Разработка AI-системы персонализации контента для сайта

Представьте: на сайт приходит посетитель из email-рассылки с предложением скидки, видит тот же баннер, что и новый пользователь из органики. Потеря конверсии — до 30%. Amazon персонализирует главную страницу с помощью рекомендательной системы, получая +29% выручки. Для B2B SaaS персонализация лендинга под вертикаль клиента увеличивает conversion rate на 15-30%. Снижение стоимости привлечения лида (CPA) на 20% — ещё один измеримый эффект. Экономия на тестировании гипотез — до 40% за счёт автоматизации A/B тестов. Мы разрабатываем AI-системы персонализации, которые решают эту задачу под ключ. Свяжитесь с нами — оценим проект за 2 дня и покажем прототип.

Как работает сегментация в реальном времени?

Классификация посетителя происходит за первые секунды сессии. Используем комбинацию rule-based правил (быстрый старт) и ML-модели (Random Forest) для точности. Ниже — пример сегментатора на Python.

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} } 

Почему A/B тестирование критично для персонализации?

Без A/B тестов любые изменения — гадание. Статистическая значимость (p-value < 0.05) — единственный способ подтвердить, что рост конверсии — не случайность. В нашем стеке используется Z-test для пропорций, как в коде выше. Минимальный трафик: 500 конверсий на вариант. Для низкоконверсионных страниц (1%) потребуется 50 000 уникальных посетителей. Мы гарантируем корректную настройку эксперимента, включая стратификацию и контроль множественных сравнений. Получите консультацию — мы поможем спланировать тест.

Как выбрать между rule-based и ML?

Rule-based сегментация внедряется за 1-2 дня, не требует исторических данных и даёт 70-80% точности. ML (Random Forest) требует 2-4 недели на сбор данных и обучение, но точность достигает 95%. На старте используем rule-based как fallback, затем дообучаем ML-модель на накопленных сессиях. Это даёт стабильный lift на горизонте 6+ месяцев. Закажите разработку — мы подберём оптимальную комбинацию.

Пошаговый процесс внедрения

Что входит в работу?

Сравнение подходов: rule-based vs ML

Мы комбинируем оба подхода: rule-based как fallback для холодного старта, ML для уточнения. При росте трафика ML-модель дообучается — это даёт стабильный lift на горизонте 6+ месяцев. Rule-based лучше для быстрого запуска, ML — для масштабирования. Получите консультацию по вашей задаче — мы подберём оптимальную схему.

Как мы это делаем: стек и кейс

Для одного клиента (B2B SaaS, финтех) внедрили систему на базе Anthropic Claude для генерации заголовков под enterprise-сегмент. Сегментация — Random Forest на 50 деревьях. Векторная база pgvector хранит эмбеддинги контента (1536-dim). Результат: +22% к регистрации на лендинге за 2 недели A/B теста. Подробнее о Random Forest и A/B тестировании.

Свяжитесь с нами — оценим ваш проект за 2 дня. Получите консультацию по вашей задаче. Наш опыт: 5+ лет, 15+ проектов персонализации для SaaS и e-commerce.