Ukierunkowanie segmentowe

Segmentowane ukierunkowanie jest systematycznym podejściem do wyboru, kto, co, kiedy i przez który kanał do pokazania, w oparciu o dane o zachowaniu, wartości i ryzyku. Cel: Maksymalizacja efektu przyrostowego (dochód/zatrzymanie) przy jednoczesnym minimalizowaniu szkody i wydatków.

1) Cele i poziomy segmentacji

Cele: aktywacja, monetyzacja, retencja, reaktywacja, cross-sell, RG/interwencje zgodności.

Poziomy:

Demografia/geo/urządzenie (podstawowe).
Zachowanie/RFM (rekordowość, częstotliwość, waluta).
Wartość (LTV/margines).
Skłonność (depozyt, zakup, churn).
Podwyższenie/wrażliwość (prawdopodobieństwo wzrostu od kontaktu).
Ziarnistość: marka × kraj × platforma × kanał × kategoria treści - współrzędna z natężeniem ruchu i budżetem.

2) Dane i cechy charakterystyczne

Wydarzenia: wizyty, kliknięcia, rejestracje, gry/zakłady, depozyty/zakupy, odpowiedzi kampanii.
Kontekst: kalendarz (wakacje/zapałki/pensje), kanał przyciągania, wersja aplikacji, ceny/limity.
Tożsamość: użytkownik/urządzenie/IDFA/telefon/e-mail; mosty tożsamości.
Funkcje: okna RFM (7/30/90), różnorodność treści, godzina/dzień tygodnia, ARPPU/częstotliwość, odpowiedzi na puch/e-mail.
Jakość: idempotencja zdarzeń, dedup/antiboot, TZ = magazyn UTC + widoki lokalne.

3) Metody segmentacji

3. 1 Zasady (oparte na zasadach)

Plusy: wyjaśnienie, prędkość, bezpieczeństwo przed awarią.
Minusy: kruchość, lokalna optyma.
Przykład: „początkujący, bez drugiej wizyty 48h, mobilny iOS”.

3. 2 kohorty-behawioralne (RFM/wzory)

Klasa świeżości × częstotliwość × dochód.
Dodaj klastry behawioralne: ulubione kategorie/sloty czasowe.

3. 3 Klastry/osadzanie

k-means/DBSCAN/Gaussian mixes on normalized behavioral metrics.
Factorization macierzy → klastry odsetek.

3. 4 Skłonność/wynik na podstawie

Modele prawdopodobieństwa zdarzenia: depozyt, wizyta kontrolna, apse; progi - od kosztów błędów.

3. 5 Podniesienie/wrażliwość

Modele zysków kontaktowych (T-learner, Uplift drzew/GBM).
Мона: Persuadables/Pewne rzeczy/Do-not-disturb/Lost causes.
Zwiększenie wartości docelowej daje największy przyrost dla tych samych budżetów.

4) Projektowanie polityk ukierunkowanych

Tabela decyzji

Segment/warunek	Kontekst	Działanie	Kanał	Chłodzenie	Poręcze ochronne
RFM: R7 = 0, F1, M0; 'uplift _ dep ≥ 0. 06`	Rekrutacje	welcome-offer S	push + in-app	3D	ROMI ≥ 0
"churn _ risk ≥ 0. 8 '&' wartość _ q ≥ 0. 8`	VIP	oferta L/call	Wywołanie CRM +	7d	zhaloby ≤ Kh
„RG _ risk ≥”	Wszelkie	pauza + końcówka RG	w aplikacji	1d	FPR ≤ 1%

Histereza: Progi wejściowe/wyjściowe są różne, aby uniknąć „mrugania”.
Kontyngenty/limit stawek: na użytkownika/kanał/segment; polityka konfliktu - priorytet „bezpieczeństwo → gospodarka → UX”.

5) Eksperymenty i ocena przyczynowa

A/B/testy dla wielu użytkowników: dla segmentów/polityk/kreatywnych; plan MDE, czas trwania, stratyfikacja.
Quasi-eksperymenty: Kontrola DiD/syntetyczna podczas walcowania regionalnego.
Wynik: przychód przyrostowy/wstrzymanie, uplift @ k, Qini/AUUC, ROMI, poręcze (reklamacje, RG).
Tempo realizacji budżetu: Przydział budżetu segmentom według oczekiwanego zwrotu marży.

6) Kanały i orkiestra

Kanały: in-app, push, e-mail, SMS, połączenia, moduły na miejscu, spersonalizowane prezentacje.
Orchestrator: gwarantowana dostawa, retrai/backoff, idempotence 'action _ id', DLQ, priorytety, ciche okno zegara.
Zawartość/kreatywności: biblioteka szablonów, A/B dla kreatywnych, ustniki częstotliwości.

7) Mierniki i monitorowanie

Procesy: segment pokrycia, opóźnienie (decyzja → Działanie), wydajność, częstotliwość kontaktu.
Efekt: przychód/przyrost retencji, ROMI, uplift @ k, Qini/AUUC, NNT (ile kontaktów na 1 wynik).
Ryzyko: reklamacje/rezygnacje/flagi spamu, wskaźniki RG, uczciwość (różnica w skutkach/błędach według grup).
Drift: PSI/KL według funkcji klucza segmentacji, udział „nowych” użytkowników poza znanymi klastrami.

8) Związek z wartością i ryzykiem

Ważenie LTV: Priorytetowe określenie segmentów według wartości oczekiwanej, a nie gołej konwersji.

Reguła ΔE:

[
XT = p_{\text{uspekh	action }\cdot\text {Value} -\text {Cost} - p_{\text{vred}}\cdot\text{Harm}
]

Należy skontaktować się z lekiem, jeśli jest prawidłowa wartość Δ≥ 0 i bariera ochronna.
Odpowiedzialność: RG/zgodność ma pierwszeństwo; wyjaśnienie decyzji jest obowiązkowe.

9) Paszporty segmentów i kampanii (szablony)

Paszport segmentu

Kod: „SEG _ RFM _ R0-7 _ F1-2 _ M0 _ Q3”

Definicja i przepis (windows 7/30/90, anti-bots/fraud filters)

Rozmiar/aktualizacja/świeżość; skrzyżowanie z innymi segmentami

Ryzyko i wyłączenia (RG/zgodność), właściciel, wersja

Paszport kampanii

Cel i KPI (przyrost/zatrzymanie, ROMI)

Segment/Kanały/Kreatywne/Czapki częstotliwości

Projekt oceny (A/B lub quasi-eksperyment), czas trwania, MDE

Poręcze: zhaloby ≤ Kh, RG - flagi ≤ U, opóźnienie ≤ Z

Plan Rollback i Incydent Runibook

10) Pseudo-SQL/Przepisy

Segmentacja RFM (szkic)

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;

Skłonność do złożenia (kawałek pociągu, brak przecieków)

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) Uczciwość, prywatność i etyka

Minimalizacja PII: tokenizacja identyfikatorów, RLS/CLS, maskowanie.
uczciwość: sprawdzenie różnic w skutkach/błędach w grupach wrażliwych; Wyklucz nieprawidłowe właściwości.
Przejrzystość: przyczyny ukierunkowania (najlepsze cechy/zasady) - dostępne do wsparcia; ścieżka odwoławcza.
Czapki częstotliwości i „ciche godziny” - przed zmęczeniem i szkodą dla użytkownika.

12) Anty-wzory

Segmenty „dla piękna” bez wymiernego przyrostu.
Wynik przez korelację, a nie przyrost (brak A/B/DiD).
Wiele nakładających się segmentów → sprzeczne działania i spam.
Rozwiązania progowe bez histerezy → „mruganie” kontaktów.
Brak barier ochronnych (RG/skargi/częstotliwość) i możliwość wyjaśnienia.
Bez internetowego orkiestratora - kontakty są spóźnione, efekt jest stracony.

13) Segmentowana lista kontrolna startu

Określono cele, KPI i budżet; spójna ziarninistość
Schematy danych PIT i przepisy charakterystyczne; filtry anty-boty/oszustwa są włączone
Segmenty opisane są paszportami; macierz konfliktu i wyznaczone priorytety
Wybrana metoda (zasady/klastrowanie/skłonność/podwyższenie) i projekt oceny
Konfigurowane tabele decyzji, histerezy, straży ustnej i limitu prędkości
Orkiestra i kanały z idempotencją i DLQ; „ciche godziny”
Monitorowanie: efekt (uplift/ROMI), ryzyko (skargi/RG), funkcja dryfu
Dokumentacja: wersje segmentu/polityki, właściciele, książki startowe

Razem

Segmentowane ukierunkowanie nie jest zbiorem „skrótów” w CRM, ale zarządzany system: dane jakości i funkcje → znaczące segmenty (wartość/zachowanie/wrażliwość) → polityki z histerezy i guardrails → ocena przyczynowa przyrostu → stabilny orkiestrator i monitoring. Taki system zwiększa ROMI i LTV, zmniejszając skargi i ryzyko - i sprawia, że każdy dotyk jest odpowiedni, terminowy i etyczny.

Ukierunkowanie segmentowe