Розробка ML-моделі прогнозування конверсії (Conversion Prediction)

Розробка ML-моделі прогнозування конверсії (Conversion Prediction)

Розраховувати ймовірність покупки — стандартне завдання для e-commerce. Але більшість моделей на логістичній регресії дають погане калібрування та не враховують послідовність дій користувача. Крім того, багато моделей страждають від перенавчання на рідкісних подіях, що призводить до високого CPA. Ми будуємо моделі, які враховують clickstream, поведінкові патерни та intent-сигнали, досягаючи AUC-ROC > 0.85 та lift factor > 3 на топ-лідах.

Наприклад, для одного з клієнтів у ніші B2B SaaS ми побудували ансамбль LightGBM з daily retrain. В результаті конверсія з trial у paid зросла на 40%, а CPA знизився на 25%. При цьому ми інтегрували моделі в CRM Salesforce, що дозволило автоматично пріоритезувати дзвінки: high-scored ліди обробляються протягом 5 хвилин, збільшуючи конверсію до 9 разів (за даними Harvard Business Review). В результаті частка high-scored лідів, що здійснили конверсію, зросла з 5% до 18%.

Наш досвід — 50+ проєктів в e-commerce, SaaS, fintech. Ми гарантуємо економію рекламного бюджету до $2500 на місяць на середньому проєкті та додатковий виторг до $5000 за рахунок персоналізації. Для порівняння, LightGBM на clickstream-даних дає lift у 2-3 рази вищий, ніж логістична регресія, що підтверджує ефективність gradient boosting для задач конверсії.

Як побудувати модель прогнозування конверсії?

Аудит даних

Збираємо web-аналітику (кліки, сесії, джерела) та поведінкові патерни (глибина скролу, час на сторінці). Для B2B додаємо firmographic дані та intent-сигнали з Clearbit або BuiltWith.

Feature Engineering

Створюємо ознаки RFM (recency, frequency, monetary), послідовності сторінок, швидкість сесії. Використовуємо PySpark для обробки великих обсягів.

Вибір моделі

Для e-commerce — LightGBM на clickstream-даних з щоденним перенавчанням. Для B2B з довгим циклом — Survival Analysis (Cox), що прогнозує час до конверсії. Baseline — логістична регресія.

Навчання та валідація

Метрики: AUC-ROC, Precision@K, lift curve. Перевіряємо калібрування ймовірностей. Атрибуція: conversion label береться через фіксоване вікно (30 або 60 днів). Нові дані без конверсій не включаються до закінчення вікна. Censored data обробляється окремо.

Розгортання

Real-time API на FastAPI, інтеграція з CRM (Salesforce, HubSpot) через REST. Поле "Propensity to Buy" в об'єкті Lead, автоматична пріоритезація дзвінків. При score > 0.75 створюється задача "Зателефонувати протягом 1 години".

Які дані необхідні для моделі прогнозування конверсії?

Для e-commerce достатньо clickstream: кількість сесій, сторінок, utm-мітки, пристрій, гео. Поведінкові патерни, наприклад перегляд /pricing → /case-studies → /demo, підвищують конверсію в 3 рази. Для B2B потрібні дані про компанію (розмір, галузь, технологічний стек). Ми допомагаємо об'єднати всі джерела в єдину фічерну таблицю.

Чому важлива персоналізація в реальному часі?

На основі conversion score система адаптує контент за <200 мс. При score > 0.8 показуємо спливаюче вікно з пропозицією зв'язатися з менеджером, при 0.6–0.8 — case study за галуззю. Технічно: JavaScript SDK надсилає події в ML API, score повертається за <200 мс, front-end рендерить персоналізований контент (React/Vue). Це додатково приносить до $5000 виторгу на місяць на середньому проєкті.

Типи задач конверсії

Feature Engineering

Моделі та метрики

Метрики: AUC-ROC, Precision@K (точність на топ-лідів), lift curve, калібрування ймовірностей.

Pipeline в CRM

Для B2B conversion score інтегрується в sales workflow: поле "Propensity to Buy" в об'єкті Lead (Salesforce/HubSpot), автоматична пріоритезація дзвінків. При score > 0.75 створюється задача "Зателефонувати протягом 1 години". Дослідження Harvard Business Review підтверджує: дзвінок high-intent ліду протягом 5 хвилин підвищує конверсію в 9 разів.

Що входить у роботу

• Аудит джерел даних та підготовка фічер
• Розробка baseline моделі (логістична регресія) за 2–3 тижні
• Побудова продакшн-моделі (LightGBM, Survival analysis) з real-time API
• Інтеграція з CRM та налаштування тригерів
• Документація, навчання команди, підтримка після запуску

Оцінимо ваш проєкт за один робочий день. Зв'яжіться з нами, щоб отримати консультацію та розрахувати вартість під ключ. Замовте пілот для швидкої демонстрації результатів.

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.