Рекомендательная система для игр Альфа‑Банка: простые решения превзошли сложные

Каждый месяц в игровом разделе мобильного приложения Альфа‑Банка участвуют миллионы пользователей. Игровые задания (оплата ЖКХ, заправка, заказ карты) превращаются в реальные банковские операции, что делает их отличным каналом нативного продвижения продуктов без навязчивой рекламы.

С ростом количества механик в играх перед командой встал классический рекомендательный вызов: какие задания показать конкретному пользователю, чтобы максимизировать конверсию и удержание. Первоначально команда экспериментировала с тяжёлыми решениями – нейронными сетями, графовыми моделями и сложными гибридными системами, требующими больших объёмов данных и длительного обучения.

Однако результаты показали, что простейшие подходы – коллаборативная фильтрация и модели на основе частотных матриц – стабильно превосходили сложные решения по точности рекомендаций (CTR вырос на 12 %, а средний чек – на 8 %) и, главное, требовали в разы меньше вычислительных ресурсов.

Команда опубликовала подробный разбор на Habr ML, где описала процесс построения, сравнение метрик и выводы о том, почему «простое» иногда лучше «сложного» в условиях ограниченного количества сигналов и высокой динамики пользовательского поведения. Подробнее – статья на Habr.

Ключевые выводы:

• Базовые модели дают быстрый запуск и легко масштабируются.
• Сложные модели могут переобучаться из‑за шумных данных и требовать дорогостоящей инфраструктуры.
• Регулярный A/B‑тестинг и мониторинг бизнес‑метрик важнее, чем технологическая новизна.

Эти результаты полезны как для банков, так и для любой компании, использующей геймификацию для повышения вовлечённости.