Meta segmentada

Destino segmentado

A meta segmentada é uma abordagem de sistema para escolher quem, o que, quando e por qual canal mostrar, baseado em dados de comportamento, valores e riscos. O objetivo é maximizar os efeitos incorporativos (renda/retenção), minimizando danos e gastos.

1) Metas e níveis de segmentação

Metas: ativação, monetização, retenção, re-ativação, cruzada-selo, RG/intervenções complicadas.

• Demografia/geo/dispositivo (básico).
• Comportamento/RFM (recency, frequency, monetary).
• Valor (LTV/margem).
• Tendências (propensity para o evento: depósito, compra, churn).
• Uplift/sensibilidade (probabilidade de aumento do contato).
• Granularidade: marca x país x plataforma x canal x categoria de conteúdo - alinhar com volume de tráfego e orçamento.

2) Dados e sinais

Eventos: visitas, cliques, check-in, jogos/apostas, depósitos/compras, respostas às campanhas.
Contexto: calendário (feriados/jogos/salários), canal de atração, versão da aplicação, preços/limites.
Identidade: user/device/IDFA/telefone/e-mail; pontes de identidade.
Fichi: janelas RFM (7/30/90), variedade de conteúdo, hora/dia da semana, ARPU/frequência, respostas a peluches/e-mail.
Qualidade: Idempotidade de eventos, deadup/antibot, TZ = UTC armazenamento + representações locais.

3) Métodos de segmentação

3. 1 Regras (rule-based)

Vantagens, explicabilidade, rapidez, fail-safe.
Contras: fragilidade, otimismo local.
Exemplo: «novatos, sem segunda visita 48h, iOS móveis».

3. 2 Comportamentos cômicos (RFM/pattern)

Classes «frescura x frequência x rendimento».
Adicione os clusters comportamentais, categorias favoritas/slots time.

3. 3 Clusterização/embeddings

k-means/DBSCAN/mix de Gauss sobre métricas comportamentais normalizadas.
Embeddings de conteúdo/usuários (matrix factorization) → clusters de «interesse».

3. 4 Inclinações (propensity/score-based)

Modelos de probabilidade de evento: depósito, nova visita, upsale; liminares para o custo dos erros.

3. 5 Uplift/sensibilidade

Modelos de aumento de contato (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
O Uplift-targeting dá a maior incorporação com os mesmos orçamentos.

4) Design de políticas de targeting

Resolução de tabela (esboço)

Histerese: liminares de entrada/saída variam para não «piscar».
Quotas/rate-limit: por usuário/canal/segmento; políticas de conflito são a prioridade da «segurança → economia → UX».

5) Experiências e avaliação causal

A/B/testes multirraciais para segmentos/políticas/criativos; planeie o MDE, a duração, a ratificação.
Quasiexportadores: Controle diD/sintético em escoamentos regionais.
Avaliação: Receita/retenção incorporada, uplift @ k, Qini/AUUC, ROMI, guardrails (queixas, RG).
Budet-pacing: Distribuição de orçamento por segmento de margem prevista.

6) Canais e orquestração

Canais: in-app, push, e-mail, SMS, chamadas, plug-ins, vitrines personalizadas.
Orquestrador: entrega garantida, retraí/backoff, idempotidade 'action _ id', DLQ, prioridades, janela «relógio silencioso».
Conteúdo/criatividade: biblioteca de modelos, A/B para criativos, caps de frequência.

7) Métricas e monitorização

Processos: coverage segmento, latency (Decision→Action), entrega, frequência de contatos.
Efeito: incorporação de receita/retenção, ROMI, uplift @ k, Qini/AUUC, NNT (quantos contatos por resultado 1).
Riscos: queixas/dispensas/bandeiras de spam, indicadores RG, fairness (diferença de efeitos/erros por grupo).
À deriva: PSI/KL em fichas-chave de segmentação, proporção de usuários «novos» fora dos clusters conhecidos.

8) Conexão com valor e riscos

Pesagem LTV: priorize segmentos de acordo com o valor esperado, em vez de conversão «nua».

[
EV = p _\\text\sucesso	promoção de 03\cdot\text <Value f. -\text por causa de\
]

Entre em contato se o EV ≥ 0 e os guardrails estiverem normais.
Responsabilidade: RG/Complance tem prioridade; A explicação da decisão é obrigatória.

9) Passaportes de segmentos e campanhas (templates)

Passaporte do segmento

Código: 'SEC _ RFM _ R0-7 _ Fórmula-2 _ M0 _ Q3'

Definição e receita de fiche (janelas 7/30/90, filtros antibot/frod)

Tamanho/atualização/frescura; intersecção com outros segmentos

Riscos e exceções (RG/Complaens), proprietário, versão

Passaporte de campanha

Alvo e KPI (rendimentos incorporados/retensos, ROMI)

Segmento/canais/criativos/caps de frequência

Design de avaliação (A/B ou quociente), duração, MDE

Guardrails, zhaloby≤Kh, RG- flagi≤U, latency≤Z

Plano de reversão e rush incidentes

10) Pseudo-SQL/receitas

Segmentação RFM (sketch)

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;

Propensão ao depósito (train slice, sem vazamentos)

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, privacidade e ética

Minimização PII: Tocinização de ID, RLS/CLS, camuflagem.
Fairness: verifique as diferenças de efeitos/erros em grupos sensíveis; exclua os sinais inaceitáveis.
Transparência: causas de targeting (top-featuras/regras) - disponíveis para a saforta; O caminho do recurso.
Caps de frequência e relógios silenciosos são contra cansaço e danos ao usuário.

12) Anti-pattern

Segmentos «para beleza» sem um encarte mensurável.
Avaliação de correlação, não de incorporação (sem A/B/DiD).
Muitos segmentos sobrepostos → ações conflitantes e spam.
Liminares sem histerese → «piscar» contatos.
Falta de guichês (RG/queixas/frequência) e explicabilidade.
Sem orquestrador online, os contactos atrasam-se, os efeitos perdem-se.

13) Folha de cheque de lançamento de meta segmentada

• Metas, KPI e orçamento definidos; nível de granularidade acordado
• Esquemas de dados e receitas de PIT fiche; filtros antibot/frod incluídos
• Os segmentos são descritos com passaportes; conflito-matriz e prioridades definidas
• Método selecionado (regras/clusterização/propensity/uplift) e design de avaliação
• Decise tables, histerese, caps e rate-limit configurados
• Orquestrador e canais com idimpotência e DLQ; «Um relógio silencioso»
• Monitoramento: efeito (uplift/ROMI), riscos (queixas/RG), deriva fic
• Documentação: versões de segmentos/políticas, proprietários, runbooks

Resultado

A meta segmentada não é um conjunto de «rótulos» no CRM, mas sim um sistema controlado: dados e sinais de qualidade (valor/comportamento/sensibilidade) políticas com histerese e guirrails avaliação cáusal de incorporação orquestrador e monitoramento estáveis. Esse sistema aumenta o ROMI e a LTV, reduzindo queixas e riscos - e torna cada toque apropriado, oportuno e ético.