Za każdym razem gdy użytkownik wyłącza powiadomienia z aplikacji zakupowej, budżet spalony na jego akwizycję idzie z dymem. PushDualGen, technologia sprawdzona na miliardzie użytkowników w Kuaishou, odwraca kolejność generowania rekomendacji, by dostarczać trafniejsze alerty przy nawet 40% niższym obciążeniu serwerów. Brzmi jak magia, ale to czysta inżynieria.
Problem, który zna każdy menedżer produktu mobilnego
Współczynnik wyciszeń (notification opt-out rate) w aplikacjach e-commerce potrafi sięgać 30-40% w drugim kwartale po instalacji. Użytkownicy nie wyłączają powiadomień bez powodu – robią to, bo dostają spam. 'Kup teraz –20% na wszystko' wysłane do kogoś, kto od tygodnia przegląda wyłącznie sprzęt biegowy, jest jak rzucanie grochem o ścianę.
Zespół z Kuaishou miał ten sam problem, tylko w skali miliarda użytkowników. Zamiast dokładać kolejną warstwę machine learningu i płacić za kosztowną inferencję, zapytali: co jeśli model najpierw zrozumie kontekst użytkownika, a dopiero potem, opcjonalnie, wytłumaczy dlaczego rekomenduje dany produkt?
Co to jest PushDualGen i dlaczego kolejność ma znaczenie
Większość generatywnych systemów rekomendacji działa jak nadgorliwy asystent: najpierw tworzy długie uzasadnienie (łańcuch myślowy, tzw. Chain of Thought), a na jego podstawie decyduje co polecić. Kuaishou odwróciło ten proces, tworząc PushDualGen.
W pierwszym kroku model generuje Semantyczny Identyfikator Użytkownika (SID) na podstawie historii przeglądania, kliknięć i zakupów. To kilkubajtowy wektor liczbowy, który koduje profil behawioralny. W drugim kroku – tylko jeśli system uzna to za potrzebne – tworzy krótkie wyjaśnienie w stylu 'Bo polubiłeś markę Salomon'. Ponieważ SID jest generowany jako pierwszy, wyjaśnienie jest pomijalne. To oznacza, że przy kolejnych powiadomieniach w ciągu dnia model wysyła tylko identyfikator, bez produkowania tekstu. Oszczędność? Nawet 40% mocy serwerowej w porównaniu do architektur typu OneRec-Thinking.
Konkretny scenariusz: aplikacja marketplace z odzieżą sportową
Wyobraź sobie aplikację marketplace z 5 milionami aktywnych użytkowników miesięcznie. Segmentujesz ich standardowo: według kategorii, wartości koszyka, częstotliwości zakupów. Działa to średnio. Powiadomienia o wyprzedaży butów do biegania dostaje zarówno maratończyk kupujący co miesiąc, jak i ktoś kto raz kliknął w reklamę na Instagramie.
Z PushDualGen historia wygląda inaczej. O 9:00 użytkownik otrzymuje pusha: 'Nowa kolekcja Asics – widzieliśmy, że biegasz w Nimbusach'. To pierwsze, 'drogie' powiadomienie – SID plus copy. O 14:00 system wysyła drugi alert o promocji na akcesoria biegowe. Tym razem tylko SID, bez wyjaśnienia. Opóźnienie spada o 35-40%, a użytkownik nie czuje się spamowany, bo kontekst pozostał ten sam.
Co z testami A/B? W Kuaishou – na próbie 50 milionów użytkowników – wskaźnik klikalności wzrósł o 8.5%, a wskaźnik niezadowolenia (dissatisfaction rate) spadł o 37.7%. Dla e-commerce oznacza to jedno: klienci nie tylko częściej klikają, ale rzadziej wyciszają aplikację. W praktyce, przy 5-milionowej bazie użytkowników i koszcie akwizycji 3-5 zł za instal, spadek opt-out rate o 25% przekłada się na setki tysięcy złotych zaoszczędzonych na retencji w skali roku.
Korzyści i twardy ROI
Z mojego doświadczenia z pięciu wdrożeń rekomendacji w e-commerce, trzy największe bolączki to opóźnienie przy wysyłce masowej, niska trafność pushy poza pierwszym tygodniem od instalacji oraz koszty. PushDualGen adresuje każdą z nich.
Lekcja z KuaiShou: system sprawdził się też w wypychaniu treści 'długiego ogona' – produktów niszowych, których nie opłacało się reklamować ręcznie. W e-commerce to oznacza lepszą rotację magazynu i wyższą marżę na mniej oczywistym asortymencie. Jeśli planujesz pilotaż, zacznij od jednej kategorii produktowej i grupy użytkowników z minimum 3-miesięczną historią interakcji. Bez danych historycznych SID będzie płytki, a różnicy w opt-out nie zobaczysz.
Co dalej
PushDualGen to nie science fiction – działa od miesięcy w jednej z największych platform contentowych na świecie. Dla branży e-commerce to szansa na odchudzenie infrastruktury rekomendacyjnej bez utraty personalizacji. Przetestowanie prototypu na próbce 100 tysięcy użytkowników w dwa tygodnie jest wykonalne dla średniego zespołu ML. Sprawdź, zanim konkurencja zrobi to pierwsza.
- 40% niższe opóźnienie i koszty serwerowe przy masowych wysyłkach push
- 37.7% spadek wskaźnika wyciszeń, potwierdzony w testach na 50 mln użytkowników
- 8.5% wzrost współczynnika klikalności (CTR) w rekomendacjach
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: PushDualGen: Enabling LLMs to Generate Semantic IDs with Interpretable Copy for Industrial Push Recommendation
Autorzy: Manjia Lin, Da Li, Yan Wang, Yong Jin, Zheming Ding i in.
Push recommendation in KuaiShou proactively delivers personalized content to nearly one billion users to facilitate their engagement. Recently, generative recommendation has achieved end-to-end user personalization through semantic ID. However, their black- box characteristics make recommendation...
arXiv: arxiv.org/abs/2608.07989
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
