Wielojęzyczność: poprawa UX dla rynków wzrostu (lokalizacja sklepu + ewaluacja modeli on-device)

[kfaracik]

Kontekst

Podczas cotygodniowego update pojawiło się pytanie o profil językowy użytkowników Private Mind. Zestawiłem dane z App Store i Google Play (dopasowaną miarą pozyskań: iOS „First-Time Downloads" + Android „Nowi użytkownicy"), łącznie 9 508 pozyskań.

Top języki (wśród przypisanych do języka, baza 7 842):

#	Język	Pozyskania	Udział
1	Angielski	3 217	41,0%
2	Hindi	1 005	12,8%
3	Urdu	415	5,3%
4	Niemiecki	385	4,9%
5	Portugalski	288	3,7%
6	Polski	284	3,6%
7	Hiszpański	260	3,3%
8	Francuski	241	3,1%
9	Rosyjski	230	2,9%
10	Arabski	203	2,6%

~59% użytkowników jest nieanglojęzycznych. Indie i Pakistan to nasz 2. i 3. rynek zaraz po USA (hindi i urdu tuż za angielskim).

Pełne zestawienie (per język + per kraj) w załączonym raporcie „Kto korzysta z aplikacji — wg języka i kraju".

Dlaczego to ma znaczenie

Nakłada się to na raport Google „Understanding the AI economy" (ATLAS): angielski to tylko ~⅓ globalnych rozmów z AI, a najszybciej — ponad to, co sugeruje PKB — adoptują AI Ameryka Południowa i Bliski Wschód. Nasza obecna baza (Indie/Pakistan, Brazylia/LatAm, arabski/perski) pokrywa się z tymi regionami wzrostu, słabo obsłużonymi przez narzędzia „English-first". Wielojęzyczność jest więc dźwignią wzrostu, nie dodatkiem.

Dane branżowe: lokalizacja wpisu w sklepie podnosi pobrania o ~26–128% na rynek, a największy ROI mają rynki z istniejącą organiczną widocznością, ale słabą konwersją — czyli dokładnie nasza sytuacja.

Zakres — tanie kroki najpierw

• Lokalizacja wpisów w sklepie (metadane, słowa kluczowe, zrzuty ekranu) dla rynków z trakcją: hindi, urdu, portugalski, arabski, hiszpański. Tani quick win, bez zmian w kodzie, bezpośredni wpływ na pobrania i ASO.
• Ewaluacja jakości modeli on-device per język. Benchmark shippowanego Qwen3-1.7B vs kandydat regionalny (np. Sarvam-1 2B pod hindi) na realnych promptach. Już mamy Qwen/Gemma/LLaMA — regionalne fine-tune'y tych architektur są relatywnie tanie do dołożenia przez ten sam pipeline ExecuTorch.
• Priorytetyzacja rynków wg ROI — ranking (istniejąca trakcja × sygnał wzrostu × koszt lokalizacji).
• Domknięcie danych — eksport „Nowi użytkownicy" per kraj dla wszystkich krajów z Play Console (dziś ~17,5% pozostaje w zbiorczym koszyku „pozostałe").
• [OTWARTE] Research w ramach tego taska: sprawdzić, co jeszcze niedużym kosztem możemy poprawić, żeby lepiej działać na tych rynkach — m.in. wsparcie RTL (arabski, urdu, perski), obsługa znaków/diakrytyków i tokenizacja, domyślny dobór modelu per lokalizacja, prompty o oceny w sklepie. Punkt celowo otwarty — wnioski dopisujemy w trakcie.

Źródła

• Understanding the AI economy — Google ATLAS
• App Store Optimization Localization — AppFollow

[msluszniak]

@kfaracik I guess this one should be in english? 😅