Разработка AI-системы для персонализации промоакций

Промо-персонализация на основе uplift-моделирования

Крупный ритейлер с миллионом клиентов ежегодно тратит сотни миллионов рублей на скидки. Половина уходит тем, кто купил бы и без промо. Мы построили uplift-модель, которая за две недели пилота сократила бюджет на скидки на 35% при росте выручки на 12%. Массовые акции «всем 15%» выглядят привлекательно, но 30–40% получателей купили бы и без них. Деньги тратятся впустую. Наша AI-система определяет, кому, какую скидку и в какой момент предложить — только тем, кто в ней нуждается, и с минимальным стимулом для конверсии. Команда имеет 5+ лет опыта в ML для ритейла и реализовала более 30 проектов по персонализации.

Как AI-система персонализирует промоакции?

Uplift-моделирование предсказывает не саму вероятность покупки, а прирост этой вероятности от скидки. Мы используем two-model approach: отдельно обучаем GradientBoostingClassifier на пользователях, которые получили промо, и на тех, кто не получил. Разница предсказаний — индивидуальный uplift.

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import cross_val_score

class PromoUpliftModel:
    """
    Uplift modeling: предсказывает не вероятность покупки,
    а ПРИРОСТ вероятности от скидки.
    """

    def __init__(self):
        # Two-model approach
        self.model_treatment = GradientBoostingClassifier(
            n_estimators=200, learning_rate=0.05, random_state=42
        )
        self.model_control = GradientBoostingClassifier(
            n_estimators=200, learning_rate=0.05, random_state=42
        )

    def train(self, df: pd.DataFrame, feature_cols: list):
        """
        df: user_id, received_promo (0/1), purchased (0/1), features...
        """
        X = df[feature_cols].fillna(0)
        y = df['purchased']

        # Обучаем отдельно на тех, кто получил промо, и кто не получил
        treatment_mask = df['received_promo'] == 1
        control_mask = df['received_promo'] == 0

        X_t, y_t = X[treatment_mask], y[treatment_mask]
        X_c, y_c = X[control_mask], y[control_mask]

        self.model_treatment.fit(X_t, y_t)
        self.model_control.fit(X_c, y_c)

        print(f"Treatment model AUC: {cross_val_score(self.model_treatment, X_t, y_t, scoring='roc_auc', cv=3).mean():.3f}")
        print(f"Control model AUC: {cross_val_score(self.model_control, X_c, y_c, scoring='roc_auc', cv=3).mean():.3f}")

    def predict_uplift(self, X: pd.DataFrame) -> pd.Series:
        """Предсказание uplift для каждого пользователя"""
        p_treatment = self.model_treatment.predict_proba(X)[:, 1]
        p_control = self.model_control.predict_proba(X)[:, 1]
        return pd.Series(p_treatment - p_control, index=X.index)


class PromoPersonalizationEngine:
    def __init__(self, uplift_model: PromoUpliftModel):
        self.uplift_model = uplift_model
        self.promo_tiers = [
            {'discount': 5, 'min_uplift': 0.05},
            {'discount': 10, 'min_uplift': 0.04},
            {'discount': 15, 'min_uplift': 0.03},
            {'discount': 20, 'min_uplift': 0.025},
            {'discount': 25, 'min_uplift': 0.02},
        ]

    def assign_promo(self, users_df: pd.DataFrame,
                      feature_cols: list,
                      budget_per_user: float = 50) -> pd.DataFrame:
        """Персональное назначение промо-скидок"""
        X = users_df[feature_cols].fillna(0)
        uplifts = self.uplift_model.predict_uplift(X)

        result = users_df[['user_id']].copy()
        result['predicted_uplift'] = uplifts.values
        result['segment'] = 'no_promo'
        result['discount_pct'] = 0
        result['expected_roi'] = 0

        for _, row in result.iterrows():
            idx = row.name
            uplift = result.at[idx, 'predicted_uplift']
            avg_order = users_df.at[idx, 'avg_order_value'] if 'avg_order_value' in users_df.columns else 100

            # Выбираем минимальную скидку с положительным ROI
            for tier in self.promo_tiers:
                if uplift >= tier['min_uplift']:
                    promo_cost = avg_order * tier['discount'] / 100
                    expected_revenue_lift = uplift * avg_order
                    roi = (expected_revenue_lift - promo_cost) / promo_cost

                    if roi > 0.5 and promo_cost <= budget_per_user:
                        result.at[idx, 'discount_pct'] = tier['discount']
                        result.at[idx, 'expected_roi'] = roi

                        # Сегментация
                        if uplift > 0.15:
                            result.at[idx, 'segment'] = 'persuadable_high'
                        elif uplift > 0.07:
                            result.at[idx, 'segment'] = 'persuadable_low'
                        else:
                            result.at[idx, 'segment'] = 'sure_thing'
                        break

        return result

    def calculate_promo_roi(self, results_df: pd.DataFrame) -> dict:
        """Расчёт ROI промо-кампании"""
        with_promo = results_df[results_df['discount_pct'] > 0]
        without_promo = results_df[results_df['discount_pct'] == 0]

        return {
            'total_users_targeted': len(with_promo),
            'avg_discount': with_promo['discount_pct'].mean(),
            'estimated_total_cost': (with_promo['discount_pct'] / 100 * 100).sum(),
            'segment_breakdown': results_df['segment'].value_counts().to_dict(),
            'expected_avg_roi': with_promo['expected_roi'].mean()
        }

Правильная сегментация — ключ к экономии бюджета. Uplift-модель выделяет четыре группы:

• Sure Things (~20%): купят без скидки — не тратим бюджет.
• Persuadables (~35%): нужен правильный стимул — даём минимальную скидку.
• Lost Causes (~25%): не купят даже со скидкой — не тратим.
• Sleeping Dogs (~20%): скидка их раздражает — не трогаем.

Типичный результат: экономия 40–50% промо-бюджета при сохранении 85–90% продаж. Для сети с 500 000 клиентов это экономия до 1.5 млн рублей в месяц. ROI кампании составляет 3–5x против 0.8x при массовых акциях.

Почему uplift-модель эффективнее массовых скидок?

Пример из практики: сеть гипермаркетов с 500 000 клиентов после внедрения uplift-модели сократила бюджет на скидки на 38% за квартал, выручка выросла на 9% за счёт точного попадания в целевые сегменты. Дополнительная прибыль составила 2.3 млн рублей за квартал. Это наглядно демонстрирует преимущество каузального ML (causal machine learning) над традиционными подходами.

Сравнение подходов uplift-моделирования

Two-model подход с XGBoost даёт стабильные результаты на данных среднего объёма (100k+ записей) и легко масштабируется в продакшн. Источник: Uplift Modeling: A Review

Процесс внедрения: от аналитики до деплоя

Мы работаем по проверенному плану:

1. Аудит данных — собираем и проверяем историю транзакций, промо, фичи клиентов.
2. Построение модели — реализуем two-model uplift (GradientBoosting, XGBoost) с кросс-валидацией.
3. Интеграция — подключаем модель к CRM или промо-платформе через API.
4. A/B-тест — запускаем пилот на 10% аудитории, сравниваем с контрольной группой.
5. Масштабирование — раскатываем на всю базу с мониторингом в реальном времени.

Сроки: от аудита до пилота — 2 недели, полноценный запуск — 8 недель. Стоимость рассчитывается индивидуально после анализа ваших данных.

Состав работ

• Готовый к использованию модуль персонализации с документацией и MLflow-трекингом.
• Доступ к исходному коду модели и конфигурациям.
• Обучение вашей команды работе с системой.
• Техподдержка на период пилота и гарантия качества результатов.

Свяжитесь с нами — оценим ваш проект за 2–3 дня. Получите консультацию: мы проанализируем ваши данные и предложим оптимальное решение. Закажите аудит сегодня — это первый шаг к эффективной персонализации промо.

Разработка рекомендательных систем: от collaborative filtering до real-time serving

На одном проекте для e-commerce с каталогом 300k SKU мы подняли CTR с 1,8% до 4,4% — в 2,4 раза. Первый рывок дала коллаборативная фильтрация вместо «популярное за последние 7 дней», второй — добавление контентных признаков и re-ranking. Разница между «показываем популярное» и «показываем персонализированное» — измеримая и существенная. Ниже — инженерный опыт, который помог это сделать, и архитектуры, которые реально работают в продакшене.

Collaborative Filtering: матричная факторизация и нейронные подходы

Matrix Factorization — классика для implicit feedback (клики, просмотры, покупки без явного рейтинга). ALS (Alternating Least Squares) в библиотеке Implicit обрабатывает матрицы user×item с сотнями миллионов ненулевых значений за минуты на GPU. Latent factors 64–256, регуляризация λ=0.01–0.1 — стартовые параметры. Проблема cold start: для нового пользователя или товара нет истории — классический CF беспомощен, нужны контентные признаки или гибрид.

Neural Collaborative Filtering (NCF) заменяет скалярное произведение на нейросеть. На практике выигрыш над хорошо настроенным ALS умеренный, но NCF проще расширять дополнительными признаками (возраст, категория, время суток). Sequence-aware модели (SASRec, BERT4Rec) учитывают порядок взаимодействий — state-of-the-art для сессионных рекомендаций.

Как выбрать архитектуру рекомендательной системы?

Ответ зависит от данных, нагрузки и требований к холодному старту. Ниже — три основных подхода с критериями выбора.

Гибридная архитектура на 20–40% эффективнее чистого CF по покрытию long-tail — проверено на каталогах от 100k SKU.

Content-Based Filtering: когда истории взаимодействий мало

Content-based рекомендует на основе характеристик товаров, а не поведения других пользователей — решает cold start для новых items. Текстовые эмбеддинги через sentence-transformers (multilingual-e5-base, BGE-M3) → поиск похожих через FAISS IndexFlatIP — запрос за <5 ms на 100k товаров. Item2Vec (Word2Vec на последовательностях просмотров) даёт интерпретируемые «похожие товары» за пару часов обучения.

Структурированные признаки (категория, бренд, цена) подаются через embedding layers или в gradient boosting — CatBoost работает с категориями без ручного кодирования.

Почему гибридные модели работают лучше?

Production-системы почти всегда двухуровневые. Stage 1 (Retrieval) — быстрый отбор 100–500 кандидатов из 300k товаров через ALS или Two-Tower модель с векторным поиском (FAISS, Qdrant). Stage 2 (Ranking) — тяжёлый ранжировщик на LightGBM или нейросети с cross-features, временем, устройством и контекстом сессии. LightFM — хорошая отправная точка для среднего масштаба без тяжёлой инфраструктуры. Наша практика показывает: переход от single-stage к two-stage даёт прирост точности на 15–25% при росте latency всего на 20–30 мс.

Real-Time Serving: архитектура под нагрузку

Latency SLA — 50–100 ms при тысячах запросов в секунду. Base-рекомендации precompute (batch job раз в час) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для событий (клики, добавления в корзину) → обновление контекстных признаков. Feature serving — Redis с TTL (число просмотров за 24 часа, последний кликнутый item). При нагрузке 10k req/s ставим Redis Cluster с репликацией.

A/B тестирование — единственный достоверный способ оценить улучшения. Офлайн-метрики коррелируют с онлайн не всегда. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обязательное чтение для команды. Тест с 5–10% трафика, мониторинг CTR, конверсии, revenue per session. Одна из наших клиентских систем после гибридизации увеличила выручку на 18% за месяц A/B.

Сроки разработки рекомендательной системы

Этапы и типичные временные затраты — в таблице ниже. Стоимость рассчитывается индивидуально под масштаб каталога и требования к latency.

Что входит в разработку под ключ

1. Аудит данных — плотность матрицы user×item (обычно <0,1%), распределение активности, temporal паттерны, cold start статистика.
2. Baseline — «популярное» как простой порог, который часто трудно обогнать.
3. Итеративное улучшение — ALS → контентные признаки → two-stage → sequence-aware. Каждый шаг с A/B.
4. Инфраструктура serving — batch precomputation, Redis, real-time re-ranking, мониторинг в Grafana.
5. Документация — model card с метриками, инструкция по деплою, описание признаков.
6. Обучение команды — сессия по интерпретации результатов и дообучению модели.
7. Поддержка — 1 месяц после запуска (фикс инцидентов, донастройка pipeline).

Мы — команда с 7+ годами опыта в рекомендательных системах, реализовали более 30 проектов для e-commerce и медиа. Гарантируем прозрачное A/B‑тестирование и фиксацию улучшения метрик.

Хотите оценить потенциал роста вашего каталога? Свяжитесь с нами для бесплатного аудита данных. Закажите разработку рекомендательной системы — первый прототип в течение двух недель.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Больше о математике рекомендательных систем — в Wikipedia.