化診斷工具的趨勢。