Сегментированный таргетинг

Сегментированный таргетинг — это системный подход к выбору кому, что, когда и через какой канал показывать, опираясь на данные о поведении, ценности и рисках. Цель: максимизировать инкрементальный эффект (доход/удержание), минимизируя вред и расходы.

1) Цели и уровни сегментации

Цели: активация, монетизация, удержание, ре-активация, кросс-селл, RG/комплаенс-интервенции.

Уровни:

Демография/гео/устройство (базово).
Поведение/RFM (recency, frequency, monetary).
Ценность (LTV/маржинальность).
Склонности (propensity к событию: депозит, покупка, churn).
Uplift/чувствительность (вероятность прироста от контакта).
Гранулярность: бренд×страна×платформа×канал×категория контента — согласуйте с объемом трафика и бюджетом.

2) Данные и признаки

События: посещения, клики, регистрации, игры/ставки, депозиты/покупки, отклики на кампании.
Контекст: календарь (праздники/матчи/зарплаты), канал привлечения, версия приложения, цены/лимиты.
Идентичности: user/device/IDFA/телефон/e-mail; мосты идентичностей.
Фичи: RFM-окна (7/30/90), разнообразие контента, час/день недели, ARPPU/частота, отклики на пуши/e-mail.
Качество: идемпотентность событий, дедуп/антибот, TZ=UTC хранение + локальные представления.

3) Методы сегментации

3.1 Правила (rule-based)

Плюсы: объяснимость, быстрота, fail-safe.
Минусы: хрупкость, локальные оптимумы.
Пример: «новички, без второго визита 48ч, мобильные iOS».

3.2 Когортно-поведенческая (RFM/паттерны)

Классы «свежесть×частота×доход».
Добавьте поведенческие кластеры: любимые категории/тайм-слоты.

3.3 Кластеризация/эмбеддинги

k-means/DBSCAN/миксы Гаусса по нормализованным поведенческим метрикам.
Эмбеддинги контента/пользователей (matrix factorization) → кластеры «интересов».

3.4 Склонности (propensity/score-based)

Модели вероятности события: депозит, повторный визит, апсейл; пороги — от стоимости ошибок.

3.5 Uplift/чувствительность

Модели прироста от контакта (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
Uplift-таргетинг дает наибольший инкремент при тех же бюджетах.

4) Дизайн политик таргетинга

Decision table (эскиз)

Сегмент/условие	Контекст	Действие	Канал	Кулдаун	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0.06`	новички	welcome-оффер S	push+in-app	3д	ROMI≥0
`churn_risk ≥ 0.8` & `value_q ≥ 0.8`	VIP	оффер L / звонок	CRM+call	7д	жалобы≤X
`RG_risk ≥ τ`	любой	пауза + совет RG	in-app	1д	FPR≤1%

Гистерезис: входной/выходной пороги различаются, чтобы не «мигать».
Квоты/rate-limit: на пользователя/канал/сегмент; конфликтные политики — приоритет «безопасность → экономика → UX».

5) Эксперименты и каузальная оценка

A/B / многорамочные тесты: для сегментов/политик/креативов; планируйте MDE, длительность, стратификацию.
Квазиэксперименты: DiD/синтетический контроль при региональных выкативах.
Оценка: инкрементальная выручка/удержание, uplift@k, Qini/AUUC, ROMI, guardrails (жалобы, RG).
Budget-pacing: распределение бюджета по сегментам по ожидаемой маржинальной отдаче.

6) Каналы и оркестрация

Каналы: in-app, push, e-mail, SMS, звонки, onsite-модули, персонализированные витрины.
Оркестратор: гарантированная доставка, ретраи/backoff, идемпотентность `action_id`, DLQ, приоритеты, окно «тихих часов».
Контент/креативы: библиотека шаблонов, A/B for creatives, частотные капы.

7) Метрики и мониторинг

Процессы: coverage сегмента, latency (Decision→Action), доставляемость, частота контактов.
Эффект: инкремент выручки/удержания, ROMI, uplift@k, Qini/AUUC, NNT (сколько контактов на 1 результат).
Риски: жалобы/отписки/спам-флаги, RG-индикаторы, fairness (разница эффектов/ошибок по группам).
Дрейф: PSI/KL по ключевым фичам сегментации, доля «новых» пользователей вне известных кластеров.

8) Связка с ценностью и рисками

LTV-взвешивание: приоритизируйте сегменты по ожидаемой ценности, а не по «голой» конверсии.

EV-правило:

[
EV = p_{\text{успех	действие}}\cdot\text{Value} - \text{Cost} - p_{\text{вред}}\cdot\text{Harm}
]

Контактируйте, если EV ≥ 0 и guardrails в норме.
Ответственность: RG/комплаенс имеет приоритет; объяснимость решения — обязательна.

9) Паспорта сегментов и кампаний (templates)

Паспорт сегмента

Код: `SEG_RFM_R0-7_F1-2_M0_Q3`

Определение и фиче-рецепт (окна 7/30/90, фильтры антибот/фрод)

Размер/обновление/свежесть; пересечение с другими сегментами

Риски и исключения (RG/комплаенс), владелец, версия

Паспорт кампании

Цель и KPI (инкрементальный доход/ретеншн, ROMI)

Сегмент/каналы/креативы/частотные капы

Дизайн оценки (A/B или квазиэксперимент), длительность, MDE

Guardrails: жалобы≤X, RG-флаги≤Y, latency≤Z

План отката и рунибук инцидентов

10) Псевдо-SQL/рецепты

RFM-сегментация (скетч)

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;

Склонность к депозиту (train slice, без утечек)

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, приватность и этика

PII-минимизация: токенизация идентификаторов, RLS/CLS, маскирование.
Fairness: проверяйте различия эффектов/ошибок по чувствительным группам; исключайте недопустимые признаки.
Прозрачность: причины таргетинга (top-features/правила) — доступны саппорту; путь апелляции.
Частотные капы и «тихие часы» — против усталости и вреда пользователю.

12) Анти-паттерны

Сегменты «для красоты» без измеримого инкремента.
Оценка по корреляции, а не по инкременту (нет A/B/DiD).
Много перекрывающихся сегментов → конфликтующие действия и спам.
Пороговые решения без гистерезиса → «мигание» контактов.
Отсутствие guardrails (RG/жалобы/частота) и объяснимости.
Без онлайнового оркестратора — контакты опаздывают, эффект теряется.

13) Чек-лист запуска сегментированного таргетинга

Определены цели, KPI и бюджет; согласован уровень гранулярности
Схемы данных и фиче-рецепты PIT; антибот/фрод-фильтры включены
Сегменты описаны паспортами; конфликт-матрица и приоритеты заданы
Выбран метод (правила/кластеризация/propensity/uplift) и дизайн оценки
Decision tables, гистерезис, капы и rate-limit настроены
Оркестратор и каналы с идемпотентностью и DLQ; «тихие часы»
Мониторинг: эффект (uplift/ROMI), риски (жалобы/RG), дрейф фич
Документация: версии сегментов/политик, владельцы, runbooks

Итог

Сегментированный таргетинг — это не набор «ярлыков» в CRM, а управляемая система: качественные данные и признаки → осмысленные сегменты (ценность/поведение/чувствительность) → политики с гистерезисом и guardrails → каузальная оценка инкремента → стабильный оркестратор и мониторинг. Такая система повышает ROMI и LTV, снижая жалобы и риски — и делает каждое касание уместным, своевременным и этичным.

Сегментированный таргетинг