Segmentli hedefleme

Segmentli hedefleme, davranış, değer ve risklere ilişkin verilere dayanarak kimin, ne, ne zaman ve hangi kanaldan gösterileceğini seçmek için sistematik bir yaklaşımdır. Amaç: Zararı ve gideri en aza indirirken artan etkiyi (gelir/elde tutma) en üst düzeye çıkarın.

1) Segmentasyon hedefleri ve seviyeleri

Hedefler: etkinleştirme, para kazanma, elde tutma, yeniden etkinleştirme, çapraz satış, RG/uyumluluk müdahaleleri.

Seviyeler:

Demografi/coğrafi/cihaz (temel).
Davranış/RFM (sonluk, frekans, parasal).
Değer (LTV/marj).
Eğilim (depozito, satın alma, çalkalama).
Yükselme/duyarlılık (temastan artış olasılığı).
Granularity: marka × ülke × platform × kanal × içerik kategorisi - trafik hacmi ve bütçe ile koordine.

2) Veriler ve özellikler

Etkinlikler: ziyaretler, tıklamalar, kayıtlar, oyunlar/bahisler, para yatırma/satın alma, kampanya yanıtları.
Bağlam: takvim (tatiller/maçlar/maaşlar), cazibe kanalı, uygulama sürümü, fiyatlar/sınırlar.
Kimlikler: kullanıcı/cihaz/IDFA/telefon/e-posta; kimlik köprüleri.
Özellikler: RFM pencereleri (7/30/90), içerik çeşitliliği, haftanın saati/günü, ARPPU/frekansı, kabartmaya/e-postaya verilen yanıtlar.
Kalite: Olayların idempotency, dedup/antiboot, TZ = UTC depolama + yerel görünümler.

3) Segmentasyon yöntemleri

3. 1 Kurallar (kural tabanlı)

Artılar: açıklanabilirlik, hız, arıza güvenliği.
Eksileri: kırılganlık, yerel optima.
Örnek: "Yeni başlayanlar, ikinci bir ziyaret olmadan 48h, mobil iOS".

3. 2 Kohort-davranışsal (RFM/kalıplar)

Tazelik × sıklık × gelir sınıfları.
Davranış kümeleri ekleyin: favori kategoriler/zaman dilimleri.

3. 3 Kümeleme/gömme

k-means/DBSCAN/Gauss normalize edilmiş davranışsal ölçütler üzerinde karışımlar.
Matris çarpanlarına ayırma - faiz kümeleri.

3. 4 Eğilim/puan tabanlı

Olay olasılık modelleri: depozito, takip ziyareti, apsis; Eşikler - hataların maliyetinden.

3. 5 Yükseltme/hassasiyet

İletişim kazanma modelleri (T-learner, Uplift trees/GBM).
Зоны: İkna edilebilir/Emin şeyler/Rahatsız etmeyin/Kayıp nedenler.
Yükseltme hedeflemesi, aynı bütçeler için en büyük artışı sağlar.

4) Hedefleme politikalarının tasarımı

Karar tablosu

Segment/Durum	Bağlam	Eylem	Kanal	Soğuma	Korkuluklar
RFM: R7 = 0, F1, M0; 'uplift _ dep ≥ 0. 06`	Acemiler	Hoş geldiniz-teklif S	push + uygulama içi	3D	ROMI≥0
'churn _ risk ≥ 0. 8 '&' değeri _ q ≥ 0. 8`	VIP	Teklif l/çağrı	CRM + çağrısı	7d	zhaloby≤Kh
'RG _ risk ≥ τ'	Herhangi bir	pause + RG ipucu	Uygulama içi	1d	% FPR≤1

Histerezis: Giriş/çıkış eşikleri "yanıp sönmeyi" önlemek için farklıdır.
Kotalar/oran sınırı: kullanıcı/kanal/segment başına; Çatışma politikaları - öncelik "güvenlik - ekonomi - UX".

5) Deneyler ve nedensel değerlendirme

A/B/çok kullanıcılı testler: segmentler/politikalar/reklam öğeleri için; MDE planı, süre, tabakalaşma.
Yarı-deneyler: Bölgesel sunumlar sırasında DiD/sentetik kontrol.
Puan: artan gelir/stopaj, uplift @ k, Qini/AUUC, ROMI, korkuluklar (şikayetler, RG).
Bütçe-pacing: Beklenen marj getirisi ile segmentlere bütçe tahsis edilmesi.

6) Kanallar ve orkestrasyon

Kanallar: uygulama içi, push, e-posta, SMS, aramalar, yerinde modüller, kişiselleştirilmiş vitrinler.
Orkestratör: garantili teslimat, retrai/backoff, idempotency'action _ id ', DLQ, öncelikler, sessiz saat penceresi.
İçerik/reklam öğeleri: şablon kitaplığı, reklamlar için A/B, frekans ağızlık.

7) Metrikler ve izleme

Süreçler: kapsama segmenti, gecikme süresi (Karar - Eylem), teslim edilebilirlik, temas frekansı.
Etki: Gelir/elde tutma artışı, ROMI, uplift @ k, Qini/AUUC, NNT (1 sonuç başına kaç kişi).
Riskler: şikayetler/abonelikten çıkma/spam bayrakları, RG göstergeleri, adalet (gruba göre etki/hata farkı).
Sürüklenme: Segmentasyon anahtar özelliklerine göre PSI/KL, bilinen kümeler dışında'yeni "kullanıcıların paylaşımı.

8) Değer ve risk bağlantısı

LTV ağırlığı: Segmentleri çıplak dönüşüm yerine beklenen değere göre önceliklendirin.

EV kuralı:

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

EV ≥ 0 ve korkuluklar normalse iletişim kurun.
Sorumluluk: RG/uyumluluk önceliklidir; kararın açıklanabilirliği zorunludur.

9) Segmentlerin ve kampanyaların pasaportları (şablonlar)

Segment pasaportu

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

Tanım ve tarif (windows 7/30/90, anti-botlar/sahtekarlık filtreleri)

Boyut/güncelleme/tazelik; Diğer segmentlerle kesişme

Riskler ve istisnalar (RG/uyumluluk), sahip, sürüm

Kampanya Pasaportu

Amaç ve KPI (Artan Gelir/Elde Tutma, ROMI)

Segment/Kanallar/Yaratıcılar/Frekans Kapakları

Değerlendirme tasarımı (A/B veya yarı-deney), süre, MDE

Korkuluklar: zhaloby≤Kh, RG- flagi≤U, latency≤Z

Rollback Planı ve Olay Runibook

10) Pseudo-SQL/Tarifler

RFM segmentasyonu (taslak)

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;

Depozito eğilimi (tren dilimi, sızıntı yok)

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) Adalet, gizlilik ve etik

PII minimizasyonu: tanımlayıcıların tokenizasyonu, RLS/CLS, maskeleme.
Adalet: hassas gruplar arasındaki etki/hata farklılıklarını kontrol edin; Geçersiz özellikleri hariç tutun.
Şeffaflık: hedefleme nedenleri (üst özellikler/kurallar) - desteklemek için kullanılabilir; Temyiz yolu.
Frekans kapakları ve "sessiz saatler" - yorgunluğa ve kullanıcıya zarar vermeye karşı.

12) Anti-desenler

Ölçülebilir artış olmadan "güzellik için" segmentler.
Artış yerine korelasyon ile puan (A/B/DiD yok).
Birçok örtüşen segmentler - çelişkili eylemler ve spam.
Histerezis olmadan eşik çözümleri - kontakların "yanıp sönmesi".
Korkuluk eksikliği (RG/şikayetler/sıklık) ve açıklanabilirlik.
Çevrimiçi bir orkestra olmadan - kişiler geç kalır, etki kaybolur.

13) Segmentli Hedefleme Başlatma Kontrol Listesi

Hedefler, KPI'lar ve bütçe tanımlanmıştır; Tutarlı granülerlik
PIT veri şemaları ve özellik tarifleri; Anti-botlar/dolandırıcılık filtreleri açık
Segmentler pasaportlarla tanımlanır; Çatışma matrisi ve belirlenen öncelikler
Seçilen yöntem (kurallar/kümeleme/eğilim/yükseltme) ve değerlendirme tasarımı
Karar tabloları, histerezis, ağız koruyucuları ve oran limiti yapılandırılmış
idempotency ve DLQ ile orkestratör ve kanallar; "sessiz saatler"
İzleme: etki (yükseltme/ROMI), riskler (şikayetler/RG), sürüklenme özelliği
Belgeler: segment/ilke sürümleri, sahipler, çalışma kitapları

Toplam

Segmentli hedefleme, CRM'de bir dizi "kısayol'değil, yönetilen bir sistemdir: kaliteli veriler ve özellikler - anlamlı segmentler (değer/davranış/duyarlılık) - histerezis ve korkuluklarla politikalar - artışların nedensel değerlendirmesi - istikrarlı orkestra ve izleme. Böyle bir sistem ROMI ve LTV'yi arttırır, şikayetleri ve riskleri azaltır ve her dokunuşun uygun, zamanında ve etik olmasını sağlar.

Segmentli hedefleme