Kontekst analitikasy

1) Kontekst seljermesi näme we näme üçin zerur?

Kontekst seljermesi - häzirki wagtda çözgütleri gowulandyrmak üçin ýagdaý signallaryny (kim, nirede, haçan, haýsy enjamda, haýsy maksat bilen, ulgamyň/bazaryň haýsy ýagdaýynda) çykarmak we ulanmak: teklipler, offerler, töwekgelçilik çäkleri, töwekgelçilikler, indiki iň gowy reaksiýa (Next Best Action).
Artykmaçlyklary: has ýokary degişlilik, az sesli hereketler, öwrülişiklerde we saklamakda ýeňiş gazanmak, amal çykdajylaryny we töwekgelçilikleri azaltmak.

2) Kontekstiň taksonomiýasy

Ulanyjy: segment, durmuş sikliniň tapgyry, niýet, özüni alyp barşyň taryhy, dil.
Enjam/Müşderi: görnüşi we modeli, OS/brauzer, tor, birikme hili, batareýa/CPU.
Wagtlaýyn: günüň wagty, hepdäniň güni, möwsümi, senenama wakalary, işjeňligiň "täze penjiresi".
Geo/lokal: ýurt/sebit/satuw nokady, geo-düzgünler we bahalar, lokal baýramçylyklar.
Operasiýa: ulgamy ýüklemek, nobatlar, API çäkleri, häzirki hadysalar.
Kontent: tema/reanr/seredilýän obýektiň kategoriýasy, meta-maglumatlar.
Işewürlik konteksti: kampaniýa, mahabat, baha, çäklendirmeler, antirisk düzgünleri.
Orta/daşarky: howa, ulag, walýuta hümmeti, makrotrendler (degişli bolsa).

3) Signallaryň çeşmeleri we ýygnamak

Wakalar we ýazgylar: basmalar, görünmeler, amallar, ulgamlaýyn metrikler.
Müşderi SDK/edge: enjam datçikleri, latency, lokal çitler.
Ýöriteleşdirilen gollanmalar: senenamalar/baýramçylyklar, geo-gatlaklar, mazmun klassifikatorlary.
Synçy modeller: niýet (intent), topikler, zäherlilik/töwekgelçilik, mazmun embeddingleri.
Konfigurasiýa we düzgünler: işjeň kampaniýalar, fiç-baýdaklar, çäkler.

Tejribe: her bir signal üçin - şertnama (shema, ýygylyk, rugsat edilýän gymmatlyklar) we hil (freshness/completeness).

4) Kontekst aýratynlyklaryny kadalaşdyrmak we emele getirmek

Kategoriýalaşdyrmak we kesmek: ýokary-cardinality alamatlary → hashing trick/embeddings.
Wagtlaýyn çyzgylar: sagat/gün üçin cyclical encoding (sin/cos), "Soňky N minut/sagat/gün".
Sessiýa: sessiýanyň çäkleriniň jikme-jiklikleri (inactivity threshold), "sessiýanyň içinde" alamatlary.
Iýerarhiýalar: ýurt → sebit → şäher; Kategoriýa → kiçi kategoriýa → tag.
Özara gatnaşyk: 'device _ os × locale × hour_bucket'.
Onlaýn vs offline: materialization: online (ms) we offline (batchi) wariantlary bilen Feature Store-da bir Spec fich.

5) Kontekst seljermesiniň arhitekturasy

Kontur: Ingest → Kontekstde baýlaşdyrmak → Feature Store (online/offline) → Model/Düzgünler → Hyzmat etmek → Seslenme.

1. "Event Bus" (Kafka/Pulsar/NATS) (Euro/Protobuf).

• Online: Pes gizlinlik üçin KV/kesh (Redis/RocksDB).
• Offline: DWH/Lake (Parquet/Delta/ClickHouse).
• 3. Context Enrichment Service: SDK/edge/gollanmalar, kadalaşma, TTL we wersiýalardan kontekst ýygnamak.
• 4. Decisioning: modeller (onlaýn skoring) + rule engine, contextual bandits.
• 5. Delivery: API, webhuk, UI widget, push/chat, CRM/CDP.
• 6. Observability: SLO, kontekstiň süýşmegi, hereketleriň täsiri.

6) Kontekste uýgunlaşdyrylan modeller we usullar

Kontekst banditleri (LinUCB/Thompson): NBA/offerler üçin deňagramly gözleg/işlemek.
Uplift-modellemek: konteksti göz öňünde tutup hereket edýän effekt modeli (T-/S-/DR usullary).
GBDT/Tabular NN özara täsirleri bilen: spline/kontekstleriň çatryklaryny awto-gözlemek.
Yzygiderli modeller (RNN/Transformer): wakalar we kontekstler boýunça sessiýa nusgalary, HRED/GRU4Rec, self-attention.
Kontekstiň toparlanmagy: syýasatlary/modelleri ugrukdyrmak üçin onlaýn klasterler.
Kontekstli düzgünler we bosagalar: töwekgelçilik bosagasy signalyň sagadyna/ýerleşýän ýerine/hiline baglydyr.

7) Hakyky wagt vs awtonom

Real-time: ≤ çözgütleri (100-500) ms. Online Feature Store-daky kontekst, öňünden ýüklenen gollanmalar, kesh.
Near-real-time: penjireler 1-5 minut, içerki penjireler, arzan baýlaşdyrmalar.
Offline: okuw/kalibrlemek, surat täsirleriniň dizaýny, täsirleri seljermek.

Düzgün: iki konturda hem birmeňzeş kesgitlemeler; online/offline sazlaşyk synaglary.

8) Kontekstiň hili we SLO

Freshness: X minutdan/sekuntdan uly däl (signal görnüşi boýunça).
Completeness: esasy kontekstleri doldurmagyň paýy.
Accuracy/Consistency: kataloglara laýyklyk, geçişler.
Latency p95/p99 onlaýn surat okamak we karar bermek üçin.
Uplift/CTR/ARPPU/Recall @K - kontekste duýgur iş metrikleri.

9) Sebäpler we synaglar

A/B kontekstlere görä stratifikasiýa ýa-da dispersiýany azaltmak üçin CUPED.
Guardrails bilen banditler: gözlegde zyýany çäklendirmek.
Kwazi-synaglar: Daşarky üýtgeşmeler üçin Difference-in-Differences/Synthetic Control (sebit/möwsüm).
Köp maksatly trade-off: jübüt maksatlary optimizirlemek (peýdasy/töwekgelçiligi/şikaýaty) kontekst boýunça.

10) Gizlinlik, ylalaşyk we howpsuzlyk

Kontekstiň her çeşmesi üçin razylyk (consent) we maksatlaryň bellenilmegi.
PII-baýlaşdyrylýança/saklanylýança minimallaşdyrmak we tokenlaşdyrmak.
RLS/CLS: kontekste bagly görünmek düzgünleri, saklanmagyň geo-lokalizasiýasy.
TTL syýasaty: duýgur kontekstleri saklamagyň berk möhletleri.
Audit we DSAR: maglumat subýekti boýunça konteksti görkezmek/aýyrmak ukyby.

11) Gözegçilik we anyklaýyş

Kontekstiň daşbordlary: şekiller boýunça coverage, "unknown/other" paýy, signallaryň garramagy.
Kontekst drift: PSI/JS paýlanyşyna görä; awtomatiki alertler.
Trace-id: hadysanyň üsti → baýlaşdyrmak → çözgüt → hereket.
Post-action atributy: haýsy kontekstler täsir etmek üçin açardy.

12) Bilim sütünleri we semantika bilen integrasiýa

Kontekst ontologiýalary: berk manylar we iýerarhiýalar (wagt/geo/enjam).
KG-baýlaşdyrmak: "garyndaş" faktlary çykarmak (mysal üçin, provayder, sebit kategoriýasy).
Semantik gözleg: süzgüç/reýtingde agram ýaly kontekst.

13) Edge kontekst

Lokal çyzgylar: toruň hili, gijikdirme, batareýa, enjamyň konfigurasiýasy.
Gyradaky çözgütler: ýeňil modeller/düzgünler; diňe agregatlary we şahsylaşdyrylmadyk alamatlary iberýäris.
Senkronizasiýa: kontekstdäki täzelenmeleri buferlemek we duplikasiýa etmek.

14) Antipatternler

"Kontekstiň köp bolmagy has gowudyr". Gaýtadan taýýarlamak, gizlinligi we gymmatyny ýokarlandyrmak.
Ylalaşylmadyk fiçalar online/offline. Jedelli netijeler we pese gaçmalar.
TTL-siz efemer signallary. Zibil ýygnamak, şahsy durmuşyň bozulmagy.
SELECT we "erkin" shemalar. Sarp edijiler MINOR ewolýusiýasynda bozulýarlar.
Dürli kontekstler üçin birmeňzeş syýasatlar. Netijeliligiň we adalatyň ýitmegi.
Sebäpleriň ignory. Korrelasiýalara reaksiýa → zyýan.

15) Durmuşa geçirmegiň ýol kartasy

1. Discovery: çözgütleriň we möhletleriň kartalary, kontekstleriň sanawy, eýeler, töwekgelçilikler.
2. Şertnamalar we sözlükler: signallaryň shemalary, gollanmalar, TTL, razylyk.
3. "Feature Store": ýeke-täk aýratynlyk (online/offline), sazlaşyk synaglary.
4. MVP-model/syýasat: 3-5 esasy kontekstler, metrikler, eltip bermek kanallary.
5. Synaglar: A/B gatlakly, az mukdarda benditler.
6. Syn edilişi: latency/freshness/coverage SLO, dreýfiň aladalary.
7. Howpsuzlyk/priv: RLS/CLS, tokenizasiýa, DSAR prosesleri.
8. Scale: has köp kontekstler, şahsylaşdyrma, KG/semantika, edge.

16) Goýberilmezden öň çek-sanawy

• Kontekst signallarynyň şertnamalary, TTL, eýeleri we razylygy bar.
• Fiçler "Feature Store" -da yglan edildi; online/offline birmeňzeş hasaplanýar.
• Latency p95 surat okamak we maksatly penjirede karar bermek.
• Drift/coverage gözegçilik edilýär; alertler we runbook bar.
• A/B ýa-da banditler düzülen; guardrails kesgitlenildi.
• Gizlinlik syýasaty we RLS/CLS goşulýar; eksport şahsylaşdyrylmady.
• Resminamalar: kontekstleriň sözlügi, shemalar, haýyşlaryň we düzgünleriň mysallary.

17) Kiçi şablonlar

17. 1 Kontekst fiçasynyň aýratynlygy (psevdo-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 Kontekstli Next Best Action syýasaty

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 Onlaýn vitrin üçin kesgitleýji merge

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 Gatlaklaşdyrylan synag

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) Jemleýji

Kontekst analitikasy diňe bir "sagady we ýurdy düzmek" däl-de, eýsem in engineeringenerçilik kontury: takyk beýan edilen signallar we TTL, onlaýn/awtonom ylalaşylan fiçler, konteksti göz öňünde tutýan modeller we syýasatlar, täsiriň subut edilýän bahasy we berk gizlinlik düzgünleri. Dogry düzülen kontekst her bir özara gatnaşygy akylly, öz wagtynda we ygtybarly saýlamaga öwürýär, bu bolsa önümi we işewürlik metrikasyny ölçäp bolýar.