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.