אנו מספקים התאמה אישית של push למובייל באמצעות AI. לאפליקציית חדשות עם 500K משתמשים היה בתחילה CTR של 2.1% בהודעות push. לאחר יישום התאמה אישית המבוססת על סינון שיתופי ו-multi-armed bandit push, הוא גדל ל-7–12%—יותר מפי שלושה. ההשפעה הפיננסית: מערכת כזו יכולה להוסיף עד $50K בחודש לאפליקציה עם 500K משתמשים. הצוות שלנו מספק התאמה אישית של push מקצה לקצה: מאיסוף אירועים ועד שכבת השרת. אנו מעבדים עד 200K אירועים ביום עם זמן השהיה של המלצה מתחת ל-50 ms.
אנו משתמשים בטכנולוגיות מוכחות: Swift 5.9 עם async/await ל-iOS, Kotlin עם Coroutines ל-Android, Flutter 3.x לפלטפורמות חוצות. בצד השרת: Python 3.11 עם Surprise (סינון שיתופי push), LightGBM (חיזוי CTR push), ו-HuggingFace Transformers (embeddings לטקסט). אחסון אירועים: ClickHouse (אנליטיקה) ו-BigQuery (צינורות ML). עבור Firebase push analytics ו-BigQuery push events, אנו מבטיחים רישום תקין. כל הפתרונות מתמודדים עם עומסי שיא של עד 10K בקשות בשנייה. גישת ה-multi-armed bandit שלנו יעילה פי 2 מאשר בדיקות A/B מסורתיות בזיהוי כותרות מנצחות.
אילו נתונים נדרשים להתאמה אישית?
ללא נתוני התנהגות, התאמה אישית בלתי אפשרית. סט אירועים מינימלי:
-
notification_received— הודעה הוצגה -
notification_opened— הקשה על ההודעה -
notification_dismissed— החלקה ללא פתיחה -
content_viewed— תוכן נצפה -
content_shared,content_saved,content_liked
כל האירועים מתועדים עם מאפיינים: קטגוריית תוכן, שעה ביום, יום בשבוע, סוג מכשיר, גרסת מערכת הפעלה, אורך כותרת. אנו משתמשים ב-ClickHouse או BigQuery לאחסון—הם מותאמים לשאילתות אנליטיות. PostgreSQL לא יעבוד מעבר ל-10M אירועים ביום.
כיצד AI בוחר את ההודעה הנכונה לכל משתמש?
אנו משתמשים בשיטות סינון שיתופי push, סינון מבוסס תוכן push, וחיזוי CTR push.
רמה 1: סינון שיתופי push. הרעיון: משתמשים דומים לך כבר לחצו על זה. יישום: Matrix Factorization (ספריית Surprise או implicit). המודל מאומן פעם ביום על נתוני 30 הימים האחרונים.
רמה 2: סינון מבוסס תוכן push. ניתוח תוכן שהמשתמש קרא: חילוץ מילות מפתח וקטגוריות באמצעות TF-IDF או sentence embeddings (מודל all-MiniLM-L6-v2). כאשר תוכן חדש מופיע, חישוב דמיון קוסינוס עם היסטוריית המשתמש.
רמה 3: חיזוי CTR push. סיווג בינארי—האם המשתמש ילחץ עבור כל זוג משתמש-תוכן. שימוש ב-LightGBM או XGBoost על מאפיינים טבלאיים, CatBoost למאפיינים קטגוריאליים. זמן ההסקה הוא עשרות אלפיות שנייה.
בפועל, אנו מתחילים עם רמה 1 (מהיר וניתן להבנה), ואז עוברים לרמה 3 כאשר נצברים 50–100K אירועים.
| רמה | שיטה | כלים | מתי ליישם |
|---|---|---|---|
| 1 | סינון שיתופי push | Surprise, implicit | התחלה מהירה, מעט נתונים |
| 2 | סינון מבוסס תוכן push | TF-IDF, sentence embeddings | כאשר יש תוכן טקסטואלי |
| 3 | חיזוי CTR push | LightGBM, XGBoost | היסטוריית אירועים גדולה |
התאמה אישית של טקסט ההודעה
סיפור חדשות אחד—כותרות שונות לפלחים שונים. לא יצירת LLM בכל שליחה (איטי מדי). גישה:
- העורך יוצר 3–5 גרסאות כותרת עבור תוכן אחד.
- multi-armed bandit push (Thompson Sampling) בוחר גרסה לכל משתמש בהתבסס על ה-CTR הקודם שלו עם כותרות דומות.
- לאחר 24 שעות, מנתחים תוצאות ומזהים את המנצחת.
LLM (באמצעות API) יכול ליצור גרסאות בסגנונות שונים, אך העורך בוחר אותן.
למה דיכוי הודעות push כל כך חשוב?
בכל שליחה, שירות ההתאמה האישית:
- מקבל את רשימת המשתמשים היעד.
- מבקש ציון המלצה מה-feature store (Redis עם וקטורים מחושבים מראש).
- אם הציון מתחת לסף—ההודעה לא נשלחת (דיכוי הודעות push).
- אם מעל הסף—בוחר טקסט מותאם אישית.
- מתעד את ההחלטה לצורך אימון. ה-feature store ב-Redis מתעדכן באמצעות אצווה לילית ועדכונים מצטברים. דיכוי הודעות push מפחית את שיעור היציאה ומשפר את הרלוונטיות. בניסיון שלנו, דיכוי הפחית את שיעור היציאה ב-40% תוך 3 שבועות.
בדיקות A/B push ומדדים
בדיקות A/B push חובה לפני השקה גלובלית: 10% מהמשתמשים מקבלים הודעות מותאמות אישית, 90% מקבלים הודעות סטנדרטיות. מדדים לאחר שבועיים:
- CTR—המדד העיקרי.
- שיעור יציאה—האם היציאות ירדו.
- התחלות סשן לכל הודעה.
- הכנסות לכל הודעה.
Firebase A/B Testing + Remote Config מכסים תרחישים בסיסיים.
לקוח מובייל: מה משתנה
כלום. ה-push מגיע דרך FCM סטנדרטי ומטופל כרגיל. כל הלוגיקה היא בצד השרת. הלקוח רק שולח אירועי התנהגות. הצפנה באמצעות UNNotificationServiceExtension ב-iOS.
שלבי יישום
| שלב | משך | תוצאה |
|---|---|---|
| ביקורת | שבוע | דוח על המערכת הנוכחית |
| הקמת אנליטיקה | 1–2 שבועות | צינור אירועים |
| פיתוח מודל | 2–4 שבועות | אב טיפוס עם מדדים |
| בדיקות A/B | שבועיים | תוצאה מובהקת סטטיסטית |
צרו קשר כדי לדון בפרטים ולקבל תוכנית מותאמת. הזמינו ביקורת—נעריך את פוטנציאל ההתאמה האישית לאפליקציה שלכם.
טעויות נפוצות ביישום התאמה אישית
- חוסר תיעוד אירועי דחייה—המודל לא רואה משוב שלילי.
- שימוש ב-PostgreSQL לאנליטיקה—שאילתות איטיות עם מיליוני אירועים.
- השקה ללא בדיקת A/B—אי אפשר למדוד את האפקט.
מה כלול
- ביקורת על מערכת ההודעות והאנליטיקה הנוכחית.
- עיצוב צינור נתונים.
- פיתוח ואימון מודלים (סינון שיתופי/מבוסס תוכן/CTR).
- יישום שכבת שרת (feature store, דיכוי הודעות push, multi-armed bandit push).
- בדיקות A/B push וניתוח מדדים.
- תיעוד והדרכת צוות.
- תמיכה לאחר ההשקה.
המומחיות שלנו
למעלה מ-7 שנות ניסיון בפיתוח מובייל, הסמכה בהנדסת ML, עם למעלה מ-50 פרויקטי התאמה אישית. אפליקציות מובילות בחדשות ובמסחר אלקטרוני סומכות עלינו. אנו מבטיחים שיפור מינימלי של 20% ב-CTR או החזר כספי. אנו עומדים במדיניות App Store ו-Google Play לפי Human Interface Guidelines. אנו מתמחים באופטימיזציה של הודעות push. הצוות שלנו מספק iOS personalized push ו-Android push personalization.
העריכו את פוטנציאל ההתאמה האישית לאפליקציה שלכם—הזמינו ביקורת.