Прошло то время, когда машинное обучение можно было назвать редкой технологией, которой пользуются только цифровые гиганты. Сегодня работа с большими данными просто необходима для построения успешной бизнес-системы практически в любой отрасли.
Мобильная разработка не стала исключением. Владельцы приложений, использующие data-driven подход к принятию решений, всё чаще убеждаются в его эффективности и получают реальные денежные результаты.
Анализ составных данных с помощью ML-моделей может помочь улучшить ключевые метрики приложений: повысить LTV и Retention, снизить Churn, увеличить ARPU и т.д.
Одним из самых актуальных и популярных вариантов применения машинного обучения в мобильной разработке остаётся внедрение в приложения элементов персонализации. О ней и пойдёт речь в этой статье.
Мы расскажем о разных подходах к персонализации, основанных на ML-алгоритмах, и поможем разобраться, какая модель лучше подойдёт для вашего бизнеса.
В основе персонализации лежит простая идея: предоставить пользователю контент, опыт или функциональность, которые будут полезны именно ему, именно в данный момент. В роли индивидуального предложения может выступать что угодно: нужен товар «здесь и сейчас», подходящее условие подписки или, например, именной подарок.
В последние годы персонализация плотно вошла в нашу жизнь и стала играть важную роль в любых цифровых системах. Она позволяет разработчикам создавать связи с аудиторией, подстраиваться под неё и удовлетворять её потребности на новом уровне.
Грамотно персонализированное мобильное приложение собирает пользовательскую информацию самостоятельно, подстраивается под человека и не требует дополнительных усилий с его стороны.
Работа с ML-алгоритмами, в том числе моделями персонализации, всегда начинается со сбора данных. Существует множество способов узнать о своих клиентах больше. Некоторую личную информацию люди предоставляют сами, при регистрации. Другую - можно получить из открытых источников. Например, из соцсетей.
Кроме того, пользователи в мобайле непрерывно совершают действия: от простых открытий приложения, просмотра контента, лайков и репостов до покупок и подписок. Эти действия тоже характеризуют пользователя и его стиль взаимодействия с продуктом.
Все данные, которые можно собрать в приложении и использовать при создании модели персонализации, делятся на общие и пользовательские факторы.
Пользовательские факторы (индивидуальные):
Общие факторы (влияющие на всю аудиторию):
Важно демонстрировать пользователям, что вся информация собирается анонимно. Для модели неважно, чьи именно данные она использует.
Мы разберём несколько актуальных подходов к персонализации, в которых могут применяться модели машинного обучения. Для достижения наилучшего результата нужно выбирать модель в зависимости от конечной цели и типа продукта.
Например, если в приложении есть несколько тарифов на подписку, то для него отлично подойдёт модель динамического ценообразования. Для большого количества товаров в e-commerce жизненно необходимы модели ранжирования. В приложении-утилите или банковском приложении можно значительно улучшить пользовательский опыт за счёт предсказаний следующих действий.
Не стоит забывать о типе и объёме информации, которой вы располагаете. Разные алгоритмы обучаются на разных данных. Чем больше разнообразных пользовательских факторов у вас получится собрать, тем больше моделей персонализации вы сможете внедрить в свой продукт.
Далее мы расскажем, какими данными необходимо располагать, чтобы та или иная модель могла обучаться.
Монетизация — приоритетная задача почти всех владельцев и разработчиков мобильных приложений. Бизнесу нужно генерировать доход, который не только покрывает траты, но и приносит прибыль. Одними из самых популярных источников прибыли в мобайле остаются встроенные покупки и подписки.
Для успешной монетизации этим способом мало определиться с ассортиментом товаров и услуг — нужно грамотно выставить цены. При этом важно чётко понимать две вещи:
При достаточном для проведения А/Б теста размере аудитории мы можем легко сделать то, что буквально несколько лет назад было практически невозможно: персонализировать цены с помощью систем динамического ценообразования.
Подразумевается, что цены на встроенные покупки не должны быть жёстко зафиксированы, а могут колебаться в рамках некоторых диапазонов. Окончательная для каждого конкретного пользователя выставляется автоматически.
Например, для товара «Платиновый командир», в игре “Top War: Игра Битвы”, с возможным диапазоном цен от 799 до 1990 рублей система динамического ценообразования выставит максимальную цену, за которую пользователь будет готов купить товар.
Динамическая модель ценообразования может оказаться эффективнее выбора фиксированной цены на основе истории продаж, анализа конкурентов или серии A/B-тестов. Ведь ML-модели выставляют цены в режиме реального времени и одновременно с учётом:
Отток пользователей — неизбежная часть жизненного цикла приложения. Все ваши клиенты не могут остаться с вами навсегда. Хорошая новость в том, что на процент оттока можно и нужно воздействовать.
Чтобы уменьшить отток, вы можете выявить пользователей с наибольшей вероятностью ухода с помощью специальной ML-модели, а затем постараться удержать их с помощью индивидуализированных предложений.
Так, исследователи Samsung Research America и трёх американских университетов провели исследовательскую работу и создали ML-систему расчёта оттока игроков для мобильного гейминга — рынка с доходом в миллиарды долларов.
Команда dev.by описывает процесс следующим образом: "Система анализирует и предсказывает «будущее» игр на микроуровне (в рамках отдельного пользователя) и на макроуровне (в рамках всех пользователей). Исследователи моделируют взаимодействие геймеров с играми, а с помощью глубокой нейросети фиксируют контекстуальную информацию и динамику использования игр. На основе этого алгоритмы генерируют прогноз макрооттока игроков на ближайшее будущее".
Использование игровой истории, профилей игр (жанр, разработчик, скачивания, рейтинг и количество оценок) и игроков (модель устройства, регион) позволило достичь очень высокого качества предсказаний. При этом модель применима не только к мобильным играм и платформам, но и для прогнозирования оттока клиентов в других сферах.
Персонализация в виде предсказания следующего шага пользователя тоже может быть очень эффективной.
Для её реализации используются модели, анализирующие цепочки пользовательских действий. Историческая информация о поведении в приложении позволяет понять характер и особенности пользователя, чтобы затем научиться моделировать его действия.
Такие модели могут «угадать» наиболее вероятное действие человека в любой момент. Например, какую следующую покупку он совершит в магазине, кому и сколько денег переведёт через банковское приложение, какой режим включит в игре.
На рисунке схематично показано, что в каждый момент ti пользователь с наибольшей вероятностью собирается совершить некоторые действия. Приложение может отправить ему соответствующее уведомление, или обновить меню быстрого доступа.
Для обучения модели принимаются во внимание данные о пользователе, его устройстве и поведении в приложении.
Широкое применение в персонализации находят и модели ранжирования. С ними мы встречаемся вообще повсеместно: в медиа сервисах, лентах соцсетей и поисковых системах.
Идея в том, чтобы показывать людям те материалы, которые с наибольшей вероятностью им понравятся или будут полезны. Самую важную роль ранжирование играет в e-commerce приложениях - от его качества напрямую зависит конверсия в покупателей.
Представьте, что вы ищете смартфон определённой модели на маркетплейсе с десятками тысяч товаров. Наверняка вы ожидаете увидеть его на первой странице поиска и почувствуете разочарование, если все топовые результаты займут чехлы.
Конечно, маленькие магазины могут позволить себе просто сортировать товары по конверсии. Но когда товаров и влияющих на покупку факторов становится действительно много, самым эффективным и прибыльным способом ранжирования оказывается внедрение автоматизированной модели.
Сервис MyTracker Personalize предоставляет владельцам и разработчикам приложений обширный набор подходов к персонализации на основе ML-моделей. На сегодняшний день мы работаем с:
С помощью алгоритмов машинного обучения от MyTracker вы сможете настроить персонализацию любых офферов и in-app покупок, тарифов на подписки и ранжирования карточек товаров.
Благодаря автоматическому разделению аудитории на произвольное количество сегментов, система персональных рекомендаций без гейм-дизайнера, продакт-менеджера и ручных A/B-тестов подбирает оптимальный оффер для каждого пользователя.
Об этом говорят и результаты трёхмесячного эксперимента по внедрению моделей персонализации Personalize в игровой симулятор Hustle Castle. Среди пользователей, получавших персонализированные предложения, ARPU (средний доход от пользователя) вырос на 23%.
Персонализация может значительно улучшить основные метрики практически любого продукта, а реализовать её в приложении помогут специальные ML-модели.
Использование ML-моделей в последние годы стало значительно проще и не требует долгих исследований и разработки. Достаточно определиться с типом персонализации, подходящим вашему приложению, и подключить MyTracker Personalize.
