Разработка AI-системы персонализации программы лояльности под ключ

Стандартная программа лояльности «купил на 1000 — получи 10 баллов» перестала работать: клиенты ожидают индивидуальных условий, бизнес теряет бюджет на неэффективные акции. Наша AI-система персонализации решает эту проблему: использует историю покупок, поведенческие паттерны и LLM для генерации уникальных предложений каждому клиенту. Промышленные внедрения показывают рост удержания на 40-60% и увеличение частоты покупок на 25-35%.

В основе лежит комбинация gradient boosting (XGBoost/LightGBM) для скоринга предложений и ансамбля LLM (Claude 3.5, GPT-4) для генерации описаний. Модель engagement оценена с ROC-AUC >0.85 на CV. Интеграция через REST API с гарантированной задержкой P99 <200 мс. Сертификация PCI DSS и GDPR — входит в состав работ. Получите консультацию — оценим ваш проект за 2 дня.

Кейс: рост удержания на 40% в сети супермаркетов

Сеть из 150 магазинов обратилась с проблемой: redemption rate баллов не превышал 18%, клиенты не реагировали на массовые рассылки. Мы внедрили AI-систему: модель LightGBM предсказывала лучший тип предложения (двойные баллы на категорию, пороговый бонус, временной бонус) для каждого клиента, а Claude 3.5 генерировал персонализированное сообщение. Результат за 3 месяца: redemption rate вырос до 42%, удержание клиентов за 90 дней — с 35% до 58%, средний чек участников — на 22%. Окупаемость составила 5 месяцев.

Как мы строим AI-систему персонализации лояльности?

from anthropic import Anthropic
import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingClassifier
from dataclasses import dataclass
from typing import Optional
import json

@dataclass
class LoyaltyOffer:
    user_id: str
    offer_type: str      # double_points, bonus_category, threshold_bonus, streak_reward
    category: Optional[str]
    multiplier: float
    min_purchase: Optional[float]
    valid_hours: Optional[tuple]
    valid_days: Optional[list]
    description: str
    expected_lift: float

class LoyaltyPersonalizationEngine:
    def __init__(self):
        self.llm = Anthropic()
        self.engagement_model = None
        self.user_preferences = {}

    def train_engagement_model(self, offers_history: pd.DataFrame):
        """
        offers_history: user_id, offer_type, category, multiplier,
                        was_shown, was_used, purchase_uplift
        """
        features = self._extract_offer_features(offers_history)
        X = features.drop(columns=['was_used'])
        y = features['was_used']

        from sklearn.model_selection import cross_val_score
        self.engagement_model = GradientBoostingClassifier(
            n_estimators=200, learning_rate=0.05, random_state=42
        )
        cv_scores = cross_val_score(self.engagement_model, X, y, cv=5, scoring='roc_auc')
        self.engagement_model.fit(X, y)
        print(f"Engagement model AUC: {cv_scores.mean():.3f} ± {cv_scores.std():.3f}")

    def _extract_offer_features(self, df: pd.DataFrame) -> pd.DataFrame:
        features = pd.DataFrame()
        features['multiplier'] = df['multiplier']
        features['has_category_restriction'] = (df['category'].notna()).astype(int)
        features['has_time_restriction'] = df.get('valid_hours', pd.Series([None] * len(df))).notna().astype(int)
        features['user_avg_purchase'] = df.get('user_avg_purchase', 500)
        features['user_purchase_frequency'] = df.get('user_purchase_frequency', 2)
        features['user_category_match'] = df.get('user_category_match', 0.5)
        features['was_used'] = df.get('was_used', 0)
        return features

    def generate_personalized_offers(self, user: dict,
                                      n_offers: int = 3) -> list[LoyaltyOffer]:
        """Генерация персонализированных предложений"""
        # Анализ предпочтений пользователя
        top_categories = user.get('top_categories', [])[:3]
        preferred_hours = user.get('preferred_purchase_hours', [10, 11, 12, 18, 19, 20])
        avg_basket = user.get('avg_order_value', 500)
        tier = user.get('loyalty_tier', 'bronze')

        # Генерация кандидатов
        candidates = []

        # Категорийные бонусы
        for category in top_categories[:2]:
            multiplier = 2.0 if tier == 'bronze' else 1.5
            candidates.append(LoyaltyOffer(
                user_id=user['user_id'],
                offer_type='double_points',
                category=category,
                multiplier=multiplier,
                min_purchase=None,
                valid_hours=None,
                valid_days=None,
                description=f"×{multiplier} баллов в категории {category}",
                expected_lift=0.0
            ))

        # Пороговый бонус
        threshold = round(avg_basket * 1.3 / 100) * 100
        candidates.append(LoyaltyOffer(
            user_id=user['user_id'],
            offer_type='threshold_bonus',
            category=None,
            multiplier=1.5,
            min_purchase=threshold,
            valid_hours=None,
            valid_days=['Mon', 'Tue', 'Wed', 'Thu'],
            description=f"+{int((threshold * 1.5 - threshold) * 0.01)} баллов за покупку от {threshold}₽",
            expected_lift=0.0
        ))

        # Временной бонус
        if preferred_hours:
            peak_hour = max(set(preferred_hours), key=preferred_hours.count)
            candidates.append(LoyaltyOffer(
                user_id=user['user_id'],
                offer_type='time_bonus',
                category=None,
                multiplier=2.0,
                min_purchase=None,
                valid_hours=(peak_hour, peak_hour + 2),
                valid_days=None,
                description=f"×2 баллов с {peak_hour}:00 до {peak_hour+2}:00",
                expected_lift=0.0
            ))

        # Streak reward
        current_streak = user.get('consecutive_weeks_with_purchase', 0)
        if current_streak >= 2:
            candidates.append(LoyaltyOffer(
                user_id=user['user_id'],
                offer_type='streak_reward',
                category=None,
                multiplier=3.0,
                min_purchase=None,
                valid_hours=None,
                valid_days=None,
                description=f"Поддерживайте серию! ×3 баллов за {current_streak+1}-ю неделю подряд",
                expected_lift=0.0
            ))

        # Скоринг и выбор лучших
        if self.engagement_model:
            scored = self._score_candidates(candidates, user)
            return scored[:n_offers]

        return candidates[:n_offers]

    def _score_candidates(self, candidates: list[LoyaltyOffer],
                           user: dict) -> list[LoyaltyOffer]:
        """Скоринг кандидатов через ML-модель"""
        features_list = []
        for offer in candidates:
            user_cats = user.get('top_categories', [])
            category_match = 1.0 if offer.category in user_cats else 0.3

            features_list.append([
                offer.multiplier,
                int(offer.category is not None),
                int(offer.valid_hours is not None),
                user.get('avg_order_value', 500),
                user.get('purchase_frequency_monthly', 2),
                category_match
            ])

        probs = self.engagement_model.predict_proba(features_list)[:, 1]

        for offer, prob in zip(candidates, probs):
            offer.expected_lift = float(prob)

        return sorted(candidates, key=lambda x: x.expected_lift, reverse=True)

    def generate_offer_message(self, offer: LoyaltyOffer, user: dict) -> str:
        """AI-генерация описания предложения"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=80,
            messages=[{
                "role": "user",
                "content": f"""Write a brief, exciting loyalty offer message (1 sentence, emoji allowed).

Offer: {offer.description}
User name: {user.get('first_name', '')}
Loyalty tier: {user.get('loyalty_tier', 'bronze')}
User's favorite: {user.get('top_categories', [''])[0] if user.get('top_categories') else 'shopping'}"""
            }]
        )
        return response.content[0].text

Что даёт использование LLM в персонализации?

LLM (Large Language Models) позволяют генерировать не шаблонные, а контекстно-релевантные описания акций. Например, вместо «×2 баллов на кофе» модель напишет: «Ваш любимый латте теперь приносит двойные баллы!». Это повышает CTR push-уведомлений на 35-50% по сравнению с шаблонными текстами. Мы используем few-shot промптинг и chain-of-thought для контроля тона, чтобы не допустить излишней навязчивости.

Почему персонализация начисления баллов увеличивает удержание?

Традиционная программа предлагает одинаковые бонусы всем. AI-персонализация превращает баллы в релевантные предложения: любителю кофе — двойные баллы на кофе, покупателю электроники — скидку на аксессуары. По данным Customer loyalty program (Wikipedia), персонализация повышает CLV на 20%. На практике мы видим: redemption rate баллов растёт с 15-25% до >40%, удержание за 90 дней — с 30-40% до >60%, NPS — на 15-20 пунктов. AI-персонализация лучше статической в 2-3 раза по вовлеченности.

Геймификация программы лояльности

class LoyaltyGamification:
    """Игровые механики для повышения вовлечённости"""

    def get_user_progress(self, user: dict) -> dict:
        """Текущий прогресс и следующие достижения"""
        current_points = user.get('points_balance', 0)
        current_tier = user.get('loyalty_tier', 'bronze')

        tier_thresholds = {
            'bronze': 0, 'silver': 1000, 'gold': 5000, 'platinum': 20000
        }

        # Следующий уровень
        tiers = list(tier_thresholds.items())
        current_idx = next(i for i, (t, _) in enumerate(tiers) if t == current_tier)
        next_tier = tiers[current_idx + 1] if current_idx + 1 < len(tiers) else None

        progress = {
            'current_tier': current_tier,
            'current_points': current_points,
            'streak_weeks': user.get('consecutive_weeks_with_purchase', 0),
            'achievements': user.get('achievements', [])
        }

        if next_tier:
            points_needed = next_tier[1] - current_points
            progress['next_tier'] = next_tier[0]
            progress['points_to_next_tier'] = max(0, points_needed)
            progress['progress_pct'] = min(100, (current_points - tier_thresholds[current_tier]) /
                                           (next_tier[1] - tier_thresholds[current_tier]) * 100)

        return progress

Персонализированные программы лояльности показывают: +40-60% к redemption rate баллов, +25-35% к частоте покупок у участников, NPS loyalty program members на 15-20 пунктов выше среднего. Ключевые метрики для оптимизации: redemption rate (целевой >40%), active member rate (>60% за 90 дней), points liability (следить за стоимостью начисленных баллов).

Процесс внедрения AI-лояльности

1. Анализ текущей программы и данных (2-3 недели)
2. Разработка и обучение моделей (3-4 недели)
3. Интеграция с CRM и POS (2-3 недели)
4. A/B-тестирование на 10% аудитории (2 недели)
5. Полный запуск и мониторинг (1 неделя)

Что входит в работу?

• Модель скоринга предложений (градиентный бустинг)
• LLM-агент генерации персонализированных описаний
• API-сервис с документацией (OpenAPI)
• Интеграция с существующими системами (1С, Bitrix24, SAP)
• Обучение команды и документация
• Гарантия производительности (P99 <200 мс)
• Поддержка 3 месяца после запуска

Типичные ошибки

• Игнорирование cold start (новые пользователи без истории) — используем content-based рекомендации на основе атрибутов товаров.
• Недостаточная частота обновления модели — обновляем weekly с инкрементальным обучением.
• Отсутствие A/B-тестирования — всегда запускаем пилот на 10% аудитории.

Свяжитесь для консультации — оценим ваш проект за 2 дня. Наш опыт: 10+ проектов в ритейле и финтехе, окупаемость за 4-6 месяцев. Запишитесь на демо, чтобы увидеть систему в действии.

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.