AI-система оптимизации онбординга SaaS
Онбординг — самый критичный этап жизненного цикла SaaS-клиента. 40-60% пользователей уходят в первые 30 дней, не активировав ключевую ценность продукта. AI-система определяет, какие шаги онбординга приводят к активации, и персонализирует путь каждого пользователя.
Предсказание активации и churn в онбординге
import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingClassifier
from anthropic import Anthropic
import json
class OnboardingActivationPredictor:
"""
Предсказание: активируется ли пользователь в течение 14 дней.
Активация = достижение "Aha moment" продукта.
"""
def __init__(self, aha_moment_events: list[str]):
"""
aha_moment_events: список событий, которые означают активацию
Пример для Slack: ['first_message_sent', 'channel_created']
Пример для Figma: ['first_design_shared', 'collaboration_started']
"""
self.aha_events = aha_moment_events
self.model = GradientBoostingClassifier(
n_estimators=200, learning_rate=0.05, max_depth=4, random_state=42
)
def build_features(self, user_events: pd.DataFrame,
days_since_signup: int = 7) -> pd.DataFrame:
"""Признаки из первых N дней онбординга"""
cutoff = user_events.groupby('user_id')['signup_date'].first() + pd.Timedelta(days=days_since_signup)
early_events = user_events[
user_events['event_date'] <= user_events['user_id'].map(cutoff)
]
features = early_events.groupby('user_id').agg(
sessions_count=('session_id', pd.Series.nunique),
unique_events=('event_name', pd.Series.nunique),
total_events=('event_id', 'count'),
days_active=('event_date', lambda x: x.dt.date.nunique()),
key_feature_used=('event_name', lambda x: x.isin(self.aha_events).any().astype(int)),
onboarding_steps_completed=('event_name', lambda x: x.str.startswith('onboarding_').sum()),
invited_teammates=('event_name', lambda x: (x == 'invite_sent').sum()),
setup_completed=('event_name', lambda x: (x == 'setup_complete').any().astype(int))
).reset_index()
# Скорость прогресса
features['setup_speed_days'] = early_events[
early_events['event_name'] == 'setup_complete'
].groupby('user_id')['days_to_event'].min().reindex(features['user_id']).fillna(days_since_signup)
return features.fillna(0)
def identify_critical_path(self, user_events: pd.DataFrame,
activated_users: set,
churned_users: set) -> dict:
"""
Aha moment анализ: какие события в первые 3 дня максимально
коррелируют с активацией vs churn.
"""
critical_path = {}
early = user_events[user_events['days_to_event'] <= 3]
event_names = early['event_name'].unique()
for event in event_names:
users_with_event = set(early[early['event_name'] == event]['user_id'])
activation_rate_with = len(users_with_event & activated_users) / max(len(users_with_event), 1)
activation_rate_without = len(activated_users - users_with_event) / max(len(activated_users - users_with_event) + 1, 1)
if activation_rate_with > 0:
lift = activation_rate_with / max(activation_rate_without, 0.01)
critical_path[event] = {
'activation_rate': round(activation_rate_with, 3),
'lift_vs_without': round(lift, 2),
'prevalence': len(users_with_event),
'is_critical': lift > 1.5
}
return dict(sorted(critical_path.items(), key=lambda x: -x[1]['lift_vs_without']))
class AdaptiveOnboardingOrchestrator:
"""Персонализация онбординговых действий"""
def __init__(self):
self.llm = Anthropic()
def determine_next_action(self, user: dict,
completed_steps: list[str],
days_since_signup: int,
activation_probability: float) -> dict:
"""
Следующее действие для пользователя в онбординге.
Учитывает скорость прогресса и риск churn.
"""
# Если вероятность активации низкая → интервенция
if activation_probability < 0.3 and days_since_signup <= 7:
intervention_type = 'urgent'
elif activation_probability < 0.5 and days_since_signup >= 7:
intervention_type = 'nudge'
else:
intervention_type = 'guide'
next_steps_map = {
'profile_completed': 'invite_teammates',
'invite_teammates': 'key_feature_setup',
'key_feature_setup': 'aha_moment_action',
'aha_moment_action': 'second_use_case',
}
last_completed = completed_steps[-1] if completed_steps else None
next_step = next_steps_map.get(last_completed, 'profile_completed')
return {
'next_action': next_step,
'intervention_type': intervention_type,
'channel': 'in_app' if days_since_signup <= 3 else 'email',
'message': self._generate_nudge(user, next_step, intervention_type),
'activation_risk': 'high' if activation_probability < 0.3 else 'low'
}
def _generate_nudge(self, user: dict, next_step: str,
intervention_type: str) -> str:
response = self.llm.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=100,
messages=[{
"role": "user",
"content": f"""Write a {intervention_type} onboarding message in Russian.
User: {user.get('first_name', 'Пользователь')}, role: {user.get('job_title', '')}, company: {user.get('company', '')}
Next step needed: {next_step}
Urgency: {intervention_type}
Max 50 words. Action-oriented, specific, no generic phrases like "Don't miss out"."""
}]
)
return response.content[0].text.strip()
class OnboardingAnalytics:
"""Метрики онбординга"""
def compute_activation_funnel(self, events: pd.DataFrame,
funnel_steps: list[str]) -> pd.DataFrame:
"""Воронка активации по шагам"""
total_users = events['user_id'].nunique()
funnel = []
for step in funnel_steps:
users_at_step = events[events['event_name'] == step]['user_id'].nunique()
funnel.append({
'step': step,
'users': users_at_step,
'conversion_from_start': round(users_at_step / total_users, 3),
})
funnel_df = pd.DataFrame(funnel)
funnel_df['drop_off_from_prev'] = 1 - funnel_df['users'] / funnel_df['users'].shift(1).fillna(total_users)
return funnel_df
Оптимизация онбординга через AI-персонализацию повышает activation rate на 25-40% и снижает first-month churn на 20-30%. Ключевое: определить "Aha moment" для вашего продукта до начала оптимизации — это не техническая задача, а продуктовая.