در سال‌های اخیر، اپلیکیشن‌های فین‌تک (FinTech) به یکی از اجزای جدایی‌ناپذیر زندگی روزمره کاربران تبدیل شده‌اند و توانسته‌اند نحوه تعامل کاربران با خدمات مالی را دگرگون کنند. یکی از اپلیکیشن‌هایی که در بازار ایران توجه زیادی به خود جلب کرده و خدمات متنوعی را به میلیون‌ها کاربر ارائه می‌دهد، اپلیکیشن اوانو است. اوانو، به‌عنوان یک راهکار جامع دیجیتالی تحت پشتوانه قدرتمند اپراتور همراه اول، خدماتی مانند خرید شارژ، خرید بسته‌های اینترنت، پرداخت قبوض خدماتی، کارت‌به‌کارت، پرداخت‌های مرتبط با خودرو و بسیاری از سرویس‌های دیگر را پوشش می‌دهد.

موفقیت چنین پلتفرم‌هایی به میزان زیادی به درک دقیق رفتار کاربران، شناسایی نیازهای آن‌ها و ارائه پیشنهادهای مرتبط و متناسب با این نیازها بستگی دارد. در حال حاضر، اوانو در شرایطی قرار دارد که تعداد سرویس‌های آن بسیار گسترده است و روزبه‌روز نیز بر تنوع آن‌ها افزوده می‌شود. با افزایش این گستردگی و تنوع، یکی از چالش‌های اصلی این است که چگونه می‌توان سرویس مناسب را در زمان مناسب به کاربر پیشنهاد داد و او را از میان تعداد زیاد گزینه‌های موجود، به سمت مناسب‌ترین انتخاب هدایت کرد. این موضوع نه تنها از دیدگاه تجاری (برای افزایش نرخ استفاده و درآمدزایی) اهمیت دارد، بلکه برای حفظ تعامل کاربران و جلوگیری از خروج آن‌ها از چرخه استفاده نیز حیاتی است.

بر اساس تحلیل‌های اولیه انجام‌شده بر روی داده‌های اپلیکیشن اوانو، مشخص شد که بسیاری از کاربران پس از اولین استفاده از اپلیکیشن، به دلایل مختلف از جمله عدم آگاهی از دیگر سرویس‌های مرتبط، تجربه کاربری نامناسب و نبود پیشنهادهای دقیق و شخصی‌سازی‌شده، تمایلی به استفاده مجدد ندارند یا به‌تدریج تعاملشان کاهش می‌یابد. علاوه بر این، کاربران فعال نیز عمدتاً تنها از چند سرویس محدود و مشخص استفاده کرده و از تمامی ظرفیت‌ها و پتانسیل‌های موجود اپلیکیشن بی‌بهره می‌مانند.

برای رفع این چالش‌ها، استفاده از سیستم‌های پیشنهاددهنده مبتنی بر داده‌های واقعی کاربران، به‌عنوان یک راهکار مؤثر و اثبات‌شده مطرح می‌شود. سیستم‌های پیشنهاددهنده، روش‌های علمی و کاربردی هستند که با تحلیل و یادگیری الگوهای رفتاری کاربران، قادرند محتمل‌ترین پیشنهادها را به هر کاربر ارائه کنند. این پیشنهادها می‌توانند بر اساس تحلیل الگوهای رفتاری مبتنی بر داده از روش‌های مختلف اجرایی (آماری، احتمالی، استاتیک، پویا و…) یا ترکیبی از روش‌ها پیاده‌سازی شود. در نتیجه استفاده از چنین سیستمی، کاربران تجربه‌ای دقیق‌تر، شخصی‌تر و رضایت‌بخش‌تر خواهند داشت که منجر به تعامل بلندمدت و افزایش ارزش طول عمر کاربران (CLV) می‌شود.