სეგმენტირებული მიზნობრივი

სეგმენტირებული მიზნობრივი სისტემა არის სისტემური მიდგომა ვისთან მიმართებაში, რა, როდის და რომელი არხის საშუალებით უნდა აჩვენოს, ქცევის, ღირებულებებისა და რისკების შესახებ მონაცემებზე დაყრდნობით. მიზანი: მინიმუმამდე დაიყვანოს სავარაუდო ეფექტი (შემოსავალი/შენარჩუნება), მინიმუმამდე დაიყვანოს ზიანი და ხარჯები.

1) სეგმენტის მიზნები და დონე

მიზნები: გააქტიურება, მონეტიზაცია, შენარჩუნება, რეაქტიული გააქტიურება, ჯვარედინი სელი, RG/შესაბამისობა ჩარევა.

დონე:

დემოგრაფია/გეო/მოწყობილობა (ბაზა).
ქცევა/RFM (ჩანაწერები, frequency, მონეტა).
ღირებულება (LTV/ზღვარი).
მიდრეკილებები (ღონისძიებისკენ სწრაფვა: ანაბარი, შეძენა, შურისძიება).
Uplift/მგრძნობელობა (კონტაქტის ზრდის ალბათობა).
შეზღუდვა: ბრენდის × ქვეყანა × პლატფორმა × არხის შინაარსის კატეგორია - შეესაბამება ტრაფიკის მოცულობას და ბიუჯეტს.

2) მონაცემები და ნიშნები

მოვლენები: ვიზიტები, დაწკაპუნება, რეგისტრაცია, თამაშები/განაკვეთები, ანაბრები/შესყიდვები, კამპანიის პასუხები.
კონტექსტი: კალენდარი (არდადეგები/მატჩები/ხელფასები), მოზიდვის არხი, განაცხადის ვერსია, ფასები/ლიმიტები.
იდენტურობა: მომხმარებლის/მოწყობილობის/IDFA/ტელეფონი/ელ.ფოსტა; იდენტურობის ხიდები.
ფიჩი: RFM ფანჯრები (7/30/90), შინაარსის მრავალფეროვნება, კვირის საათი/დღე, ARPPU/სიხშირე, პასუხები იარაღზე/ე-ფოსტაზე.
ხარისხი: მოვლენების იდემპოტენტურობა, დედაპლატი/ანტიბოტი, TZ = UTC შენახვა + ადგილობრივი წარმოდგენები.

3) სეგმენტის მეთოდები

3. 1 წესები

უპირატესობები: ახსნა, სიჩქარე, ყალბი საფარი.
უარყოფითი: სისუსტე, ადგილობრივი ოპტიმიზმი.
მაგალითი: „ახალბედა, 48 საათის მეორე ვიზიტის გარეშე, მობილური iOS“.

3. 2 კოჰორტული ქცევითი (RFM/ნიმუშები)

კლასები „ახალი × სიხშირე × შემოსავალი“.
დაამატეთ ქცევითი მტევანი: საყვარელი კატეგორიები/დროის სლოტები.

3. 3 კლასტერიზაცია/ემბედინგი

k-means/DBSCAN/გაუსის მიქსი ნორმალიზებული ქცევითი მეტრიკის მიხედვით.
შინაარსის/მომხმარებლების ემბედინგი (matrix factorization) - „ინტერესების“ მტევანი.

3. 4 მიდრეკილებები (propensity/score-based)

ღონისძიების ალბათობის მოდელები: ანაბარი, მეორე ვიზიტი, აფსიდი; ბარიერები - შეცდომების ღირებულებიდან.

3. 5 Uplift/მგრძნობელობა

ზრდის მოდელები კონტაქტიდან (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
Uplift-targeting უზრუნველყოფს ყველაზე დიდ შეჩერებას იმავე ბიუჯეტებში.

4) მიზნობრივი პოლიტიკის დიზაინი

Decision table (ესკიზი)

სეგმენტი/პირობა	კონტექსტი	მოქმედება	არხი	Kuldown	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	ახალბედა	welcome offer S	push+in-app	3 დ	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	offer L/ზარი	CRM+call	7 დ	საჩივრები X
`RG_risk ≥ τ`	ნებისმიერი	პაუზა + რჩევა RG	in-app	1 დ	FPR≤1%

ჰისტერეზი: შესასვლელი/გამომავალი ბარიერები განსხვავდება ისე, რომ არ მოხდეს „მოციმციმე“.
კვოტები/rate-limit: მომხმარებლის/არხის/სეგმენტის შესახებ; კონფლიქტური პოლიტიკა პრიორიტეტია „უსაფრთხოება და ეკონომიკა - UX“.

5) ექსპერიმენტები და კაუზალური შეფასება

A/B/მრავალ ჩარჩო ტესტები: სეგმენტები/პოლიტიკოსი/კრეატივი; დაგეგმეთ MDE, ხანგრძლივობა, სტრატიფიკაცია.
კვაზიექსპერიმენტები: DiD/სინთეზური კონტროლი რეგიონალურ ჩვენებებში.
შეფასება: სავარაუდო შემოსავალი/შენარჩუნება, uplift @ k, Qini/AUUC, ROMI, guardrails (საჩივრები, RG).
Budget-pacing: ბიუჯეტის განაწილება სეგმენტებზე მოსალოდნელი ზღვრის დაბრუნებით.

6) არხები და ორკესტრაცია

არხები: app, push, el-mail, SMS, ზარები, onsite მოდულები, პერსონალიზებული ფანჯრები.
ორკესტრი: გარანტირებული მშობიარობა, რესტავრაცია/backoff, იდემპოტენტობა 'action _ id', DLQ, პრიორიტეტები, „მშვიდი საათების“ ფანჯარა.
შინაარსი/კრეატიული: შაბლონების ბიბლიოთეკა, A/B creatives, სიხშირის ქუდები.

7) მეტრიკა და მონიტორინგი

პროცესები: coverage სეგმენტი, latence (Decision - Action), მიწოდება, კონტაქტების სიხშირე.
ეფექტი: შემოსავალი/შეკავება, ROMI, uplift @ k, Qini/AUUC, NNT (რამდენი კონტაქტი 1 შედეგზე).
რისკები: საჩივრები/პასუხები/სპამის დროშები, RG ინდიკატორები, fairness (ჯგუფებში ეფექტების/შეცდომების სხვაობა).
დრიფტი: PSI/KL სეგმენტის მთავარ ფილიალებში, „ახალი“ მომხმარებლების წილი ცნობილი მტევნების მიღმა.

8) კავშირი ღირებულებასთან და რისკებთან

LTV წონა: პრიორიტეტული სეგმენტები მოსალოდნელი ღირებულებით და არა „შიშველი“ კონვერტაციით.

EV წესი:

[
EV = p _ {\text {წარმატება	მოქმედება }\\cdot\text {value} -\text {Cost} - p _ {\tex {zange }\cdot\text {Harm}
]

დაუკავშირდით, თუ EV-0 და guardrails ნორმალურია.
პასუხისმგებლობა: RG/შესაბამისობას აქვს პრიორიტეტი; გადაწყვეტილების ახსნა სავალდებულოა.

9) სეგმენტებისა და კამპანიების პასპორტი (ტიპები)

სეგმენტის პასპორტი

კოდი: 'SEG _ RFM _ R0-7 _ F1-2 _ M0 _ Q3'

განმარტება და ჩიპის რეცეპტი (ფანჯრები 7/30/90, ანტიბოტი/ფროიდის ფილტრები)

ზომა/განახლება/სიახლე; კვეთა სხვა სეგმენტებთან

რისკები და გამონაკლისები (RG/შესაბამისობა), მფლობელი, ვერსია

კამპანიის პასპორტი

მიზანი და KPI (სავარაუდო შემოსავალი/ჭრა, ROMI)

სეგმენტი/არხები/კრეატიული/სიხშირის ქუდები

შეფასების დიზაინი (A/B ან კვაზიექსპერიმენტი), ხანგრძლივობა, MDE

Guardrails: საჩივრები X, RG დროშები U- ს, latency Z- ს

ინციდენტის გამოტოვებისა და რუნიბუკის გეგმა

10) ფსევდო-SQL/რეცეპტები

RFM სეგმენტი (ესკიზი)

sql
WITH acts AS (
SELECT user_id,
MAX(ts)                  AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END    AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;

დეპოზიტისკენ მიდრეკილება (გაჟონვის გარეშე)

sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);

11) Fairness, კონფიდენციალურობა და ეთიკა

PII მინიმალიზაცია: იდენტიფიკატორის ტოქსიკაცია, RLS/CLS, შენიღბვა.
Fairness: შეამოწმეთ ეფექტების/შეცდომების განსხვავებები მგრძნობიარე ჯგუფებში; გამორიცხეთ მიუღებელი ნიშნები.
გამჭვირვალობა: მიზნობრივი მიზეზები (top-features/წესები) - ხელმისაწვდომია საფორტეპიანო; გასაჩივრების გზა.
სიხშირის ქუდები და „მშვიდი საათი“ - მომხმარებლის დაღლილობისა და ზიანის საწინააღმდეგოდ.

12) ანტი შაბლონები

სეგმენტები „სილამაზისთვის“ გაზომილი სიხშირის გარეშე.
კორელაციის შეფასება და არა სავარაუდო (არა A/B/DiD).
ბევრი გადახურვის სეგმენტი, კონფლიქტური მოქმედებები და სპამი.
ბარიერი გადაწყვეტილებები ჰისტერეზის გარეშე არის კონტაქტების „მოციმციმე“.
Guardrails (RG/საჩივრების/სიხშირის) და განმარტებების არარსებობა.
ონლაინ ორკესტრის გარეშე - კონტაქტები დაგვიანებულია, ეფექტი იკარგება.

13) სეგმენტირებული მიზნობრივი გაშვების ჩეკის სია

განსაზღვრულია მიზნები, KPI და ბიუჯეტი; შეთანხმებული მარცვლეულის დონე
მონაცემთა სქემები და PIT ჩიპების რეცეპტები; ანტიბიოტიკები ჩართულია
სეგმენტები აღწერილია პასპორტებით; მატრიქსის კონფლიქტი და პრიორიტეტები მოცემულია
შეირჩა მეთოდი (წესები/კლასტერიზაცია/propensity/uplift) და შეფასების დიზაინი
Decision tables, hysteresis, copes და rate-limit
ორკესტრი და არხები იდემპოტენტურობით და DLQ; მშვიდი საათი
მონიტორინგი: ეფექტი (uplift/ROMI), რისკები (საჩივრები/RG), დრიფტი
დოკუმენტაცია: სეგმენტის ვერსიები/პოლიტიკოსი, მფლობელები, runbooks

შედეგი

სეგმენტირებული მიზნობრივი არ არის CRM- ში „ეტიკეტების“ ერთობლიობა, არამედ კონტროლირებადი სისტემა: მაღალი ხარისხის მონაცემები და ნიშნები - მნიშვნელოვანი სეგმენტები (ღირებულება/ქცევა/მგრძნობელობა) - პოლიტიკა ჰისტერეზისთან და guardrails- თან - სავარაუდო კაუზალური შეფასება - სტაბილური ორკესტრი და მონიტორინგი. ასეთი სისტემა ზრდის ROMI და LTV, ამცირებს საჩივრებს და რისკებს - და თითოეულ შეხებას სათანადო, დროულ და ეთიკურ ხდის.

სეგმენტირებული მიზნობრივი