ML-трекінг TTV: вимірюємо та прискорюємо шлях клієнта до цінності

ML-трекінг TTV: вимірюємо та прискорюємо шлях клієнта до цінності

Клієнт підписав контракт, минуло 30 днів, а він так і не зрозумів, за що платить. Типова ситуація. Ми знаємо, як виміряти та скоротити шлях до цінності. За 15+ проектів із впровадження TTV-трекінгу в B2B SaaS-продуктах ми накопичили практику, яка гарантує вимірний результат: середнє скорочення TTV на 25% швидше, ніж при ручному аналізі.

Time-to-Value (TTV) — час від підписання контракту до моменту, коли клієнт вперше отримує значущу цінність від продукту Wikipedia. У B2B SaaS це провідний індикатор довгострокового утримання: клієнти, які досягли Aha-моменту за < 14 днів, мають retention на 40% вищий, ніж ті, хто не досяг його взагалі. Ми автоматизуємо цей трекінг за допомогою ML, що дозволяє передбачати ризики та втручатися до того, як клієнт застрягне.

Як визначити Aha-момент?

Aha-момент = перше досягнення value milestone. Конкретні визначення залежать від продукту:

• CRM: перша успішно закрита угода через систему
• Аналітична платформа: перший переглянутий дашборд з реальними даними
• Автоматизація: перший успішно виконаний workflow
• Комунікації: перші 10 повідомлень від команди

Визначення milestone через дані:

def identify_aha_moment(product_events, cohort):
    """
    Кореляційний аналіз: яке action передбачає retention найкраще?
    Метод: знайти події, після яких 90-day retention максимальний
    """
    event_types = product_events['event_type'].unique()

    correlations = {}
    for event in event_types:
        users_with_event = product_events[product_events['event_type'] == event]['user_id'].unique()
        retention_with = cohort[cohort['user_id'].isin(users_with_event)]['retained_90d'].mean()
        retention_without = cohort[~cohort['user_id'].isin(users_with_event)]['retained_90d'].mean()
        correlations[event] = retention_with - retention_without

    return sorted(correlations.items(), key=lambda x: x[1], reverse=True)[:5]

Як ML передбачає TTV та виявляє ризики?

Раннє передбачення клієнтів, які застрягли. Onboarding journey — послідовність кроків. ML передбачає ймовірність того, що клієнт так і не досягне Aha-моменту:

def predict_at_risk_onboarding(account_id, days_since_signup):
    events = get_product_events(account_id, days=days_since_signup)

    features = {
        'setup_completion_pct': events['setup_steps_completed'] / total_setup_steps,
        'integrations_connected': events['integrations_count'],
        'users_invited': events['team_members_invited'],
        'login_frequency': events['unique_login_days'] / days_since_signup,
        'support_tickets_opened': events['support_tickets'],
        'training_modules_completed': events['training_completion'],
        'days_since_signup': days_since_signup,
        'plan_tier': account['plan'],
        'company_size': account['employee_count']
    }

    risk_score = onboarding_risk_model.predict_proba([features])[0][1]
    return risk_score

Часовий горизонт: День 3, день 7, день 14 — контрольні точки. Якщо на день 7 прогноз ризику > 0.6 → тригер втручання.

Сегментація TTV: таблиця середніх значень

За use case: Кластеризація клієнтів за їхньою метою. Різні onboarding paths для різних кластерів — персоналізовані рекомендації наступного кроку.

Intervention Engine

Automated vs. Human interventions:

def select_intervention(account, risk_score, bottleneck):
    if risk_score > 0.8:
        # Критичний — CSM втручається вручну
        return {
            'type': 'human',
            'action': 'schedule_call',
            'owner': assign_csm(account),
            'message_template': 'high_risk_outreach'
        }
    elif risk_score > 0.5 and bottleneck == 'integration':
        # Автоматичний — in-app tooltip + email
        return {
            'type': 'automated',
            'channel': ['in_app_tooltip', 'email'],
            'content': 'integration_setup_guide',
            'timing': 'next_login'
        }
    else:
        return {'type': 'monitor', 'next_check': 3}  # днів

A/B тестування інтервенцій:

• Контрольна група vs. група з nudge
• Метрика: TTV (днів до Aha), 30-day activation rate
• Bayesian A/B тест: зупиняємо при posterior probability > 95%

Cohort Analytics

TTV Cohort Chart: Класична візуалізація: по осі X — дні з реєстрації, по Y — % клієнтів, які досягли Aha. Порівняння когорт (різні місяці, різні канали, плани).

Bottleneck Analysis: Воронка onboarding кроків: де найбільше клієнтів застрягають? Крок з найбільшим drop-off — пріоритет для UX-покращення.

def funnel_analysis(onboarding_steps, cohort):
    funnel_rates = {}
    for i, step in enumerate(onboarding_steps):
        users_reached = cohort[cohort['max_step_reached'] >= i]['count']
        users_completed = cohort[cohort['max_step_reached'] >= i+1]['count']
        funnel_rates[step] = users_completed / users_reached
    return funnel_rates

Медіанний TTV за сегментами: Щотижневий моніторинг. Зростання медіанного TTV → проблема в onboarding (регресія в продукті, зміна ICP).

Порівняння типів інтервенцій

Що входить у роботу

• Документація: model card з описом фіч та метрик, pipeline схеми, архітектура ML-сервісу
• Доступи: дашборди TTV cohort chart та funnel analysis для Product & CSM команд
• Навчання: воркшоп з інтерпретації ризиків та налаштування інтервенцій
• Підтримка: код-рев'ю та доопрацювання моделі під нові events протягом гарантійного періоду

Інтеграція

Product Analytics: Amplitude, Mixpanel, Heap — джерело events. Warehouse: Snowflake/BigQuery — feature store для моделі.

CRM: Salesforce Custom Object "Onboarding Progress" — видимість для CSM. Health Score об'єднується з TTV progress.

In-app Messaging: Intercom, Pendo, Appcues — канали доставки автоматичних інтервенцій на основі ML-тригерів.

Строки: Aha-moment definition + TTV cohort analytics + базовий risk scoring — 3-4 тижні. ML-передбачення at-risk accounts + intervention engine + A/B test framework — 6-8 тижнів.

Хочете виміряти та скоротити TTV вашого продукту? Зв'яжіться з нами — ми допоможемо налаштувати систему трекінгу під ваш стек. Замовте аудит поточного onboarding для оцінки потенціалу скорочення TTV. Отримайте консультацію з впровадження — розповімо, як інтегрувати ML-трекінг у вашу продуктову аналітику.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.