Сегментований таргетинг

Сегментований таргетинг - це системний підхід до вибору кому, що, коли і через який канал показувати, спираючись на дані про поведінку, цінності і ризики. Мета: максимізувати інкрементальний ефект (дохід/утримання), мінімізуючи шкоду і витрати.

1) Цілі та рівні сегментації

Цілі: активація, монетизація, утримання, ре-активація, крос-селл, RG/комплаєнс-інтервенції.

Рівні:

Демографія/гео/пристрій (базово).
Поведінка/RFM (recency, frequency, monetary).
Цінність (LTV/маржинальність).
Схильності (propensity до події: депозит, купівля, churn).
Uplift/чутливість (ймовірність приросту від контакту).
Гранулярність: бренд × країна × платформа × канал × категорія контенту - узгодьте з обсягом трафіку і бюджетом.

2) Дані та ознаки

Події: відвідування, кліки, реєстрації, ігри/ставки, депозити/покупки, відгуки на кампанії.
Контекст: календар (свята/матчі/зарплати), канал залучення, версія додатку, ціни/ліміти.
Ідентичності: user/device/IDFA/телефон/e-mail; мости ідентичностей.
Фічі: RFM-вікна (7/30/90), різноманітність контенту, година/день тижня, ARPPU/частота, відгуки на пуші/е-mail.
Якість: ідемпотентність подій, дедуп/антибот, TZ = UTC зберігання + локальні уявлення.

3) Методи сегментації

3. 1 Правила (rule-based)

Плюси: зрозумілість, швидкість, fail-safe.
Мінуси: крихкість, локальні оптимуми.
Приклад: «новачки, без другого візиту 48год, мобільні iOS».

3. 2 Когортно-поведінкова (RFM/патерни)

Класи «свіжість × частота × дохід».
Додайте поведінкові кластери: улюблені категорії/тайм-слоти.

3. 3 Кластеризація/ембеддинги

k-means/DBSCAN/мікси Гауса за нормалізованими поведінковими метриками.
Ембеддинги контенту/користувачів (matrix factorization) → кластери «інтересів».

3. 4 Схильності (propensity/score-based)

Моделі ймовірності події: депозит, повторний візит, апсейл; пороги - від вартості помилок.

3. 5 Uplift/чутливість

Моделі приросту від контакту (T-learner, Uplift trees/GBM).
Зони: Persuadables / Sure things / Do-not-disturb / Lost causes.
Uplift-таргетинг дає найбільший інкремент при тих же бюджетах.

4) Дизайн політик таргетингу

Decision table (ескіз)

Сегмент/умова	Контекст	Дія	Канал	Кулдаун	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	новачки	welcome-оффер S	push+in-app	3д	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	оффер L/дзвінок	CRM+call	7д	zhaloby≤Kh
`RG_risk ≥ τ`	будь-який	пауза + рада RG	in-app	1д	FPR≤1%

Гістерезис: вхідний/вихідний пороги розрізняються, щоб не «блимати».
Квоти/rate-limit: на користувача/канал/сегмент; конфліктні політики - пріоритет «безпека → економіка → UX».

5) Експерименти та каузальна оцінка

A/B/багаторамкові тести: для сегментів/політик/креативів; плануйте MDE, тривалість, стратифікацію.
Квазіексперименти: DiD/синтетичний контроль при регіональних викативах.
Оцінка: інкрементальна виручка/утримання, uplift @k, Qini/AUUC, ROMI, guardrails (скарги, RG).
Budget-pacing: розподіл бюджету за сегментами за очікуваною маржинальною віддачею.

6) Канали та оркестрація

Канали: in-app, push, e-mail, SMS, дзвінки, onsite-модулі, персоналізовані вітрини.
Оркестратор: гарантована доставка, ретраї/backoff, ідемпотентність'action _ id', DLQ, пріоритети, вікно «тихих годин».
Контент/креативи: бібліотека шаблонів, A/B for creatives, частотні капи.

7) Метрики та моніторинг

Процеси: coverage сегмента, latency (Decision→Action), доставляемость, частота контактів.
Ефект: інкремент виручки/утримання, ROMI, uplift @k, Qini/AUUC, NNT (скільки контактів на 1 результат).
Ризики: скарги/відписки/спам-прапори, RG-індикатори, fairness (різниця ефектів/помилок по групах).
Дрейф: PSI/KL за ключовими фічами сегментації, частка «нових» користувачів поза відомих кластерів.

8) Зв'язка з цінністю і ризиками

LTV-зважування: приоритизуйте сегменти за очікуваною цінністю, а не за «голою» конверсією.

EV-правило:

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

Контактуйте, якщо EV ≥ 0 і guardrails в нормі.
Відповідальність: RG/комплаєнс має пріоритет; зрозумілість рішення - обов'язкова.

9) Паспорти сегментів і кампаній (templates)

Паспорт сегмента

Код: `SEG_RFM_R0-7_F1-2_M0_Q3`

Визначення та фіче-рецепт (вікна 7/30/90, фільтри антибот/фрод)

Розмір/оновлення/свіжість; перетин з іншими сегментами

Ризики та виключення (RG/комплаєнс), власник, версія

Паспорт кампанії

Мета та KPI (інкрементальний дохід/ретеншн, ROMI)

Сегмент/канали/креативи/частотні капи

Дизайн оцінки (A/B або квазіексперимент), тривалість, MDE

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

План відкату і рунібук інцидентів

10) Псевдо-SQL/рецепти

RFM-сегментація (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;

Схильність до депозиту (train slice, без витоків)

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, приватність і етика

PII-мінімізація: токенізація ідентифікаторів, RLS/CLS, маскування.
Fairness: перевіряйте відмінності ефектів/помилок за чутливими групами; виключайте неприпустимі ознаки.
Прозорість: причини таргетингу (top-features/правила) - доступні саппорту; шлях апеляції.
Частотні капи і «тихий годинник» - проти втоми і шкоди користувачеві.

12) Анти-патерни

Сегменти «для краси» без вимірюваного інкременту.
Оцінка за кореляцією, а не за інкрементом (немає A/B/DiD).
Багато сегментів, що перекриваються → конфліктуючі дії і спам.
Порогові рішення без гістерезису → «миготіння» контактів.
Відсутність guardrails (RG/скарги/частота) і пояснюваності.
Без онлайнового оркестратора - контакти запізнюються, ефект втрачається.

13) Чек-лист запуску сегментованого таргетингу

Визначені цілі, KPI і бюджет; узгоджено рівень гранулярності
Схеми даних і фіче-рецепти PIT; антибот/фрод-фільтри включені
Сегменти описані паспортами; конфлікт-матриця і пріоритети задані
Обрано метод (правила/кластеризація/propensity/uplift) та дизайн оцінки
Decision tables, гістерезис, капи і rate-limit налаштовані
Оркестратор і канали з ідемпотентністю і DLQ; «Тихий годинник»
Моніторинг: ефект (uplift/ROMI), ризики (скарги/RG), дрейф фіч
Документація: версії сегментів/політик, власники, runbooks

Підсумок

Сегментований таргетинг - це не набір «ярликів» в CRM, а керована система: якісні дані та ознаки → осмислені сегменти (цінність/поведінка/чутливість) → політики з гістерезисом і guardrails → каузальна оцінка інкременту → стабільний оркестратор і моніторинг. Така система підвищує ROMI і LTV, знижуючи скарги і ризики - і робить кожен дотик доречним, своєчасним і етичним.

Сегментований таргетинг