Розробка AI-системи персоналізації контенту для сайту

Уявіть: на сайт заходить відвідувач з email-розсилки з пропозицією знижки, бачить той самий банер, що й новий користувач з органіки. Втрата конверсії — до 30%. Amazon персоналізує головну сторінку за допомогою рекомендаційної системи, отримуючи +29% виручки. Для B2B SaaS персоналізація лендінгу під вертикаль клієнта збільшує conversion rate на 15-30%. Зниження вартості залучення ліда (CPA) на 20% — ще один вимірний ефект. Економія на тестуванні гіпотез — до 40% за рахунок автоматизації A/B тестів. Ми розробляємо AI-системи персоналізації, які вирішують це завдання під ключ. Зв'яжіться з нами — оцінимо проєкт за 2 дні та покажемо прототип.

Як працює сегментація в реальному часі?

Класифікація відвідувача відбувається за перші секунди сесії. Використовуємо комбінацію rule-based правил (швидкий старт) та ML-моделі (Random Forest) для точності. Нижче — приклад сегментатора на Python.

import numpy as np import pandas as pd from sklearn.ensemble import RandomForestClassifier import json from anthropic import Anthropic class RealTimeVisitorSegmentor: """Визначення сегмента відвідувача в перші секунди сесії""" 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: """Ознаки з перших 30 секунд сесії""" 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: """Класифікація в реальному часі (< 50ms)""" features = self.extract_session_features(session_data) # Rule-based fallback (швидше моделі для старту) 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: """Двигун динамічного контенту""" def __init__(self): self.llm = Anthropic() def personalize_hero_section(self, segment: str, industry: str = None, page_data: dict = None) -> dict: """Персоналізація головного блоку сторінки""" base_headlines = { 'new_visitor': "Автоматизуйте процеси за допомогою AI", 'returning_engaged': "Продовжуйте там, де зупинилися", 'high_intent': "Почніть безкоштовно сьогодні", 'churned_user': "Ви нас запитували — ми оновилися", 'enterprise_prospect': "Enterprise-рішення для вашої галузі", } cta_buttons = { 'new_visitor': {"text": "Дізнатися більше", "variant": "secondary"}, 'returning_engaged': {"text": "Повернутися в продукт", "variant": "primary"}, 'high_intent': {"text": "Спробувати безкоштовно", "variant": "primary"}, 'churned_user': {"text": "Подивитися що нового", "variant": "primary"}, 'enterprise_prospect': {"text": "Запросити демо", "variant": "primary"}, } headline = base_headlines.get(segment, base_headlines['new_visitor']) # Галузева персоналізація через LLM якщо є дані 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: # Показуємо кейси, релевантні 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]: """Персоналізація стрічки статей/кейсів""" if not user_history: # Cold-start: популярний контент return sorted(content_catalog, key=lambda x: x.get('views_7d', 0), reverse=True)[:n_items] # Видобуваємо інтереси з історії viewed_tags = set() for item in user_history: viewed_tags.update(item.get('tags', [])) # Скоринг контенту 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 тестування персоналізації""" def calculate_experiment_results(self, control: pd.DataFrame, treatment: pd.DataFrame) -> dict: """Статистична значущість результатів A/B тесту""" from scipy import stats control_cvr = control['converted'].mean() treatment_cvr = treatment['converted'].mean() # Z-test для пропорцій 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} } 

Чому A/B тестування критичне для персоналізації?

Без A/B тестів будь-які зміни — ворожіння. Статистична значущість (p-value < 0.05) — єдиний спосіб підтвердити, що зростання конверсії не випадковість. У нашому стеці використовується Z-test для пропорцій, як у коді вище. Мінімальний трафік: 500 конверсій на варіант. Для низькоконверсійних сторінок (1%) знадобиться 50 000 унікальних відвідувачів. Ми гарантуємо коректне налаштування експерименту, включаючи стратифікацію та контроль множинних порівнянь. Отримайте консультацію — ми допоможемо спланувати тест.

Як вибрати між rule-based та ML?

Rule-based сегментація впроваджується за 1-2 дні, не потребує історичних даних і дає 70-80% точності. ML (Random Forest) потребує 2-4 тижні на збір даних та навчання, але точність сягає 95%. На старті використовуємо rule-based як fallback, потім донавчаємо ML-модель на накопичених сесіях. Це дає стабільний lift на горизонті 6+ місяців. Замовте розробку — ми підберемо оптимальну комбінацію.

Покроковий процес впровадження

Що входить в роботу?

Порівняння підходів: rule-based vs ML

Ми комбінуємо обидва підходи: rule-based як fallback для холодного старту, ML для уточнення. При зростанні трафіку ML-модель донавчається — це дає стабільний lift на горизонті 6+ місяців. Rule-based краще для швидкого запуску, ML — для масштабування. Отримайте консультацію по вашій задачі — ми підберемо оптимальну схему.

Як ми це робимо: стек та кейс

Для одного клієнта (B2B SaaS, фінтех) впровадили систему на базі Anthropic Claude для генерації заголовків під enterprise-сегмент. Сегментація — Random Forest на 50 деревах. Векторна база pgvector зберігає ембеддінги контенту (1536-dim). Результат: +22% до реєстрації на лендінгу за 2 тижні A/B тесту. Детальніше про Random Forest та A/B тестування.

Зв'яжіться з нами — оцінимо ваш проєкт за 2 дні. Отримайте консультацію по вашій задачі. Наш досвід: 5+ років, 15+ проєктів персоналізації для SaaS та e-commerce.