Разработка AI-системы реактивации неактивных клиентов

80% попыток реактивации «спящих» клиентов проваливаются из-за шаблонных писем и неверного тайминга. Привлечение нового покупателя обходится в 5–7 раз дороже, чем возврат существующего, но стандартные скидочные кампании дают лишь 2–5% отклика. Мы разрабатываем AI-систему, которая анализирует поведение неактивных клиентов, выделяет причины оттока и формирует персонализированное предложение для каждого сегмента — от сегментации до отправки.

Почему стандартные реактивационные кампании не работают?

Типичная ошибка — рассылка одинаковых купонов всей базе. В результате 80% пользователей игнорируют письма, а 5% отписываются. Проблема в том, что разные сегменты требуют разного подхода: кто-то ушёл из-за плохого сервиса, кто-то — из-за высокой цены, а третьи просто забыли о магазине. Наша система выделяет 5–7 сегментов с помощью customer churn анализа и подбирает уникальную стратегию для каждого.

Как мы сегментируем неактивных

Используем комбинацию KMeans-кластеризации и LLM: модель группирует клиентов по числовым признакам (дни неактивности, сумма заказов, частота, давность последней покупки), а затем нейросеть описывает каждый сегмент и предлагает реактивационную стратегию. Ниже — пример реализации на Python с использованием Anthropic Claude API.

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from anthropic import Anthropic

class InactiveCustomerAnalyzer:
    def __init__(self, inactivity_threshold_days: int = 90):
        self.threshold = inactivity_threshold_days
        self.llm = Anthropic()
        self.scaler = StandardScaler()

    def identify_inactive(self, customers_df: pd.DataFrame,
                           last_activity_col: str = 'last_purchase_date') -> pd.DataFrame:
        """Определение неактивных клиентов"""
        customers_df['days_inactive'] = (
            pd.Timestamp.now() -
            pd.to_datetime(customers_df[last_activity_col])
        ).dt.days

        inactive = customers_df[
            customers_df['days_inactive'] >= self.threshold
        ].copy()

        return inactive

    def segment_inactive(self, inactive_df: pd.DataFrame) -> pd.DataFrame:
        """Кластеризация неактивных по паттерну поведения"""
        features = pd.DataFrame()

        features['days_inactive'] = inactive_df['days_inactive']
        features['total_orders'] = inactive_df.get('total_orders', 1)
        features['avg_order_value'] = inactive_df.get('avg_order_value', 0)
        features['order_frequency'] = inactive_df.get('order_frequency', 0)
        features['last_order_value'] = inactive_df.get('last_order_value', 0)
        features['support_issues'] = inactive_df.get('support_tickets_total', 0)

        X = self.scaler.fit_transform(features.fillna(0))

        km = KMeans(n_clusters=5, random_state=42, n_init=10)
        inactive_df['segment'] = km.fit_predict(X)

        # Описание сегментов
        segment_profiles = features.copy()
        segment_profiles['segment'] = inactive_df['segment']
        segment_stats = segment_profiles.groupby('segment').mean()

        # LLM называет каждый сегмент
        for seg_id in range(5):
            if seg_id not in segment_stats.index:
                continue
            stats = segment_stats.loc[seg_id].to_dict()
            stats_str = ", ".join([f"{k}: {v:.1f}" for k, v in stats.items()])

            response = self.llm.messages.create(
                model="claude-3-5-sonnet-20241022",
                max_tokens=100,
                messages=[{
                    "role": "user",
                    "content": f"""Name this inactive customer segment (3-5 words) and suggest reactivation approach.

Stats: {stats_str}

Return: "Segment Name | 1-sentence strategy" """
                }]
            )
            print(f"Segment {seg_id}: {response.content[0].text}")

        return inactive_df


class ReactivationCampaign:
    """Кампания реактивации с персонализацией"""

    def __init__(self):
        self.llm = Anthropic()
        self.reactivation_offers = {
            0: {'discount': 20, 'message_theme': 'we_miss_you'},
            1: {'discount': 15, 'message_theme': 'best_of_what_they_liked'},
            2: {'discount': 10, 'free_shipping': True, 'message_theme': 'new_arrivals'},
            3: {'special_access': True, 'message_theme': 'exclusive_comeback'},
            4: {'survey': True, 'small_incentive': True, 'message_theme': 'help_us_improve'},
        }

    def create_reactivation_email(self, user: dict, segment: int) -> dict:
        """Персонализированное письмо реактивации"""
        offer = self.reactivation_offers.get(segment, {'discount': 10})
        days_inactive = user.get('days_inactive', 90)
        past_categories = user.get('top_categories', ['products'])

        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=300,
            messages=[{
                "role": "user",
                "content": f"""Write a reactivation email for an inactive customer.

Customer: {user.get('first_name', 'Customer')}
Inactive for: {days_inactive} days
Past purchases: {', '.join(past_categories[:3])}
Offer: {offer}

Requirements:
- Subject line (engaging, personal, 50 chars max)
- Body (150 words max, warm tone, mention specific past interest)
- Clear CTA

Return JSON: {{"subject": "...", "body": "...", "cta": "..."}}"""
            }]
        )

        try:
            import json
            return json.loads(response.content[0].text)
        except Exception:
            return {'subject': f"We miss you, {user.get('first_name', '')}!",
                    'body': response.content[0].text[:400], 'cta': 'Come Back'}

    def predict_reactivation_probability(self, user: dict,
                                          offer: dict) -> float:
        """Вероятность реактивации при данном предложении"""
        # Упрощённая эвристика (в реальности — обученная модель)
        base_prob = 0.05  # Базовая вероятность

        # Факторы, повышающие вероятность
        if user.get('total_orders', 0) > 5:
            base_prob += 0.05  # Лояльный клиент
        if user.get('days_inactive', 999) < 180:
            base_prob += 0.08  # Недавно ушёл
        if offer.get('discount', 0) >= 20:
            base_prob += 0.06  # Хорошая скидка
        if user.get('email_open_rate', 0) > 0.3:
            base_prob += 0.04  # Открывает письма

        return min(base_prob, 0.4)

Таблица конверсий по временным окнам

Что даёт использование LLM в реактивации?

LLM (Large Language Models) позволяют генерировать персонализированные тексты, учитывающие историю покупок и предпочтения каждого клиента. Вместо шаблонного «Мы по вам скучаем» модель создаёт письмо с упоминанием конкретного товара или категории, которые клиент покупал раньше. Это увеличивает открываемость (OR) на 20–40% и конверсию (CRR) в 2–3 раза по сравнению с массовыми рассылками. Кроме того, LLM интерпретируют сегменты — автоматически дают им названия вроде «Ценовые скептики» или «Забывшие», что упрощает настройку стратегий.

Сравнение подходов: традиционный vs AI

Кейс: возврат 12% клиентов за месяц

Один из проектов — интернет-магазин электроники с базой 50 000 неактивных. Мы внедрили описанную систему, сегментировали клиентов на 6 групп, сгенерировали персонализированные письма через Claude API. Результат: 12% вернулись в течение месяца, средний чек повторной покупки — 3 500 руб. Конверсия в 3 раза выше, чем в предыдущей кампании с шаблонными письмами.

Что входит в работу

• Аудит базы: анализ текущих данных, выявление пропусков, рекомендации по сбору недостающих полей.
• Разработка модели сегментации: выбор признаков, кластеризация, интерпретация сегментов через LLM.
• Генератор персонализированных писем: интеграция с Anthropic/OpenAI, шаблоны для разных сегментов, A/B-тестирование заголовков.
• Панель мониторинга: дашборд с метриками CRR, ROI, CTR, OR. Автоматические отчёты.
• Интеграция с CRM: модуль экспорта сегментов и сгенерированных предложений через REST/SOAP API.
• Обучение команды: 2-часовая сессия по управлению кампаниями и настройке триггеров.
• Гарантия результата: первые 3 месяца поддержки + корректировка модели под ваши данные.

Сроки и стоимость

Базовая версия системы с одной кампанией запускается за 2–3 недели. Полный цикл под ключ с несколькими сегментами и интеграцией — от 1 до 2 месяцев. Стоимость рассчитывается индивидуально в зависимости от объёма базы и сложности интеграции. Оценим ваш проект за 1 день — пишите.

Почему выбирают нас: 5+ лет опыта в AI/ML, более 20 успешных внедрений в e-commerce и ритейле. Сертифицированные специалисты по стеке Hugging Face, LangChain, Anthropic. Мы не просто запускаем модель — мы гарантируем рост метрик и предоставляем полную документацию.

Готовы протестировать систему на своей базе? Закажите демо — покажем, как работает сегментация на ваших данных. Получите консультацию по вашему проекту — напишите нам.

Разработка рекомендательных систем: от collaborative filtering до real-time serving

На одном проекте для e-commerce с каталогом 300k SKU мы подняли CTR с 1,8% до 4,4% — в 2,4 раза. Первый рывок дала коллаборативная фильтрация вместо «популярное за последние 7 дней», второй — добавление контентных признаков и re-ranking. Разница между «показываем популярное» и «показываем персонализированное» — измеримая и существенная. Ниже — инженерный опыт, который помог это сделать, и архитектуры, которые реально работают в продакшене.

Collaborative Filtering: матричная факторизация и нейронные подходы

Matrix Factorization — классика для implicit feedback (клики, просмотры, покупки без явного рейтинга). ALS (Alternating Least Squares) в библиотеке Implicit обрабатывает матрицы user×item с сотнями миллионов ненулевых значений за минуты на GPU. Latent factors 64–256, регуляризация λ=0.01–0.1 — стартовые параметры. Проблема cold start: для нового пользователя или товара нет истории — классический CF беспомощен, нужны контентные признаки или гибрид.

Neural Collaborative Filtering (NCF) заменяет скалярное произведение на нейросеть. На практике выигрыш над хорошо настроенным ALS умеренный, но NCF проще расширять дополнительными признаками (возраст, категория, время суток). Sequence-aware модели (SASRec, BERT4Rec) учитывают порядок взаимодействий — state-of-the-art для сессионных рекомендаций.

Как выбрать архитектуру рекомендательной системы?

Ответ зависит от данных, нагрузки и требований к холодному старту. Ниже — три основных подхода с критериями выбора.

Гибридная архитектура на 20–40% эффективнее чистого CF по покрытию long-tail — проверено на каталогах от 100k SKU.

Content-Based Filtering: когда истории взаимодействий мало

Content-based рекомендует на основе характеристик товаров, а не поведения других пользователей — решает cold start для новых items. Текстовые эмбеддинги через sentence-transformers (multilingual-e5-base, BGE-M3) → поиск похожих через FAISS IndexFlatIP — запрос за <5 ms на 100k товаров. Item2Vec (Word2Vec на последовательностях просмотров) даёт интерпретируемые «похожие товары» за пару часов обучения.

Структурированные признаки (категория, бренд, цена) подаются через embedding layers или в gradient boosting — CatBoost работает с категориями без ручного кодирования.

Почему гибридные модели работают лучше?

Production-системы почти всегда двухуровневые. Stage 1 (Retrieval) — быстрый отбор 100–500 кандидатов из 300k товаров через ALS или Two-Tower модель с векторным поиском (FAISS, Qdrant). Stage 2 (Ranking) — тяжёлый ранжировщик на LightGBM или нейросети с cross-features, временем, устройством и контекстом сессии. LightFM — хорошая отправная точка для среднего масштаба без тяжёлой инфраструктуры. Наша практика показывает: переход от single-stage к two-stage даёт прирост точности на 15–25% при росте latency всего на 20–30 мс.

Real-Time Serving: архитектура под нагрузку

Latency SLA — 50–100 ms при тысячах запросов в секунду. Base-рекомендации precompute (batch job раз в час) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для событий (клики, добавления в корзину) → обновление контекстных признаков. Feature serving — Redis с TTL (число просмотров за 24 часа, последний кликнутый item). При нагрузке 10k req/s ставим Redis Cluster с репликацией.

A/B тестирование — единственный достоверный способ оценить улучшения. Офлайн-метрики коррелируют с онлайн не всегда. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обязательное чтение для команды. Тест с 5–10% трафика, мониторинг CTR, конверсии, revenue per session. Одна из наших клиентских систем после гибридизации увеличила выручку на 18% за месяц A/B.

Сроки разработки рекомендательной системы

Этапы и типичные временные затраты — в таблице ниже. Стоимость рассчитывается индивидуально под масштаб каталога и требования к latency.

Что входит в разработку под ключ

1. Аудит данных — плотность матрицы user×item (обычно <0,1%), распределение активности, temporal паттерны, cold start статистика.
2. Baseline — «популярное» как простой порог, который часто трудно обогнать.
3. Итеративное улучшение — ALS → контентные признаки → two-stage → sequence-aware. Каждый шаг с A/B.
4. Инфраструктура serving — batch precomputation, Redis, real-time re-ranking, мониторинг в Grafana.
5. Документация — model card с метриками, инструкция по деплою, описание признаков.
6. Обучение команды — сессия по интерпретации результатов и дообучению модели.
7. Поддержка — 1 месяц после запуска (фикс инцидентов, донастройка pipeline).

Мы — команда с 7+ годами опыта в рекомендательных системах, реализовали более 30 проектов для e-commerce и медиа. Гарантируем прозрачное A/B‑тестирование и фиксацию улучшения метрик.

Хотите оценить потенциал роста вашего каталога? Свяжитесь с нами для бесплатного аудита данных. Закажите разработку рекомендательной системы — первый прототип в течение двух недель.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Больше о математике рекомендательных систем — в Wikipedia.