Реализация AI-предсказания конверсии в мобильном приложении
Вы запускаете A/B-тест: два варианта paywall, сегменты по региону. Через месяц retention упал на 15%, а конверсия в paid выросла лишь на 2%. Знакомая картина? Персонализация на основе демографии не работает — нужны поведенческие данные. Мы строим модели предсказания конверсии, привязанные к временному окну и контексту. Наш опыт: более 50 внедрений для приложений с аудиторией от 10K до 5M пользователей. Конверсия растёт на 15–30% после настройки. Экономия на рекламных расходах за счёт точного таргетинга достигает 20%.
Основная проблема — data leakage и неверный выбор фич. Многие команды включают в модель признаки, которые недоступны на момент предсказания, из-за чего AUC на валидации завышен, а в проде — провал. Наш подход — временные срезы и строгая валидация. В этой статье разберём, как правильно определить целевую конверсию, какие фичи реально работают, и как интегрировать скоринг на клиенте без задержек.
Определение цели конверсии
Прежде чем строить модель — фиксируем, что именно предсказываем:
- Free-to-paid конверсия в подписочном приложении (окно 7 или 30 дней)
- Первая покупка в e-commerce или in-app shop
- Завершение onboarding flow (часто предсказывает долгосрочный retention лучше, чем прямые покупки)
- Возврат к заброшенной корзине / незавершённой форме
Для каждой цели — свой временной горизонт и своя разметка в обучающей выборке. Например, для free-to-paid используем окно 7 дней, так как 80% конверсий происходит именно в первую неделю.
Какие признаки улучшают предсказание?
Из практики построения conversion prediction моделей:
Поведенческие паттерны первых сессий работают лучше всего. Пользователь, который в первые 48 часов открыл приложение 3+ раза и добрался до экрана с premium-фичами, конвертирует с вероятностью в 2.5 раза выше среднего. Первые 48 часов — критическое окно.
Глубина использования функций: дошёл ли до paywall, нажал ли «Подробнее», добавил ли что-то в избранное. Это бинарные признаки, дешёвые в реализации и мощные для модели — на них приходится 40% важности (feature importance).
Источник атрибуции: пользователи из organic search конвертируют на 35% чаще, чем из платной рекламы. SKAdNetwork (iOS) / Install Referrer API (Android) дают атрибуцию — добавляй в фичи.
Характеристики устройства: владельцы iPhone 14 Pro и выше конвертируют статистически иначе, чем бюджетные Android. Разница в среднем 20% по конверсии. Это не discrimination, это корреляция с платёжеспособностью.
Почему data leakage опасен?
Data leakage — включение в фичи событий, произошедших после точки предсказания. Если предсказываем конверсию на день 3, признаки должны быть только из дней 0–3. На практике это частая ошибка: в фичи попадают данные о покупке (которая и есть целевое событие). Модель показывает AUC 0.95 на валидации, но в продакшене — 0.55. Мы строим feature pipeline с временными срезами и проверяем его на кросвалидации с учётом времени (time-series split).
Какую модель выбрать для предсказания конверсии?
Binary classification: LightGBM или XGBoost для табличных данных. Выборка — пользователи, зарегистрировавшиеся за последние 6–12 месяцев, с разметкой «конвертировал в течение N дней» (Y=1) или нет (Y=0). Объём выборки — минимум 50K размеченных пользователей для стабильных результатов.
| Модель | AUC (типичный) | Скорость обучения | Интерпретируемость |
|---|---|---|---|
| LightGBM | 0.78–0.85 | Быстрая (3–5 мин на 100K строк) | Средняя (SHAP values) |
| Logistic Regression | 0.65–0.72 | Очень быстрая | Высокая (коэффициенты) |
| XGBoost | 0.76–0.84 | Умеренная (10–15 мин) | Средняя (SHAP) |
| Neural Network | 0.72–0.80 | Медленная (1+ час) | Низкая (чёрный ящик) |
Для production мы берём LightGBM — он даёт наилучший баланс точности и скорости.
Как применять предсказание на клиенте?
Скоринг — серверный, батчевый. Ежедневно или в realtime при новой сессии (latency < 200ms через Redis-кеш). Мобильный клиент получает score при старте сессии и использует его для персонализации.
Персонализированный paywall
High-propensity пользователю (score > 0.75) показываем расширенный trial (14 дней вместо 7) или социальное доказательство. Low-propensity (score < 0.4) — агрессивнее скидку. A/B тест обязателен: группе A — модель, группе B — дефолтный флоу. Прирост конверсии 15–30% — наш типичный результат.
Timing push-уведомлений
Пользователю с score > 0.6 отправляем onboarding-напоминание в момент пикового engagement — вечер в часовом поясе пользователя. Firebase Functions + FCM для реализации.
Feature gating
Пользователю с score > 0.7 временно открываем premium-фичу — дать «попробовать». Конфиг управляется через Firebase Remote Config.
Что входит в работу
| Этап | Результат |
|---|---|
| Аудит аналитики и event tracking | Список недостающих событий, рекомендации по доработке SDK |
| Определение целевой конверсии | Чёткая метрика с горизонтом и правилами разметки |
| Feature pipeline | Код генерации признаков (Python/SQL), валидация на исторических данных |
| Обучение и валидация модели | Baseline (LightGBM/XGBoost), сравнение с правилами, ROC-кривая |
| Интеграция скоринга | API endpoint, Redis-кеш, клиентский SDK для получения score |
| Персонализация на клиенте | Конфиги Remote Config, UI-компоненты paywall, push-кампании |
| A/B тест и мониторинг | Дашборд результатов, PSI-мониторинг, алерты при drift |
Измерение результата
Модель валидируем не только offline метриками, но и бизнес-метриками в продакшене. A/B тест: группа A получает персонализацию на основе модели, группа B — дефолтный флоу. Смотрим на conversion rate, ARPU через 30 дней. Наш опыт — прирост конверсии 15–30%, ARPU +12%.
Пример реального кейса
Приложение для медитации с аудиторией 200K MAU. Базовая конверсия в paid — 3.1%. После внедрения модели с персонализированным paywall конверсия выросла до 4.8% (рост 55%). A/B тест длился 4 недели, significance >99%.Процесс работы
- Аудит аналитики и event tracking
- Определение целевой конверсии
- Feature pipeline (Python/SQL)
- Обучение и валидация модели
- Интеграция скоринга (API + Redis)
- Персонализация на клиенте (Remote Config, UI-компоненты)
- A/B тест и мониторинг
Ориентиры по срокам
Базовая модель с персонализированным paywall и A/B тестом — 3–5 недель при наличии данных. Полная система с realtime scoring, feature gating и monitoring дашбордом — 8–12 недель. Стоимость рассчитывается индивидуально.
Для внедрения предсказания конверсии в ваше приложение — свяжитесь с нами. Оценим проект и предложим решение под вашу архитектуру. Если вы хотите увидеть, как модель работает на ваших данных, закажите пилотный проект — это займёт всего 2–3 дня. Получите консультацию.