Powiadomienia push w bankowosci detalicznej czesto dzialaja jak upierdliwy automat: hurtowo wyrzucaja komunikaty bez wyczucia. Efekt? Klienci ignoruja alerty, a gdy ten jeden jest naprawde wazny, nie widza go. Tymczasem dobrze zbudowany komunikat moze realnie poprawic zaangazowanie i zaufanie. Rozwiazaniem jest technologia, ktora najpierw generuje profil klienta, a wyjasnienie doklada tylko, gdy jest ono potrzebne.
Technologia, ktora odwrocila logike rekomendacji
System PushDualGen, uruchomiony przez Kuaishou dla miliarda uzytkownikow, robi rzecz pozornie nieintuicyjna. Zamiast najpierw tworzyc dlugie wyjasnienie (lancuch myslowy, ktory pozera moc obliczeniowa), a dopiero potem generowac rekomendacje, model od razu tworzy semantyczny identyfikator uzytkownika (SID). Wyjasnienie, dlaczego cos proponuje, staje sie opcjonalnym dodatkiem, ktory mozna wygenerowac pozniej albo wcale. W ten sposob koszt inferencji spada, a trafnosc rekomendacji rosnie: w testach A/B na platformie Kuaishou wskaznik efektywnego odtwarzania wzrosl o 8,5%, a niezadowolenie spadlo o 37,7%.
Dla bankowosci to gotowy szablon. Transakcyjna historia klienta to olbrzymi zbior danych, ale aby alert o podejrzanej platnosci byl wartosciowy, nie zawsze trzeba tlumaczyc, ze ktos wydal o 30% wiecej na subskrypcje. Wystarczy zrozumiec, ze to wlasnie ten klient ceni taka informacje i dostarczyc ja dopiero, gdy faktycznie otworzy powiadomienie.
Scenariusz: bank z 10 milionami klientow
Wyobrazmy sobie bank detaliczny, ktorego aplikacje uzywa 10 mln osob. System tworzy dla kazdego SID na podstawie dwoch lat historii kart, przelewow i lokalizacji platnosci. Gdy algorytm wykryje nietypowa transakcje - na przyklad platnosc za granica o 3 w nocy - wysyla push oparty tylko na SID, bez dlugiego komunikatu. Dopiero gdy klient wejdzie w powiadomienie, model generuje konkretny argument: 'Ta platnosc w Dubaju odbiega od Twoich zwyklych wydatkow. Ostatnie trzy podroze ksiegowales z Warszawy.'
W pilotażu na grupie 500 tys. klientów okazało się, ze tylko 30% alertow wymagalo wygenerowania pelnego wyjasnienia. W pozostalych przypadkach prosta informacja o nietypowym zdarzeniu wystarczala, a koszt przetwarzania byl kilkukrotnie nizszy. System działał na standardowych serwerach banku bez dodatkowych GPU, poniewaz generowanie SID jest lekkie obliczeniowo, a opoznienie w dostarczaniu pusha spadlo ponizej sekundy.
Liczby, ktore przekonuja szefa produktu
Po trzech miesiacach testow w calej bazie 10 mln klientow aplikacja odnotowala 15% wzrost wejsc do modulu oszczednosciowego. Klienci zaczeli czesciej sprawdzac oferty lokat i rachunkow celowych, bo alerty o okazjach nie wygladaly jak spam. Jednoczesnie reklamacje dotyczace nietrafionych powiadomien spadly o 28%. Zamiast skarg na 'glupiego robota' dzial obslugi klienta slyszal pytania o to, jak skonfigurowac podobne alerty.
W ujeciu finansowym bank zaoszczedzil na dwoch frontach. Po pierwsze, koszt generowania wiadomosci spadl o okolo 60% dzieki pomijaniu zbednych wyjasnien. Po drugie, mniej obciazone działy IT i mniej eskalacji serwisowych przełożyło się na oszczedności rzędu 2 mln zł rocznie przy tej skali. Dodatkowo wzrost zainteresowania produktami oszczednosciowymi wygenerował przychody trudne do uzyskania wczesniejszymi kampaniami push.
Od czego zaczac w swoim banku?
Wdrozenie nie wymaga rewolucji. Warto wybrac jeden segment klientow, np. osoby posiadajace wiecej niz dwie subskrypcje cykliczne, i przez dwa tygodnie testowac alerty bazowane tylko na SID, porownujac wyniki z dotychczasowymi powiadomieniami. Jesli wskazniki otwarć i konwersji wzrosną, można rozszerzyć pilotaz. Kluczowym warunkiem sukcesu jest dostarczenie modelowi przynajmniej 12 miesiecy transakcyjnych danych historycznych, inaczej SID bedzie zbyt ogolny.
Technologia zrodzila sie w rekomendacjach wideo, ale jej logika pasuje rownie dobrze do bankowosci: najpierw precyzyjnie rozpoznaj klienta, a wyjasnienie dołóż tylko tam, gdzie naprawde robi roznice. To nie jest magia AI z konferencyjnych slajdow, tylko czysty, biznesowy zdrowy rozsadek.
- 15% wzrost wejsc do modulu oszczednosciowego
- 28% mniej reklamacji dotyczacych alertow
- 70% alertow bez kosztownego generowania wyjasnien
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.
