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
| Задача | Цільова дія | Особливості |
|---|---|---|
| E-commerce | Додавання до кошика → покупка, сесія → транзакція | Короткий цикл, висока частота подій |
| SaaS | Відвідувач → реєстрація, trial → paid | Довгий цикл, low volume, high value |
| Marketplace | Заявка → схвалення → видача | Багатоетапний процес |
Feature Engineering
| Група ознак | Приклади | Інструменти |
|---|---|---|
| Web analytics / clickstream | Кількість сесій, сторінок, джерело трафіку, пристрій, гео, глибина скролу | Snowplow, GA4, BigQuery |
| Поведінкові патерни | Послідовності сторінок, швидкість сесії, патерни повернень | PySpark, Pandas |
| CRM / firmographic (B2B) | Розмір компанії, галузь, стек технологій, intent-сигнали | Clearbit, BuiltWith |
Моделі та метрики
| Сценарій | Рекомендована модель | Особливості |
|---|---|---|
| E-commerce | LightGBM з clickstream | Навчання на останніх 30–90 днях, перенавчання щоденно |
| B2B (довгий цикл) | Survival Analysis (Cox) | Прогнозує час до конверсії. Baseline: логістична регресія |
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.