AI-система персонализации контента сайта
Персонализация сайта — показ разного контента разным посетителям на основе их поведения, источника трафика и истории взаимодействий. Amazon персонализирует главную страницу для каждого пользователя, получая +29% выручки от рекомендательной системы. Для B2B SaaS — персонализация лендинга под вертикаль клиента увеличивает conversion rate на 15-30%.
Сегментация в реальном времени
import numpy as np
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
import json
from anthropic import Anthropic
class RealTimeVisitorSegmentor:
"""Определение сегмента посетителя в первые секунды сессии"""
def __init__(self):
self.segment_model = RandomForestClassifier(n_estimators=50, random_state=42)
self.segments = {
'new_visitor': {'personalization': 'trust_building'},
'returning_engaged': {'personalization': 'value_deepening'},
'high_intent': {'personalization': 'conversion_push'},
'churned_user': {'personalization': 'win_back'},
'enterprise_prospect': {'personalization': 'enterprise_messaging'},
}
def extract_session_features(self, session_data: dict) -> np.ndarray:
"""Признаки из первых 30 секунд сессии"""
return np.array([
int(session_data.get('utm_source', '') == 'google_ads'),
int(session_data.get('utm_medium', '') == 'email'),
int(session_data.get('is_returning', False)),
session_data.get('previous_sessions', 0),
session_data.get('days_since_last_visit', 999),
int(session_data.get('device', 'desktop') == 'mobile'),
int(session_data.get('referrer', '') != ''),
session_data.get('previous_conversions', 0),
session_data.get('scroll_depth_prev_session', 0),
int(bool(session_data.get('company_domain', ''))), # B2B сигнал
])
def classify_segment(self, session_data: dict) -> dict:
"""Классификация в реальном времени (< 50ms)"""
features = self.extract_session_features(session_data)
# Rule-based fallback (быстрее модели для старта)
if not session_data.get('is_returning'):
segment = 'new_visitor'
elif session_data.get('days_since_last_visit', 0) > 90:
segment = 'churned_user'
elif session_data.get('previous_conversions', 0) > 0:
segment = 'returning_engaged'
elif session_data.get('company_domain'):
segment = 'enterprise_prospect'
else:
segment = 'high_intent'
return {
'segment': segment,
'personalization_strategy': self.segments[segment]['personalization'],
'confidence': 0.8
}
class DynamicContentEngine:
"""Движок динамического контента"""
def __init__(self):
self.llm = Anthropic()
def personalize_hero_section(self, segment: str,
industry: str = None,
page_data: dict = None) -> dict:
"""Персонализация главного блока страницы"""
base_headlines = {
'new_visitor': "Автоматизируйте процессы с помощью AI",
'returning_engaged': "Продолжайте там, где остановились",
'high_intent': "Начните бесплатно сегодня",
'churned_user': "Вы нас спрашивали — мы обновились",
'enterprise_prospect': "Enterprise-решения для вашей отрасли",
}
cta_buttons = {
'new_visitor': {"text": "Узнать больше", "variant": "secondary"},
'returning_engaged': {"text": "Вернуться в продукт", "variant": "primary"},
'high_intent': {"text": "Попробовать бесплатно", "variant": "primary"},
'churned_user': {"text": "Посмотреть что нового", "variant": "primary"},
'enterprise_prospect': {"text": "Запросить демо", "variant": "primary"},
}
headline = base_headlines.get(segment, base_headlines['new_visitor'])
# Отраслевая персонализация через LLM если есть данные
if industry and segment == 'enterprise_prospect':
headline = self._generate_industry_headline(industry)
return {
'headline': headline,
'cta': cta_buttons.get(segment, cta_buttons['new_visitor']),
'social_proof': self._get_social_proof(segment, industry),
'trust_badges': self._get_trust_badges(segment)
}
def _generate_industry_headline(self, industry: str) -> str:
response = self.llm.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=50,
messages=[{
"role": "user",
"content": f"Write a compelling 6-8 word headline for {industry} companies considering AI automation. Russian language. No fluff."
}]
)
return response.content[0].text.strip()
def _get_social_proof(self, segment: str, industry: str) -> dict:
# Показываем кейсы, релевантные сегменту
if industry:
return {'type': 'case_study', 'industry_match': industry}
elif segment == 'enterprise_prospect':
return {'type': 'logos', 'tier': 'enterprise'}
elif segment == 'new_visitor':
return {'type': 'stats', 'metric': 'user_count'}
return {'type': 'testimonials', 'count': 3}
def _get_trust_badges(self, segment: str) -> list[str]:
base = ['ssl_secure']
if segment == 'enterprise_prospect':
base += ['soc2', 'gdpr', 'iso27001']
elif segment in ['high_intent', 'new_visitor']:
base += ['free_trial', 'no_credit_card']
return base
def personalize_content_feed(self, user_history: list[dict],
content_catalog: list[dict],
n_items: int = 6) -> list[dict]:
"""Персонализация ленты статей/кейсов"""
if not user_history:
# Cold-start: популярный контент
return sorted(content_catalog,
key=lambda x: x.get('views_7d', 0),
reverse=True)[:n_items]
# Извлекаем интересы из истории
viewed_tags = set()
for item in user_history:
viewed_tags.update(item.get('tags', []))
# Скоринг контента
scored = []
viewed_ids = {item['id'] for item in user_history}
for content in content_catalog:
if content['id'] in viewed_ids:
continue
content_tags = set(content.get('tags', []))
tag_overlap = len(viewed_tags & content_tags) / max(len(content_tags), 1)
freshness = 1.0 / (1 + content.get('days_old', 30) / 30)
quality = content.get('engagement_score', 0.5)
score = tag_overlap * 0.5 + freshness * 0.2 + quality * 0.3
scored.append({**content, 'relevance_score': score})
return sorted(scored, key=lambda x: -x['relevance_score'])[:n_items]
class PersonalizationABTester:
"""A/B тестирование персонализации"""
def calculate_experiment_results(self,
control: pd.DataFrame,
treatment: pd.DataFrame) -> dict:
"""Статистическая значимость результатов A/B теста"""
from scipy import stats
control_cvr = control['converted'].mean()
treatment_cvr = treatment['converted'].mean()
# Z-test для пропорций
n_c, n_t = len(control), len(treatment)
p_pool = (control['converted'].sum() + treatment['converted'].sum()) / (n_c + n_t)
se = np.sqrt(p_pool * (1 - p_pool) * (1/n_c + 1/n_t))
if se > 0:
z_stat = (treatment_cvr - control_cvr) / se
p_value = 2 * (1 - stats.norm.cdf(abs(z_stat)))
else:
p_value = 1.0
return {
'control_cvr': round(control_cvr * 100, 2),
'treatment_cvr': round(treatment_cvr * 100, 2),
'lift_pct': round((treatment_cvr - control_cvr) / control_cvr * 100, 1),
'p_value': round(p_value, 4),
'significant': p_value < 0.05,
'sample_sizes': {'control': n_c, 'treatment': n_t}
}
Персонализация контента сайта даёт 10-30% прирост conversion rate для SaaS и 5-15% для e-commerce при корректной реализации. Ключевые условия: достаточный трафик для статистической значимости (минимум 500 конверсий на вариант), качественная сегментация, A/B тестирование каждого изменения.