Бути кращими, ніж ТіkТоk? Як покращити персоналізацію у стримінговому застосунку за допомогою AI на досвіді United Tech

Стрімінгова індустрія є однією з найдинамічніших напрямків digital-економіки. За прогнозами, глобальний обсяг цього ринку перевищить $300 млрд у найближчі роки. Та разом із масштабом зростають і вимоги до технологій, які мають забезпечити не просто роботу сервісу, а його постійне вдосконалення: від досвіду взаємодії до моделі монетизації.

Один із впливових факторів у цьому процесі — це віртуальні подарунки. Вони часто формують основний дохід платформи, а отже, логіка персоналізації показу може стати вагомою точкою росту. І, поки більшість платформ дотримуються статичних або частково адаптивних рішень, деякі команди вже експериментують з персоналізованими ML-моделями та завдяки цьому досягають суттєвого приросту.

United Tech розвиває кілька високонавантажених продуктів зі складною юніт-економікою, один з яких — це власна стрімінгова платформа для глобального ринку. Тут я займаю роль Head of Operation. Ця платформа поєднує великі обсяги контенту з унікальними рішеннями персоналізації. Щомісяця її аудиторія генерує понад 70 млн хвилин відео, а до прямих ефірів долучаються десятки тисячі контент-кріейторів. За таких умов постає питання: як персоналізовані алгоритми відображення подарунків впливають на поведінку користувачів? У цій статті я розгляну, як кастомізація gift shop та стрічки подарунків на основі даних користувача допомагає збільшити конверсію, підвищити ARPU та покращити утримання платних користувачів.

Що (не) роблять конкуренти

Станом на 2025 рік, у більшості стрімінгових соціальних платформ, таких як TikTok Live, Bigo Live, Tango, LiveMe чи Clapper, механіка відображення подарунків залишається базовою: всі користувачі бачать однакові топи, новинки або списки за ціною. При цьому, як на нашому досвіді, так і ринковому, віртуальні подарунки один із ключових драйверів доходу. Це конкретна бізнес-модель: користувачі купують віртуальну валюту, щоб дарувати подарунки стрімерам, а кожен клік у gift shop є прямою конверсією в revenue. Персоналізація цього процесу математично підвищує частоту покупок і середній чек. Тож ігнорування персоналізації в цій точці — це втрата потенціалу масштабування доходу та посилення користувацького досвіду.

У той час як гіганти типу ByteDance чи Kuaishou вже інвестують у розробку глибоких AI-моделей, більшість платформ продовжують використовувати статичний підхід. Навіть TikTok поки не пропонує індивідуальний флоу подарунків у реальному часі. І це відкриває вікно можливостей для компаній, які не просто будують алгоритми, а переосмислюють продуктову логіку на фундаментальному рівні. 

Персоналізація 2.0: переосмислення досвіду користувача

Ми трансформували логіку подарунків, впроваджуючи дворівневу систему персоналізації. Що це означає: спочатку система визначає найбільш імовірні категорії подарунків, що викликають інтерес у користувача, далі проводить ранжування всередині кожної категорії відповідно до його індивідуального скору. Тобто на старті всі користувачі бачать ретельно відібрану структуру подарунків, де кожна взаємодія, або ж її відсутність, протягом декількох перших сесій дає змогу закласти фундамент спершу із визначенням улюблених категорій, а далі й поглибленням її відповідно до індивідуальних уподобань користувача. Таким чином, навіть якщо два подарунки в одній категорії мають однакову вартість, система покаже саме той, що найбільше відповідає стилю, контексту взаємодії або звичкам конкретного користувача. Цей підхід поєднує точність і масштабованість як в e-commerce чи recommendation-driven продуктах.

Один із ключових рушіїв змін — команда Data Science, зокрема Андрій, Data Scientist компанії, який побачив, що хоча логіка більшості стрімінгових платформ і не є фіксованою, проте вона майже не враховує персональний контекст. Деякі адаптують окремі “пресети” (набори найпопулярніших подарунків) окремо під уподобання глядача, стрімера чи обох одразу, та навіть найпросунутіші рішення здебільшого не враховують поточний контекст сесії або поведінку в реальному часі. Саме на цьому й зосередився Андрій та оунерив процес від дослідження даних і розробки логіки до запуску і супроводу метрик. 

Підписуйтеся на наші соцмережі

У компанії почали з аудиту доступних даних і виявили, що для якісної персоналізації не вистачає як обсягу, так і деталізації взаємодій. Система знала лише про факт надсилання подарунка без деталей про те, як користувач поводиться до цього моменту. Щоб покращити персоналізацію, Андрій запропонував збирати більше поведінкових даних: як часто користувач відкриває магазин, у яких цінових категоріях обирає подарунки, що саме переглядає, чи впливає порядок сортування. Ці дані дозволили краще зрозуміти його інтереси й контекст взаємодії та як наслідок, значно покращити рекомендації. Щоб система краще розуміла користувачів, для побудови скорингової логіки було використано загальноприйняту типологію користувачів за рівнем витрат і залученості (“кити” — top spenders, “дельфіни” — engaged mid-tier, “риби” — low-spending mass). Це дозволило побудувати гнучку персоналізацію не лише за вподобаннями, а й за реальним впливом на бізнес. Наприклад, деякі користувачі активні, але несуть мало цінності; інші — взаємодіють рідше, але формують високий середній чек. Система враховує це і формує пропозиції так, щоб підштовхнути не просто до дії, а до дії, яка має сенс: і для глядача, і для платформи. Користувач одразу бачить ті подарунки, які йому дійсно цікаві, ще до того, як почне шукати. Це значно знижує бар’єр до дії, підвищує релевантність, впливає на середній чек і загальну задоволеність досвідом. 

У короткій перспективі очікується зростання конверсій. У середньостроковій — розширення цього підходу на інші напрямки, включно з відображенням стрімерів і пакетів монет.

AI-стратегія: не точково, а системно

Водночас подарунки – лише частина ширшої AI-стратегії. Окрім цього інтелектуальні моделі забезпечують якість і безпеку UGC-контенту. Щомісяця система обробляє понад 300 мільйонів відеофреймів і скриншотів, класифікуючи їх на 98 типів контенту з подальшою оцінкою кожного класу за 100-бальною шкалою ризику. Частота перевірки кадрів відбувається кожні 3 секунди під час трансляції. І це істотно випереджає галузеві стандарти. Для порівняння, YouTube перевіряє кадри кожні 30 секунд. Це критично важливо з огляду на вимоги App Store і Google Play до мобільного контенту.

На практиці така система не тільки про модерацію, а й про створення технологічного бар'єра для входу. За точністю класифікацій стоять роки навчання моделей на мільярдах фреймів та команда з 40+ review і support-спеціалістів. Масштаб і складність цієї інфраструктури — умовний «цифровий рів», який складно швидко скопіювати конкурентам, особливо в умовах real-time перевірки.

Окрема гілка AI-розробки — це демографічний аналіз. Компанія створює моделі, що з 90% точністю визначають вік стрімера, і використовує це в системах безпеки, модерації та персоналізації контенту. Це частина глибшої трансформації: ми в компанії рухаємось від live-streaming сервісу до повноцінної платформи-оператора. Така платформа:

Це дозволяє масштабуватись без пропорційного зростання витрат на модерацію і поступово формує «розумну платформу» з власними стандартами безпеки, персоналізації та монетизації. Платформу, яку складно відтворити або наздогнати.

Не наздоганяти, а випереджати

Система персоналізації подарунків на фінальній стадії розробки. При цьому ми вже маємо досвід запуску персоналізованих AI-моделей в інших точках користувацького шляху, зокрема, у swipe-черзі стрімерів. Там алгоритм аналізує, що цікаво конкретному користувачу, і показує релевантний контент у потрібний момент. Це дало +30% до engagement.

Зараз ми адаптуємо ці напрацювання до іншого, критично важливого напряму – gift shop. Принцип персоналізації залишається, але механіка інша: рішення приймаються імпульсивно, миттєво, з прив’язкою до емоції. Це точка прямої монетизації, і за пілотними тестами, очікуване зростання ARPU серед платних користувачів становитиме 35-40% вже у 4 кварталі цього року.

Три рекомендації для ефективної персоналізації в digital-продуктах

Цей кейс мав підвести до рекомендацій, які може взяти кожен у свою роботу.

1. Починайте з даних, а не з алгоритмів

Перед запуском ML-моделей проведіть аудит того, які саме поведінкові дані ви збираєте. У більшості випадків платформи фіксують лише фінальний клік, але ігнорують шлях користувача до нього. Додайте трекінг мікровзаємодій: тривалість перегляду, порядок кліків і лайків, паузи перед діями. Саме ці «сирі» сигнали дадуть більше користі для персоналізації, ніж складні моделі, натреновані на неповній інформації.

2. Сегментуйте за цінністю, а не за демографією

Вік, стать або регіон — це другорядне. Визначайте сегменти за поведінкою і бізнес-цінністю: “кити”, “дельфіни”, “риби”, про які говорили вище. Це дозволяє не просто враховувати вподобання, а персоналізувати продукт з урахуванням готовності платити.

3. Впроваджуйте персоналізацію поетапно

Не потрібно намагатися персоналізувати все одразу. Почніть з релевантних для користувача категорій, і тільки потім переходьте до ранжування елементів усередині. Це знижує когнітивне навантаження та дає змогу системі вчитись швидше на менших об’ємах даних.

І головне: персоналізація має розв'язувати конкретну задачу користувача, а не просто демонструвати технологічні амбіції команди. В чому й зичу успіхів!