Swiggy lanza modelo multitarea de MLP para predecir el valor de por vida de clientes
Con 350 características y una arquitectura de red simple, Swiggy reduce un 63 % los parámetros y mejora la precisión del pLTV antes del primer pedido.
Swiggy ha puesto en producción un modelo interno de valor de vida predicho (pLTV) que estima el potencial de ingresos de nuevos usuarios tanto para su servicio de entrega de comida como para Instamart, su negocio de comercio rápido. La idea es obtener una señal útil antes de que el cliente haga su primer pedido y usarla para optimizar pujas publicitarias, en lugar de basarse en métricas de conversión a corto plazo.
El desafío principal es la escasez de datos en los primeros días y una distribución de valores altamente sesgada: la mayoría de los nuevos usuarios no ordena en los primeros 30 días, mientras que una minoría genera un valor de por vida muy alto. Para superar eso, el equipo de datos de Swiggy alimenta al modelo con más de 350 características agrupadas en canales de adquisición, señales de dispositivo y fraude, comportamiento geográfico, historial de quejas, afinidad por categorías de Instamart, patrones de pago y datos socio‑económicos. Todas están disponibles antes del primer pedido, lo que cumple con el requisito de “cold start”.
Soumyajyoti Banerjee, staff data scientist, explicó en LinkedIn que la clave fue añadir una segunda tarea de predicción: el recuento de pedidos. Eso permitió reducir el número de parámetros de 363 000 a 135 000, un 63 % menos, sin perder precisión. La arquitectura es un perceptrón multicapa con tres capas ocultas compartidas y cabezas específicas para Food y Instamart, más una cabeza auxiliar para el recuento de pedidos. La evaluación no se basó en MAE o MAPE, sino en la capacidad de rankear usuarios por valor. Dividieron predicciones y valores reales en deciles y midieron la coincidencia; el modelo alcanzó una correlación de Spearman superior a 0.75 y una cobertura diagonal entre 70 % y 80 % en ambos negocios.
En producción, Swiggy alimenta la señal pLTV al algoritmo de pujas tROAS de Google, permitiendo que las pujas varíen según el ranking de valor. En pruebas A/B contra una plataforma pLTV de terceros, el modelo interno mostró mayor retención y mayor valor bruto de órdenes por usuario adquirido, aunque la plataforma externa generó más usuarios por dólar gastado. El siguiente paso será pasar de estimaciones puntuales a predicciones probabilísticas, incorporando incertidumbre al proceso de pujas.
