Разработка ML-модели предсказания конверсии (Conversion Prediction)
Рассчитывать вероятность покупки — стандартная задача для e-commerce. Но большинство моделей на логистической регрессии дают плохую калибровку и не учитывают последовательность действий пользователя. Кроме того, многие модели страдают от переобучения на редких событиях, что приводит к высокому CPA. Мы строим модели, которые учитывают clickstream, поведенческие паттерны и intent-сигналы, достигая AUC-ROC > 0.85 и lift factor > 3 на топ-лидах.
Например, для одного из клиентов в нише B2B SaaS мы построили ансамбль LightGBM c daily retrain. В результате конверсия из trial в paid выросла на 40%, а CPA снизился на 25%. При этом мы интегрировали модели в CRM Salesforce, что позволило автоматически приоритизировать звонки: high-scored лиды обрабатываются в течение 5 минут, увеличивая конверсию до 9 раз (по данным Harvard Business Review). В результате доля high-scored лидов, совершивших конверсию, выросла с 5% до 18%.
Наш опыт — 50+ проектов в e-commerce, SaaS, fintech. Мы гарантируем экономию рекламного бюджета до $2500 в месяц на среднем проекте и дополнительную выручку до $5000 за счёт персонализации. Для сравнения, LightGBM на clickstream-данных даёт lift в 2-3 раза выше, чем логистическая регрессия, что подтверждает эффективность gradient boosting для задач конверсии.
Как построить модель предсказания конверсии?
Аудит данных
Собираем web-аналитику (клики, сессии, источники) и поведенческие паттерны (глубина скролла, время на странице). Для B2B добавляем firmographic данные и intent-сигналы из Clearbit или BuiltWith.
Feature Engineering
Создаём признаки RFM (recency, frequency, monetary), последовательности страниц, скорость сессии. Используем PySpark для обработки больших объёмов.
Выбор модели
Для e-commerce — LightGBM на clickstream-данных с ежедневным переобучением. Для B2B с длинным циклом — Survival Analysis (Cox), предсказывающий время до конверсии. Baseline — логистическая регрессия.
Обучение и валидация
Метрики: AUC-ROC, Precision@K, lift curve. Проверяем калибровку вероятностей. Атрибуция: conversion label берётся через фиксированное окно (30 или 60 дней). Новые данные без конверсий не включаются до истечения окна. Censored data обрабатывается отдельно.
Развёртывание
Real-time API на FastAPI, интеграция с CRM (Salesforce, HubSpot) через REST. Поле "Propensity to Buy" в объекте Lead, автоматическая приоритизация звонков. При score > 0.75 создаётся задача "Позвонить в течение 1 часа".
Какие данные необходимы для модели предсказания конверсии?
Для e-commerce достаточно clickstream: количество сессий, страниц, utm-метки, устройство, гео. Поведенческие паттерны, например просмотр /pricing → /case-studies → /demo, повышают конверсию в 3 раза. Для B2B требуются данные о компании (размер, отрасль, технологический стек). Мы помогаем объединить все источники в единую фичевую таблицу.
Почему важна персонализация в реальном времени?
На основе conversion score система адаптирует контент за <200 мс. При score > 0.8 показываем всплывающее окно с предложением связаться с менеджером, при 0.6–0.8 — case study по отрасли. Технически: JavaScript SDK отправляет события в ML API, score возвращается за <200 мс, front-end рендерит персонализированный контент (React/Vue). Это дополнительно приносит до $5000 выручки в месяц на среднем проекте.
Типы задач конверсии
| Задача | Целевое действие | Особенности |
|---|---|---|
| E-commerce | Добавление в корзину → покупка, сессия → транзакция | Короткий цикл, высокая частота событий |
| SaaS | Посетитель → регистрация, trial → paid | Длинный цикл, low volume, high value |
| Marketplace | Заявка → одобрение → выдача | Многоэтапный процесс |
Feature Engineering
| Группа признаков | Примеры | Инструменты |
|---|---|---|
| Web analytics / clickstream | Количество сессий, страниц, источник трафика, устройство, гео, глубина скролла | Snowplow, GA4, BigQuery |
| Поведенческие паттерны | Последовательности страниц, скорость сессии, паттерны возвратов | PySpark, Pandas |
| CRM / firmographic (B2B) | Размер компании, отрасль, стек технологий, intent-сигналы | Clearbit, BuiltWith |
Модели и метрики
| Сценарий | Рекомендуемая модель | Особенности |
|---|---|---|
| E-commerce | LightGBM с clickstream | Обучение на последних 30–90 днях, переобучение ежедневно |
| B2B (длинный цикл) | Survival Analysis (Cox) | Предсказывает время до конверсии. Baseline: логистическая регрессия |
Метрики: AUC-ROC, Precision@K (точность на топ-лидов), lift curve, калибровка вероятностей.
Pipeline в CRM
Для B2B conversion score интегрируется в sales workflow: поле "Propensity to Buy" в объекте Lead (Salesforce/HubSpot), автоматическая приоритизация звонков. При score > 0.75 создаётся задача "Позвонить в течение 1 часа". Исследование Harvard Business Review подтверждает: звонок high-intent лиду в течение 5 минут повышает конверсию в 9 раз.
Что входит в работу
- Аудит источников данных и подготовка фичей
- Разработка baseline модели (логистическая регрессия) за 2–3 недели
- Построение продовой модели (LightGBM, Survival analysis) с real-time API
- Интеграция с CRM и настройка триггеров
- Документация, обучение команды, поддержка после запуска
Оценим ваш проект за один рабочий день. Свяжитесь с нами, чтобы получить консультацию и рассчитать стоимость под ключ. Закажите пилот для быстрой демонстрации результатов.