კონტექსტური ანალიტიკა

1) რა არის კონტექსტური ანალიტიკა და რატომ არის ეს საჭირო

კონტექსტური ანალიტიკა არის სიტუაციური სიგნალების მოპოვება და გამოყენება (ვინ, სად, როდის, რა მოწყობილობაზე, რა მიზნით, რა სისტემის/ბაზრის მდგომარეობაშია) იმ მომენტში გადაწყვეტილებების გასაუმჯობესებლად: რეკომენდაციები, ოფისები, რისკის ლიმიტები, ალერტები, შემდეგი საუკეთესო რეაქცია (შემდეგი საუკეთესო მოქმედება).
უპირატესობები: უფრო მაღალი შესაბამისობა, ნაკლები ხმაურიანი მოქმედებები, კონვერტაცია და შენარჩუნება, ოპერაციული ხარჯების შემცირება და რისკები.

2) კონტექსტის ტაქსონომია

მომხმარებლის: სეგმენტი, სასიცოცხლო ციკლის ეტაპი, განზრახვა, ქცევის ისტორია, ენა.
მოწყობილობა/კლიენტი: ტიპი და მოდელი, OS/ბრაუზერი, ქსელი, კავშირის ხარისხი, ბატარეა/CPU.
დრო: დღის დრო, კვირის დღე, სეზონი, კალენდარული მოვლენები, საქმიანობის „ახალი ფანჯარა“.
გეო/ადგილობრივი: ქვეყანა/რეგიონი/გაყიდვების წერტილი, გეო წესები და ფასები, ადგილობრივი არდადეგები.
ოპერაციული: სისტემების დატვირთვა, რიგები, API ლიმიტები, მიმდინარე ინციდენტები.
შინაარსის: თემა/ჟანრი/ნახული ობიექტის კატეგორია, მეტამონაცემები.
ბიზნეს კონტექსტი: კამპანია, პრომო, ფასი, ლიმიტები, ანტირისკის წესები.
საშუალო/გარეგანი: ამინდი, ტრაფიკი, გაცვლითი კურსები, მაკროტრენდები (თუ შესაბამისი).

3) სიგნალის წყაროები და შეგროვება

მოვლენები და ლოგიკები: კლიშეები, შეხედულებები, გარიგებები, სისტემური მეტრიკა.
კლიენტის SDK/edge: მოწყობილობის სენსორები, ლატენტობა, ადგილობრივი ფიჩები.
სპეციალიზირებული საცნობარო წიგნები: კალენდარი/არდადეგები, გეო-ფენები, შინაარსის კლასიფიკატორები.
დამკვირვებელი მოდელები: განზრახვა (intent), ტოპიკა, ტოქსიკურობა/რისკი, შინაარსის ემბედინგი.
კონფიგურაცია და წესები: აქტიური კამპანიები, ფიგურების დროშები, ლიმიტები.

პრაქტიკა: თითოეული სიგნალისთვის - ხელშეკრულება (სქემა, სიხშირე, დასაშვები მნიშვნელობები) და ხარისხი (freshness/completeness).

4) კონტექსტური ხაზების ნორმალიზაცია და ფორმირება

კატეგორიზაცია და ჰეშინგი: მაღალი სტანდარტული ნიშნები - hashing trick/embeddings.
დროებითი ფიჩები: ციკლური encoding (sin/cos) საათისთვის/დღისთვის, მოცურების ფანჯრები „ბოლო N წუთი/საათი/დღე“.
სესია: სესიის საზღვრების იდენტიფიცირება, ნიშნები „სხდომის შიგნით“.
იერარქია: ქვეყანა - რეგიონი - ქალაქი; კატეგორია - ქვეკატეგორია - ჭდე.
ურთიერთქმედებები: 'Device _ os × locale × hour _ bucket'.
ონლაინ რეჟიმში offline: ერთი Spec Fick Feature Store- ში materialization ვარიანტებით: ონლაინ (ms) და offline (batch).

5) კონტექსტური ანალიტიკის არქიტექტურა

კონტური: Ingest - გამდიდრება კონტექსტით - Feature Store (ონლაინ/offline) - მოდელი/წესები Serving Records.

1. Event Bus (Kafka/Pulsar/NATS) კონტრაქტებით (Avro/Protobuf).

• ონლაინ: KV/ქეში დაბალი ლატენტობისთვის (Redis/RoccordDB).
• Offline: DWH/Lake სწავლისა და ანალიტიკოსებისთვის (Parquet/Delta/ClickHouse).
• 3. Context Enrichment Service: კონტექსტის შეგროვება SDK/edge/საცნობარო წიგნებიდან, ნორმალიზაცია, TTL და ვერსიები.
• 4. Decisioning: მოდელები (ონლაინ მორიელი) + rule ძრავა, contextual bandits.
• 5. Delivery: API, ვებჰუკი, UI ვიჯეტები, push/chat, CRM/CDP.
• 6. Observability: SLO, კონტექსტის დრიფტი, მოქმედებების ეფექტები.

6) კონტექსტთან ადაპტირებული მოდელები და მეთოდები

კონტექსტური ბანდიტები (LinUCB/Thompson): კვლევის დაბალანსება/ოპერაცია NBA/ოფისებისთვის.
Uplift მოდელირება: მოქმედების ეფექტის მოდელი კონტექსტის გათვალისწინებით (T-/S-/DR მეთოდები).
GBDT/Tabular NN ურთიერთქმედებებით: მანქანის ძებნა splins/კონტექსტის კვეთა.
თანმიმდევრული მოდელები (RNN/Transformer): სესიის ნიმუშები, HRED/GRU4Rec, მოვლენებისა და კონტექსტების სელფი.
კონტექსტის კლასტერიზაცია: ონლაინ მტევანი პოლიტიკოსი/მოდელების მარშრუტიზაციისთვის.
წესები და ბარიერები კონტექსტით: risk ბარიერი დამოკიდებულია საათის/ადგილმდებარეობის/სიგნალის ხარისხზე.

7) რეალური დრო

რეალური დრო: გადაწყვეტილებები (100-500) ms. კონტექსტი ონლაინ Feature Store- ში, გადატვირთული საცნობარო წიგნები, ქეში.
Near-real-time: ფანჯრები 1-5 წუთი, დამატებითი ფანჯრები, იაფი გამდიდრება.
Offline: ტრენინგი/კალიბრაცია, სამართლიანი ურთიერთქმედებების დიზაინი, ეფექტების ანალიზი.

წესი: იგივე სახის განმარტებები ორივე კონტურაში; ონლაინ/ოფისის კოორდინაციის ტესტები.

8) კონტექსტის ხარისხი და SLO

Freshness: არა უმეტეს X წუთი/წამი (სიგნალის ტიპის მიხედვით).
Completeness: ძირითადი კონტექსტების შევსების წილი.
Accuracy/Consistence: შესაბამისობა დირექტორიებთან, ნამდვილი კვეთა.
Latency p95/p99 ონლაინ ფაილების კითხვისა და გადაწყვეტილების მისაღებად.
Uplift/CTR/ARPPU/Recall @ K არის კონტექსტის მგრძნობიარე ბიზნეს მეტრიკა.

9) გამომწვევი მიზეზები და ექსპერიმენტები

A/B კონტექსტით ან CUPED დისპერსიის შესამცირებლად.
Bandites guardrails: ზიანის შეზღუდვა კვლევაში.
კვაზი ექსპერიმენტები: განსხვავება-განსხვავებულობაში/სინთეზური კონტროლი გარე ცვლილებებისთვის (რეგიონი/სეზონი).
სამიზნე ვაჭრობა: კონტექსტის ქვეშ დაწყვილებული მიზნების ოპტიმიზაცია (სარგებელი/რისკი/პრეტენზია).

10) კონფიდენციალურობა, თანხმობა და უსაფრთხოება

თანხმობა (თანხმობა) და თითოეული კონტექსტის წყაროსთვის მიზნების დასახვა.
PII მინიმიზაცია და ტოქსიკაცია გამდიდრება/შენახვა.
RLS/CLS: კონტექსტზე დამოკიდებული ხილვადობის წესები, შენახვის გეო-ლოკალიზაცია.
TTL პოლიტიკოსები: მგრძნობიარე კონტექსტების შენახვის მკაცრი დრო.
აუდიტი და DSAR: მონაცემთა სუბიექტის კონტექსტის ჩვენება/წაშლის შესაძლებლობა.

11) დაკვირვება და დიაგნოზი

Dashbords კონტექსტი: fichs- ის შემცირება, „unknown/other“ წილი, სიგნალების დაბერება.
Drift კონტექსტი: PSI/JS განაწილებით; ავტომატური ალერტები.
Trace-id: ღონისძიების ტრეისი - გამდიდრება - გამოსავალი მოქმედებას.
Post-action ატრიბუტი: რა კონტექსტები იყო მნიშვნელოვანი ეფექტისთვის.

12) ინტეგრაცია ცოდნისა და სემანტიკის გრაფიკებთან

კონტექსტის ონტოლოგია: მკაცრი მნიშვნელობები და იერარქიები (დრო/გეო/მოწყობილობა).
KG გამდიდრება: „დაკავშირებული“ ფაქტების ამონაწერი (მაგალითად, პროვაიდერი - კატეგორია - რეგიონი).
სემანტიკური ძებნა: კონტექსტი, როგორც ფილტრი/წონა რანგში.

13) Edge კონტექსტი

ადგილობრივი ჩიპები: ქსელის ხარისხი, შეფერხება, ბატარეა, აღჭურვილობის კონფიგურაცია.
გადაწყვეტილებები ზღვარზე: მსუბუქი მოდელები/წესები; ჩვენ ვაგზავნით მხოლოდ დანაყოფებს და ანონიმურ მახასიათებლებს.
სინქრონიზაცია: კონტექსტური აფთიაქების ბუფერიზაცია და დედუპლიკაცია.

14) ანტიპატერები

„კონტექსტი ბევრად უკეთესია“. გადამზადება, ლატენტობის ზრდა და ღირებულება.
არაკოორდინირებული ფიჩები ონლაინ/ოფლაინ. წინააღმდეგობრივი დასკვნები და დეგრადაცია.
ეფემერული სიგნალები TTL- ს გარეშე. ნაგვის დაგროვება, კონფიდენციალურობის დარღვევა.
SELECT და „უფასო“ სქემები. MINOR ევოლუციის დროს მომხმარებლები იშლება.
იგივე პოლიტიკოსები სხვადასხვა კონტექსტისთვის. ეფექტურობის და სამართლიანობის დაკარგვა.
მიზეზის უგულებელყოფა. რეაქცია კორელაციებზე - ზიანი.

15) გზის განხორციელების რუკა

1. Discovery: გადაწყვეტილებებისა და ვადების ბარათები, კონტექსტების სია, მფლობელები, რისკები.
2. კონტრაქტები და ლექსიკონები: სიგნალის სქემები, საცნობარო წიგნები, TTL, თანხმობა.
3. Feature Store: ერთი fick სპეციფიკაცია (online/offline), კოორდინაციის ტესტები.
4. MVP მოდელი/პოლიტიკა: 3-5 ძირითადი კონტექსტი, მეტრიკა, მიწოდების არხები.
5. ექსპერიმენტები: A/B სტრატიფიცირებულია, ბენდიტები დაბალი წილით.
6. დაკვირვება: SLO latence/freshness/coverage, დრიფტის ალერტები.
7. უსაფრთხოება/პრივი: RLS/CLS, ტოქსიკაცია, DSAR პროცესები.
8. სკალი: უფრო მეტი კონტექსტი, პერსონალიზაცია, KG/სემანტიკა, edge.

16) ჩეკის სია გამოქვეყნებამდე

• კონტექსტის სიგნალებს აქვთ კონტრაქტები, TTL, მფლობელები და თანხმობა.
• ფიჩი გამოცხადებულია Feature Store- ში; ონლაინ/offline გამოითვლება ერთნაირად.
• Latency p95 კითხვისა და გადაწყვეტილების მიღება სამიზნე ფანჯარაში.
• აკონტროლებენ დრიფტს/შეფერხებას; არის ალერტები და runbook '.
• A/B ან ბენდიტები მორგებულია; განისაზღვრება guardrails.
• კონფიდენციალურობის პოლიტიკოსები და RLS/CLS შედის; ექსპორტი ანონიმურია.
• დოკუმენტაცია: კონტექსტის ტერმინალი, სქემები, მოთხოვნის მაგალითები და წესები.

17) მინი შაბლონები

17. 1 კონტექსტური ფიკის სპეციფიკაცია (ფსევდო-YAML)

yaml feature:
name: hour_bucket type: categorical source: event_time transform: "floor(minute/15)"  # 15-минутные окна ttl: 30m online: true offline: true dq:
allowed: [0..95]
freshness_sla: 60s

17. 2 შემდეგი საუკეთესო მოქმედების პოლიტიკა კონტექსტით

yaml nba_policy:
context_require:
- locale in ["en","ru","tr"]
- device_os in ["Android","iOS"]
model: "linucb_v5"
guardrails:
- latency_p95_ms <= 200
- complaint_rate_24h < 0. 02 fallback: "rule_based_offer_if_model_conf<0. 55"

17. 3 Idempotent merge ონლაინ ვიტრინისთვის

sql merge into fs_online as t using incoming as s on t. key = s. key and t. feature = s. feature when not matched then insert (key, feature, val, ts) values (...)
when matched and s. ts > t. ts then update set val=s. val, ts=s. ts;

17. 4 სტრატიფიცირებული ექსპერიმენტი

yaml ab_test:
strata: [device_os, hour_bucket, region]
allocation: {control: 0. 5, treatment: 0. 5}
metrics: [uplift_cr, arppu, complaints]
duration_min_days: 7 stop_rules: {p_value<=0. 05, min_effect_size: 0. 5pp}

18) შედეგი

კონტექსტური ანალიტიკა არ არის მხოლოდ „საათისა და ქვეყნის შეცვლა“, არამედ საინჟინრო კონტურის გავლა: მკაფიოდ აღწერილი სიგნალები და TTL, შეთანხმებული ონლაინ/ოფლაინ ფიჩები, მოდელები და პოლიტიკა, კონტექსტის გათვალისწინებით, ეფექტის მტკიცებულებების შეფასება და კონფიდენციალურობის მკაცრი წესები. სწორი მოაზროვნე კონტექსტი თითოეულ ურთიერთქმედებას ჭკვიან, დროულ და უსაფრთხო არჩევანად აქცევს, რაც ზომიერად აუმჯობესებს პროდუქტს და ბიზნეს მეტრებს.