Реализация персонализации контента по сегментам аудитории на сайте

Реализация персонализации контента по сегментам аудитории на сайте

Персонализация — показ разного контента разным сегментам пользователей для повышения релевантности и конверсии. В отличие от A/B теста (случайное распределение), персонализация детерминирована: пользователь с определёнными атрибутами всегда видит соответствующий контент.

Типы сегментов

• Поведенческие: просмотренные товары, категории, предыдущие покупки
• Демографические: гео, язык, устройство
• Источник трафика: Google Ads, SEO, email-рассылка, прямой
• Стадия воронки: новый посетитель, вернувшийся, зарегистрированный, платящий
• Бизнес-атрибуты: тарифный план, компания, роль

Архитектура персонализации

User Request
     ↓
Segment Resolver (кто этот пользователь?)
     ↓
Rule Engine (какой контент показать?)
     ↓
Content Renderer (отрендерить персонализированный вариант)
     ↓
Analytics (зафиксировать показ + конверсию)

Сегментация на сервере

# segment_resolver.py
class SegmentResolver:
    def resolve(self, user: User, request: Request) -> list[str]:
        segments = []

        # Геолокация
        country = get_geoip(request.remote_addr)
        segments.append(f"country:{country}")

        # Устройство
        device = parse_device(request.user_agent)
        segments.append(f"device:{device}")

        # Источник трафика
        referrer = request.referrer or ''
        if 'google' in referrer:
            segments.append("source:google")
        elif 'email' in request.args.get('utm_medium', ''):
            segments.append("source:email")
        else:
            segments.append("source:direct")

        # Стадия жизненного цикла
        if not user:
            segments.append("lifecycle:anonymous")
        elif not user.has_purchases:
            segments.append("lifecycle:prospect")
            if user.session_count > 3:
                segments.append("lifecycle:warm_lead")
        else:
            segments.append("lifecycle:customer")
            segments.append(f"plan:{user.plan}")

        # Поведенческие (из Redis)
        viewed_cats = redis.smembers(f"viewed_cats:{user.id}")
        for cat in viewed_cats:
            segments.append(f"interest:{cat}")

        return segments

Rule Engine для маппинга сегментов на контент

# personalization_rules.py
RULES = [
    {
        'id': 'email_promo_banner',
        'segments': ['source:email'],
        'content': {
            'hero_banner': 'Ваш эксклюзивный промокод: EMAIL20',
            'cta_text': 'Применить скидку 20%'
        },
        'priority': 100
    },
    {
        'id': 'warm_lead_urgency',
        'segments': ['lifecycle:warm_lead'],
        'content': {
            'hero_banner': 'Вы смотрели {last_viewed_product} — осталось 3 штуки',
            'floating_badge': 'Ваша корзина ждёт'
        },
        'priority': 90
    },
    {
        'id': 'customer_cross_sell',
        'segments': ['lifecycle:customer'],
        'content': {
            'sidebar': 'recommended_for_customers',
            'hero_banner': 'Добро пожаловать обратно! Новинки для вас:'
        },
        'priority': 80
    },
    {
        'id': 'mobile_simplified',
        'segments': ['device:mobile'],
        'content': {
            'layout': 'mobile_first',
            'show_phone_cta': True
        },
        'priority': 50
    }
]

def get_personalized_content(segments: list[str]) -> dict:
    matched = []
    for rule in sorted(RULES, key=lambda r: r['priority'], reverse=True):
        if all(s in segments for s in rule['segments']):
            matched.append(rule)
            break  # Применить только первое подходящее правило

    if not matched:
        return get_default_content()

    return matched[0]['content']

Frontend реализация с персонализированными слотами

// PersonalizationSlot.jsx
function PersonalizationSlot({ slotId, fallback }) {
  const [content, setContent] = useState(null)
  const { segments } = useUserSegments()

  useEffect(() => {
    fetch('/api/personalization', {
      method: 'POST',
      body: JSON.stringify({ slot: slotId, segments })
    })
      .then(r => r.json())
      .then(setContent)
  }, [slotId, segments])

  if (!content) return fallback || null
  return <div dangerouslySetInnerHTML={{ __html: content.html }} />
}

// Использование
function HeroSection() {
  return (
    <section>
      <PersonalizationSlot
        slotId="hero_banner"
        fallback={<DefaultHeroBanner />}
      />
    </section>
  )
}

Edge персонализация (без задержки)

// Cloudflare Worker: персонализировать HTML на Edge
addEventListener('fetch', event => {
  event.respondWith(personalizeResponse(event.request))
})

async function personalizeResponse(request) {
  const response = await fetch(request)
  if (!response.headers.get('Content-Type')?.includes('text/html')) {
    return response
  }

  const segments = getSegmentsFromCookies(request)
  const content = getPersonalizedContent(segments)

  const html = await response.text()
  const personalized = html
    .replace('{{hero_headline}}', content.hero_headline)
    .replace('{{cta_text}}', content.cta_text)

  return new Response(personalized, {
    headers: response.headers,
    status: response.status
  })
}

Рекомендательный движок

# Collaborative filtering для товарных рекомендаций
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

def get_recommendations(user_id, all_purchases, n=5):
    # Матрица пользователь × товар
    users = list(all_purchases.keys())
    items = list(set(item for purchases in all_purchases.values() for item in purchases))

    matrix = np.zeros((len(users), len(items)))
    for i, user in enumerate(users):
        for item in all_purchases.get(user, []):
            j = items.index(item)
            matrix[i][j] = 1

    # Схожесть пользователей
    user_idx = users.index(user_id)
    similarities = cosine_similarity(matrix[user_idx:user_idx+1], matrix)[0]

    # Взвешенные рекомендации
    scores = similarities @ matrix
    scores[0][list(all_purchases.get(user_id, {}))] = 0  # убрать уже купленные

    top_indices = scores[0].argsort()[-n:][::-1]
    return [items[i] for i in top_indices]

Измерение эффекта персонализации

def measure_personalization_impact(analytics_db):
    # Сравнить конверсию: персонализированный контент vs дефолтный
    results = analytics_db.query("""
        SELECT
            is_personalized,
            COUNT(DISTINCT session_id) AS sessions,
            SUM(converted) AS conversions,
            ROUND(AVG(CAST(converted AS FLOAT)) * 100, 2) AS cvr,
            ROUND(AVG(order_value), 0) AS avg_order_value
        FROM sessions
        WHERE date >= CURRENT_DATE - INTERVAL '30 days'
        GROUP BY is_personalized
    """)
    return results

Срок выполнения

Реализация системы персонализации с сегментацией, Rule Engine и измерением эффекта — 5–10 рабочих дней.