AI-система тригерних комунікацій: email, SMS, push

Проблема: втрачені продажі через відсутність своєчасних комунікацій

Інтернет-магазин із 50 000 відвідувачів на день втрачає до 70% потенційних продажів через затримку комунікацій. Щодня десятки покинутих кошиків, сотні користувачів ідуть без покупки. Ручні розсилки не встигають — момент втрачено. Ми розробляємо AI-систему тригерних комунікацій, яка аналізує поведінку кожного користувача в real-time і надсилає персоналізоване повідомлення в потрібний канал в оптимальний час. Результат — конверсія з тригерів зростає в 2-4 рази, retention збільшується на 30%. Впровадження системи вартістю $12,000 забезпечує додатковий виторг у $50,000-200,000 на рік.

AI-система тригерних комунікацій на основі ML вирішує три завдання: вибір каналу (email/SMS/push), визначення часу відправлення та генерацію контенту. На відміну від статичних правил, AI адаптується під кожного користувача — його патерни активності, вподобання та історію покупок. Ми використовуємо LLM (Claude, GPT-4) для створення тексту, який звучить як від реального менеджера, а не шаблонна розсилка. Система демонструє open rate до 55% для покинутих кошиків і CTR 15-25% для персоналізованих push. ML-підхід дає конверсію в 2-4 рази вищу, ніж rule-based.

Як ML-модель обирає канал і час відправлення?

ML-модель враховує безліч факторів: історичну ефективність каналу для даного типу події, вподобання користувача, поточне навантаження на канал. Наприклад, для покинутого кошика email працює найкраще (open rate 40-55%), а для термінових сповіщень про зміну ціни — push або SMS. Час відправлення визначається на основі патернів активності: якщо користувач частіше відкриває листи ввечері, система надішле повідомлення близько 18:00. Модель навчається на історичних даних про взаємодії, використовуючи ознаки: час доби, день тижня, тип події, попередні відгуки. Ми застосовуємо градієнтний бустинг (CatBoost) для задачі регресії часу відправлення та класифікацію каналу.

Код: базовий клас системи з вибором каналу та часу

from anthropic import Anthropic
import pandas as pd
import numpy as np
from dataclasses import dataclass
from enum import Enum
import json

class Channel(Enum):
    EMAIL = "email"
    SMS = "sms"
    PUSH = "push"
    IN_APP = "in_app"

@dataclass
class TriggerEvent:
    user_id: str
    event_type: str
    event_data: dict
    timestamp: float

class TriggerCommunicationSystem:
    def __init__(self):
        self.llm = Anthropic()
        self.send_time_model = None
        self.channel_model = None

    def process_trigger(self, event: TriggerEvent, user_profile: dict) -> dict:
        """Повна обробка тригера: канал + час + контент"""
        channel = self._select_channel(user_profile, event.event_type)
        send_delay_hours = self._optimal_send_time(user_profile, event.event_type)
        content = self._generate_content(event, user_profile, channel)
        if self._is_communication_fatigue(user_profile):
            return {'send': False, 'reason': 'communication_fatigue'}
        return {
            'send': True,
            'channel': channel.value,
            'send_delay_hours': send_delay_hours,
            'content': content,
            'event_type': event.event_type
        }

    def _select_channel(self, user: dict, event_type: str) -> Channel:
        preferred = user.get('preferred_channel')
        if preferred:
            return Channel[preferred.upper()]
        channel_effectiveness = {
            'abandoned_cart': {'email': 0.15, 'push': 0.08, 'sms': 0.12},
            'inactivity': {'email': 0.05, 'push': 0.06, 'sms': 0.04},
            'price_drop': {'push': 0.12, 'email': 0.10, 'sms': 0.08},
            'order_shipped': {'sms': 0.25, 'email': 0.20, 'push': 0.18},
        }
        effectiveness = channel_effectiveness.get(event_type, {'email': 0.1})
        best_channel = max(effectiveness, key=effectiveness.get)
        return Channel[best_channel.upper()]

    def _optimal_send_time(self, user: dict, event_type: str) -> float:
        active_hours = user.get('active_hours', list(range(9, 22)))
        if event_type == 'abandoned_cart':
            return 1.5
        elif event_type == 'price_drop':
            return 0.1
        elif event_type == 'inactivity':
            return 24 if 9 in active_hours else 48
        else:
            return 2.0

    def _generate_content(self, event: TriggerEvent, user: dict, channel: Channel) -> dict:
        channel_constraints = {
            Channel.SMS: {'max_chars': 160, 'format': 'plain'},
            Channel.PUSH: {'max_chars': 100, 'format': 'title+body'},
            Channel.EMAIL: {'max_chars': 2000, 'format': 'html'},
            Channel.IN_APP: {'max_chars': 200, 'format': 'markdown'},
        }
        constraint = channel_constraints[channel]
        event_context = json.dumps(event.event_data, ensure_ascii=False)[:300]
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=300,
            messages=[{
                "role": "user",
                "content": f"""Generate a {channel.value} message for trigger event.

Event: {event.event_type}
Event data: {event_context}
User name: {user.get('first_name', 'Customer')}
User purchase history: {user.get('total_orders', 0)} orders, avg order ${user.get('avg_order_value', 0):.0f}
Channel: {channel.value} (max {constraint['max_chars']} chars)

Return JSON:
{{
  "subject": "email subject or push title",
  "body": "message body",
  "cta": "call to action text",
  "cta_url": "URL path"
}}

Tone: friendly, personal. Mention specific item if available. No generic marketing language."""
            }]
        )
        try:
            return json.loads(response.content[0].text)
        except Exception:
            return {
                'subject': f"We have something for you, {user.get('first_name', '')}!",
                'body': response.content[0].text[:constraint['max_chars']],
                'cta': 'View Now'
            }

    def _is_communication_fatigue(self, user: dict) -> bool:
        messages_last_7d = user.get('messages_received_7d', 0)
        opens_last_7d = user.get('messages_opened_7d', 0)
        if messages_last_7d >= 5:
            return True
        if messages_last_7d >= 3 and opens_last_7d == 0:
            return True
        return False

A/B тест тригерних повідомлень: порівняння варіантів

Для добору оптимальних стратегій ми запускаємо A/B тести за різними каналами, часом і змістом. Результати фіксуються в реальному часі — можна оперативно змінювати параметри. Наприклад, тест може показати, що для вашої аудиторії push з емодзі дає CTR на 20% вище, ніж без них.

class TriggerABTest:
    """Тестування варіантів тригерних повідомлень"""

    def __init__(self, test_name: str, variants: list[dict]):
        self.test_name = test_name
        self.variants = variants
        self.results = {v['name']: {'sent': 0, 'opened': 0, 'clicked': 0, 'converted': 0}
                        for v in variants}

    def assign_variant(self, user_id: str) -> dict:
        """Детерміноване призначення варіанту"""
        idx = hash(f"{self.test_name}_{user_id}") % len(self.variants)
        return self.variants[idx]

    def compute_results(self) -> dict:
        results_summary = {}
        for variant_name, stats in self.results.items():
            sent = stats['sent']
            if sent == 0:
                continue
            results_summary[variant_name] = {
                'open_rate': stats['opened'] / sent,
                'click_rate': stats['clicked'] / sent,
                'conversion_rate': stats['converted'] / sent,
                'sample_size': sent
            }
        return results_summary

Порівняння ефективності каналів

Rule-based vs ML: що ефективніше?

Rule-based підходить для простих сценаріїв із низькою варіативністю. ML — для складних, де важлива персоналізація. На практиці ми часто комбінуємо: rule-based як fallback, ML як основний движок.

Ключові переваги AI-системи тригерних комунікацій

Персоналізація контенту за допомогою LLM — модель генерує текст з урахуванням історії покупок, поточного перегляду та імені користувача. Open rate в 2-3 рази вищий, ніж у масових розсилок. ML-оптимізація часу — модель аналізує, коли конкретний користувач активний, і надсилає повідомлення в момент максимальної ймовірності прочитання. Контроль частоти — вбудований детектор комунікаційної втоми не дає відправити більше 3-4 повідомлень на тиждень, запобігаючи відпискам. У результаті retention зростає, а кількість скарг на спам знижується в 5-10 разів.

Що входить у розробку системи?

1. Аналітика — аудит поточних комунікацій, збір патернів активності користувачів.
2. Проектування — архітектура event-driven системи, вибір стеку (PyTorch, Hugging Face, ChromaDB).
3. Розробка — реалізація ML-модулів вибору каналу та часу, генерація контенту через LLM.
4. Інтеграція — підключення до CRM (Bitrix24, AmoCRM), ESP (SendGrid, Unisender) та SMS-шлюзів.
5. A/B тестування — запуск експериментів для добору оптимальних стратегій.
6. Документація та навчання — API-документація, інструкції для маркетологів.

Ми маємо 5+ років досвіду в ML-системах для e-commerce, реалізували понад 30 проектів. Використовуємо сучасний стек: PyTorch, LangChain, Triton Inference Server. Гарантуємо вимірний результат — фіксуємо метрики open rate, conversion і порівнюємо з baseline. Впровадження окупається в середньому за 2-3 місяці, приносячи додатковий виторг від $50,000 до $200,000 на рік для середнього e-commerce проекту.

Оцінимо ваш проект за 1-2 дні — зв'яжіться з нами для консультації. Отримайте розрахунок вартості та строків під ваші завдання. Додатковий виторг від AI-системи може перевищити витрати в 5-10 разів у перший же рік.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

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

Більше про математику рекомендаційних систем — у Wikipedia.