PlantIn — один із наймолодших бізнесів на мапі екосистеми Genesis. Однойменний застосунок-флагман використовує технологію Machine Learning для розпізнавання рослин та персоналізованого плану догляду за ними, беручи до уваги локацію, клімат, погоду та інші параметри. На сьогодні додаток завантажили 22 млн користувачів.
Нещодавно компанія зробила крок у нову нішу, презентувавши свій новий продукт, — CoinIn. Це застосунок, що використовує штучний інтелект для розпізнавання монет. Ідея створити його з’явилася несподівано, але вже через кілька місяців після появи він став лідером у своїй ніші. Про всі нюанси розробки та просування CoinIn для High Bar Journal розповіли фахівці PlantIn — User Acquisition Lead Ірина Клименко та Machine Learning Lead Тимур Болотюх.
З чого все почалося?
Наприкінці 2022 року компанія Glority Global Group (найбільший конкурент PlantIn із застосунками PictureThis та Plant Parent) створила додаток із розпізнавання монет CoinSnap: Coin Identifier. Вже на початку 2023 року стало зрозуміло, що в них вийшов швидкий і успішний запуск.
Водночас технічна команда PlantIn не лише мала всі необхідні інструменти для створення схожого застосунку, але й знала, як зробити більш вдалий алгоритм для розпізнавання монет. Власне так і виникла ідея зробити подібний продукт та посунути китайців з першості на цьому ринку. Тим більше, що застосунок CoinIn мав свою особливість.
«В нашому додатку ми реалізували унікальну функцію для користувачів, — розповідає Ірина Клименко, User Acqusition Lead в PlantIn, — і це — маркетплейс, де користувачі можуть обмінятися монетами, які їх цікавлять. Тобто, у CoinIn, крім розпізнавання, користувач може зберегти свою колекцію монет, а додаток допоможе оцінити вартість кожної монети, а також є можливість виставити її на продаж. При цьому користувачам, які зазначили, що вони зацікавлені в покупці тієї чи іншої монети, прийде сповіщення, що така монета була виставлена в маркетплейсі. Ми даємо можливість людям зв'язатися між собою вже поза додатком та провести обмін монетами».
При цьому CoinIn не бере комісію за розміщення на маркетплейсі — монетизується продукт через підписки. Додаток збирає імейли юзерів і в разі, якщо людина виставила свою монету на продаж і є зацікавлені покупці, то дає змогу побачити пошту продавця, через яку із ним можна зконтактувати.
Розробкою продукту нині займається досить невелика команда фахівців PlantIn: ML-розробник, чотири анотатори даних, бекенд-розробник, mobile team та ML-ops.
Особливості аудиторії
При створенні застосунку команді слід було також врахувати специфіку ринку — адже нумізматів значно менше, ніж любителів рослин.
«Ми одразу розуміли, що виростити застосунок за тими ж принципами, що й PlantIn, не вийде, і що нам потрібно буде шукати інші підходи. Основна відмінність полягає в тому, що у CoinIn більшість аудиторії — це чоловіки, адже якраз вони більш зацікавлені в колекціонуванні та розпізнаванні монет. Зараз гендерний розподіл в нас такий: 60% — чоловіки, 40% — жінки. І чоловіча аудиторія має нижчий показник СРА (ціна за залучення користувача) та кращі продуктові метрики — наприклад конверсія з тріала в покупку у чоловіків в середньому на 3% вища.
Власне цей факт найбільше вплинув на нашу стратегію, бо ми робимо креативи більш відповідні до чоловічої аудиторії, та часто звужуємо аудиторію по гендеру. — зазначає Ірина Клименко. — Загалом, найкраще для нас працює Tier1-ринки: США та Австралія, при цьому ми тестуємо і багато інших країн з метою розширення аудиторії для нашого додатка».
Якщо говорити про канали просування, то наразі найкращі результати показала Meta Ads, яка і допомогла проєкту стати першим. До того ж команда має найбільшу експертизу роботи саме з даним каналом трафіку. У планах — розширення каналів просування, наприклад, команда вже під'єднала Apple Search Ads. А найближчим часом буде і Google ads та TikTok Ads.
За словами Ірини, така стратегія дасть більше можливостей, бо, скажімо, конкурент використовує лише Meta Ads та не розширює свої канали просування.
Підписуйтеся на розсилку від High Bar Journal, аби щомісяця одержувати найцікавіші тексти та актуальні вакансії.
Як відбувається розпізнавання?
Розпізнавання момент відбувається в декілька етапів:
Знаходимо на фото монету.
2. «Сегментуємо», тобто, прибираємо background на фото, залишивши тільки саму монету (як на фото нижче).
3. Знаходимо по фото, що це за монета в базі «image retrieval».
4. Для більш точного пошуку шукаємо текст на монеті та розпізнаємо його. Це покращує результати пошуку.
5. Насамкінець формуємо «cover» з монетами та повертаємо детальну інформацію про саму монету.
«Розпізнавання момент відбувається в кілька етапів, і кожний етап — це окрема ML задача, для якої потрібні певні дані. «Наприклад, знаходження монети на фото — це задача детекції. Для цього анотаторам потрібно виділити на фото прямокутником монету, щоб надалі з цим справлялась ML модель по детекції», — розповідає Тимур Болотюх, Machine Learning Lead в PlantIn.
«Технологічний стек — це python, pytorch, ONNX, Triton Inference Server. І для забезпечення точності розпізнавання монет у додатку нам необхідні якісні дані. Для цього потрібно розмітити тисячі монет (якщо говорити про цифри, то для детекції було розмічено ~10 000 різних монет, і складність полягає саме в нетривіальних монетах, а таких вистачає). Оскільки готового рішення, щоб це зробити, не було, тож ми написали власне рішення», — додає Тимур.
Із чим довелося зіткнутись у процесі?
Однією з проблем, через яку довелося призупинити проєкт, була незадовільна юніт-економіка. «Після першого запуску, — розповіла Ірина, — ми помітили низьку конверсію з тріалу в оплату. Ми спробували розв'язати цю проблему як з продуктового боку, так і з боку маркетингу. Тому призупинили закупку трафіку, адже на початковому етапі не вдалося досягти позитивної юніт-економіки й швидко вийти на окупність».
Протягом року в компанії зрозуміли, що не зовсім враховували, як саме користувачі повертаються до застосунку. У маркетинговій стратегії вони сфокусувалися на аудиторії, зацікавленій у даній тематиці. Перерахувавши юніт-економіку на основі фактичних даних, команда побачила реальну окупність. При цьому використовувалися як старі підходи в стратегії та в креативах, так і нові. Згодом стало очевидно, що і стратегія, і креативи працюють ефективно.
Команда постійно шукала шляхи для покращення продукту. Майже за рік, проаналізувавши дані, фахівці виявили, що конверсія з тріалу в оплату значно покращилася. «Першого разу ми зупинили закупку платного трафіку на додаток через низький конверт, але після перерахунку усіх даних за рік, середній CR з тріалу в покупку виріс утричі на ринку США» — додала Ірина. Люди почали активно повертатися до додатка, особливо через сповіщення для них про цікаві монети, які були виставлені на маркетплейсі.
Після аналізу першого запуску в компанії також зрозуміли, що можуть працювати із ширшою аудиторією, тому не було потреби звужувати її лише до зацікавлених у нумізматиці.
«Для роботи з іншими країнами ми знайшли для CoinIn патерн роботи з локалізаціями креативів, — додає Ірина. — Зазвичай для PlantIn було досить локалізувати мову в креативі. Але для CoinIn під кожну країну крім мови ми локалізуємо також монети в креативі. Окрім цього ми намагаємося робити креативи для широкої аудиторії, а не лише для людей, які вже цікавляться нумізматикою. В креативах ми часто показуємо, що користувач може за допомогою нашого додатка відсканувати старі монети, які завалялися десь, та знайти там унікальну монету».
Однією з головних технічних проблем, що виникли після першого запуску, було розпізнавання реальних зображень монет. Фото монет, які можна отримати у вільному доступі на різних каталогах, виглядають ідеально. Проте в реальному житті монети часто пошкоджені, зі зміненим кольором та мають інші дефекти, що стають більш помітними з віком. Після запуску проєкту важливо було зібрати якомога більше реальних даних від користувачів (які залишають фідбеки), щоби виявити слабкі місця, помилки. Далі з цими даними працювала команда анотаторів і додатково їх розмічала. І вже згодом на цих даних додатково тренували ML-моделі, аби уникнути помилок.
«Нині додаток не лише допомагає розпізнавати монету, але й інформує користувачів про її вартість, яка сильно залежить від року виготовлення монети. Для цього ми додали нову ML-модель, яка знаходить та розпізнає текст на монетах», — додає Тимур.
Друга спроба
Для забезпечення масштабованості та стабільності роботи додатка після перезапуску, компанія оптимізувала роботу складного обчислювального процесу. Оскільки для фінального результату фото повинно пройти через декілька моделей, це займає певний час та ресурси. Щоби користувачам не доводилося довго чекати на результат, необхідно було оптимізувати моделі для швидкої та точної видачі результатів. Команда використала для цього кілька методів, зокрема квантизацію, конвертацію моделей в ONNX та інференс через Triton Inference Server.
Такі заходи дозволили забезпечити швидку та стабільну роботу додатка, що значно підвищило задоволеність користувачів і покращило загальні показники продуктивності.
CoinIn швидко став №1 серед додатків аналогічної тематики — тобто першим серед основних конкурентів: CoinSnap та Coin ID. А в деякі дні — першим у своїй ніші в апсторі на своїх топових локалях, зокрема в Австралії.
Говорячи про основний фактор успіху, Ірина зазначає: «Це комплексна робота всіх відділів, яка вивела разом застосунок на першу сходинку. Це і широкий та цікавий функціонал продукту, і якісна експертиза команди, і робота з креативами та пошук ідей для відео, які цікаві аудиторії».
З технічного погляду, за словами Тимура, на результат також вплинули правильно обрані технології та якісний датасет.
Ми повинні розуміти, що технологія image retrieval, яка лежить в основі CoinIn, може бути аналогічним чином масштабована для пошуку будь-чого по фото. А це відкриває нові можливості для розвитку будь-якого продукту», — говорить Тимур.
Він також підкреслює, що найбільше мотивувало команду бажання створити продукт, яким будуть користуватися мільйони людей по всьому світу. Виклики, з якими вони стикалися, сприймалися як особисті, що допомогло їм зосередитися на досягненні високих результатів.
Команда планує розширювати географію продукту та розширяти канали залучення користувачів. На сьогодні в додатку приблизно 60 000 DAU (користувачів, що відкривають застосунок щодня). Наступного року PlantIn прогнозує збільшення цього показника вдвічі.