Bölünen nyşana almak

Bölünen nyşana almak, özüni alyp barşyň, gymmatlyklaryň we töwekgelçilikleriň maglumatlaryna esaslanyp, kimiň, haçan we haýsy kanal arkaly görkezmelidigini saýlamaga ulgamlaýyn çemeleşmekdir. Maksat: zyýany we çykdajylary azaltmak bilen, inkremental täsiri (girdeji/saklamak) iň ýokary derejä ýetirmek.

1) Segmentirlemegiň maksatlary we derejeleri

Maksatlary: işjeňleşdirmek, monetizasiýa etmek, saklamak, gaýtadan işjeňleşdirmek, kross-sell, RG/komplayens-gatyşmalar.

Derejeler:

Demografiýa/geo/gurluş (esasy).
Hereket/RFM (recency, frequency, monetary).
Gymmatlyk (LTV/marginallyk).
Tendensiýa (propensity: depozit, satyn almak, churn).
Uplift/duýgurlyk (aragatnaşykdan ýokarlanmak ähtimallygy).
Granulýasiýa: marka × ýurt × platforma × kanal × mazmun kategoriýasy - traffigiň mukdary we býudjet bilen ylalaşyň.

2) Maglumatlar we alamatlar

Wakalar: baryp görmek, basmak, hasaba almak, oýunlar/nyrhlar, goýumlar/satyn almak, kampaniýalara jogap bermek.
Kontekst: senenama (baýramçylyklar/oýunlar/aýlyklar), özüne çekiji kanal, programmanyň wersiýasy, bahalar/çäkler.
Şahsyýet: user/device/IDFA/telefon/e-mail; şahsyýet köprüleri.
Fiçler: RFM penjireleri (7/30/90), mazmunyň dürlüligi, hepdäniň sagady/güni, ARPPU/ýygylygy, toplara/e-poçta jogap.
Hil: wakalaryň idempotentligi, dedup/antibot, TZ = UTC saklamak + ýerli görkezmeler.

3) Segmentirlemegiň usullary

3. 1 Düzgünler (rule-based)

Artykmaçlyklary: düşündirmek, çaltlyk, ýalan-safe.
Minuslar: gowşaklyk, ýerli optimumlar.
Mysal: "täze gelenler, ikinji sapar 48 sagat, ykjam iOS".

3. 2 Kogort-özüni alyp baryş (RFM/nusgalar)

"Täzelik × ýygylyk × girdeji" synplary.
Özüňi alyp baryş toparlaryňy goşuň: halaýan kategoriýalaryňyz/wagt slotlaryňyz.

3. 3 Toplamak/embeddingler

k-means/DBSCAN/Gauss-yň kadaly hereket ölçegleri boýunça garyşyklary.
Mazmun/ulanyjy embeddingleri (matrix factorization) → "gyzyklanma" toparlary.

3. 4 Meýiller (propensity/score-based)

Wakanyň ähtimallygynyň modelleri: goýum, gaýtalanýan sapar, apseýl; bosagalar - ýalňyşlyklaryň bahasyndan.

3. 5 Uplift/duýgurlyk

Kontaktdan ösüş modelleri (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
Uplift-targeting şol bir býudjetlerde iň uly inkrementi berýär.

4) Maksatly syýasatyň dizaýny

Decision table (eskiz)

Segment/şert	Kontekst	Hereket	Kanal	Kuldaun	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	täze gelenler	welcome-offer S	push+in-app	3d	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	L/Jaň	CRM+call	7d	şikaýatlar ≤ X
`RG_risk ≥ τ`	islendik	arakesme + RG maslahat	in-app	1d	FPR≤1%

Gisterezis: giriş/çykyş bosagalary "ýalpyldawuk" bolmazlygy üçin tapawutlanýar.
Kwotalar/rate-limit: ulanyjy/kanal/segment üçin; gapma-garşy syýasatçylar - ileri tutulýan "howpsuzlyk → ykdysadyýet → UX".

5) Synaglar we kauzal baha bermek

A/B/Köp çarçuwaly synaglar: segmentler/syýasatlar/döredijilik üçin; MDE, dowamlylygy, stratifikasiýasyny meýilleşdiriň.
Kwazieksperimentler: DiD/sebitleýin aksiýalarda sintetik gözegçilik.
Baha bermek: içerki girdeji/saklamak, uplift @k, Qini/AUUC, ROMI, guardrails (şikaýatlar, RG).
Budget-pacing: garaşylýan marginal girdeji boýunça segmentler boýunça býudjetiň paýlanyşy.

6) Kanallar we orkestr

Kanallar: in-app, push, e-mail, SMS, jaňlar, onsite-modullar, şahsylaşdyrylan penjireler.
Orkestrator: kepillendirilen eltip bermek, retra/backoff, idempotentlik 'action _ id', DLQ, ileri tutulýan ugurlar, "asuda sagatlar" penjiresi.
Mazmun/döredijilik: şablon kitaphanasy, A/B for creatives, ýygylyk kaplary.

7) Metrikler we gözegçilik

Amallar: segmentiň coverage, latency (Decision → Action), eltip bermek, aragatnaşyk ýygylygy.
Täsir: girdeji/saklamak, ROMI, uplift @k, Qini/AUUC, NNT (1 netije üçin näçe aragatnaşyk).
Töwekgelçilikler: şikaýatlar/jogaplar/spam baýdaklar, RG-görkezijiler, fairness (toparlar boýunça täsirleriň/ýalňyşlyklaryň tapawudy).
Drift: PSI/KL segmentasiýa esasy aýratynlyklary boýunça, belli toparlardan daşarda "täze" ulanyjylaryň paýy.

8) Gymmatlyk we töwekgelçilikler bilen baglanyşyk

LTV-agram: segmentleri "ýalaňaç" öwrülişik däl-de, garaşylýan gymmaty boýunça ileri tutuň.

EV düzgüni:

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

EV ≥ 0 we guardrails kadaly bolsa habarlaşyň.
Jogapkärçilik: RG/complayens ileri tutulýar; çözgüdi düşündirmek hökmanydyr.

9) Segmentleriň we kampaniýalaryň pasportlary (templates)

Segment pasporty

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

Kesgitleme we surat resepti (penjireler 7/30/90, antibot/frod süzgüçleri)

Ölçegi/täzelenmesi/täzeligi; Beýleki segmentler bilen kesişmek

Töwekgelçilikler we kadadan çykmalar (RG/complayens), eýesi, wersiýasy

Kampaniýanyň pasporty

Maksat we KPI (inkremental girdeji/retenşn, ROMI)

Segment/kanallar/döredijilik/ýygylyk örtükleri

Baha beriş dizaýny (A/B ýa-da kwaziexperiment), dowamlylygy, MDE

Guardrails: şikaýatlar ≤ X, RG-baýdaklar ≤ U, latency ≤ Z

Wakalary yzyna gaýtarmak we runibuk meýilnamasy

10) Psevdo-SQL/reseptler

RFM segmentasiýasy

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;

Depozit meýilli (train slice, syzmazdan)

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) Adalatlylyk, gizlinlik we ahlak

PII-minimalizasiýa: kesgitleýjileri, RLS/CLS bellik etmek, gizlemek.
Fairness: duýgur toparlar boýunça täsirleriň/ýalňyşlyklaryň tapawudyny barlaň; kabul edip bolmajak alamatlary aýyryň.
Aç-açanlyk: nyşana almagyň sebäpleri (top-features/düzgünler) - sapport üçin elýeterli; şikaýat ýoly.
Ýygylyk kaplary we "asuda sagatlar" - ýadawlyga we ulanyja zyýan ýetirmäge garşy.

12) Anti-patternler

Ölçülip bilinmeýän "gözellik üçin" segmentler.
Baglanyşyk boýunça baha bermek (A/B/DiD ýok).
Köp gapma-garşylykly segmentler → gapma-garşylykly hereketler we spam.
Histerezissiz çäkli çözgütler → aragatnaşyklaryň "ýalpyldawuk".
Garawullaryň ýoklugy (RG/şikaýat/ýygylyk) we düşündiriş.
Onlaýn orkestratorsyz - aragatnaşyklar giç bolýar, täsir ýitýär.

13) Segmentlenen nyşany işe girizmegiň çek-sanawy

Maksatlar, KPI we býudjet kesgitlenildi; granulýasiýa derejesi ylalaşyldy
Maglumat shemalary we PIT reseptleri; antibot/frod-süzgüçler goşuldy
Segmentler pasportlar bilen beýan edilýär; konflikt-matrisa we ileri tutulýan ugurlar
Saýlanan usul (düzgünler/klaster/propensity/uplift) we baha beriş dizaýny
Decision tables, histerezis, kaplar we rate-limit sazlandy
Dempotentlik we DLQ bilen orkestrator we kanallar; "asuda sagat"
Gözegçilik: effekt (uplift/ROMI), töwekgelçilikler (şikaýatlar/RG), süýşmek
Resminamalar: segmentleriň/syýasatlaryň wersiýalary, eýeleri, runbooks

Jemi

Segmentlenen maksat CRM-de "bellikleriň" toplumy däl-de, dolandyrylýan ulgam: hil maglumatlary we alamatlar → manyly segmentler (gymmaty/özüni alyp barşy/duýgurlygy) → histerezis we guardrails bilen syýasatlar → inkrementiň kauzal bahasy → durnukly orkestrator we gözegçilik. Şeýle ulgam ROMI we LTV-ni ýokarlandyrýar, şikaýatlary we töwekgelçilikleri azaldar we her bir degmegi ýerlikli, öz wagtynda we ahlakly edýär.

Bölünen nyşana almak