Предиктивная сегментация

Predictive Segmentation · predictive segmentation · predictive audiences

Определение

Предиктивная сегментация группирует пользователей по ML-прогнозам их будущего поведения (вероятность оттока, покупки), позволяя действовать на опережение вместо реакции на уже случившееся.

Что такое предиктивная сегментация

Классическая сегментация группирует пользователей по тому, что уже произошло: демография, история покупок, поведение на сайте. Предиктивная сегментация использует ML, чтобы ответить на другой вопрос: что этот пользователь сделает в ближайшее время?

На практике это означает три типа прогнозов:

Прогноз	Вопрос	Сценарий применения
Churn prediction	Уйдёт ли пользователь в ближайшие 30–60 дней?	Win-back кампания до ухода
Purchase probability	Купит ли в ближайшие 7–14 дней?	Горячие лиды для акций
LTV prediction	Каков ожидаемый доход с пользователя за год?	Приоритизация VIP-сегмента

Churn prediction: как работает модель

Модель churn prediction анализирует паттерны поведения пользователей, которые в прошлом ушли, и ищет схожие паттерны у активных:

Снижение частоты визитов (раньше 4×/неделю, теперь 1×/месяц)
Сокращение глубины сессий
Прекращение взаимодействия с рекомендациями
Снижение суммы заказов или переключение на более дешёвый сегмент

На выходе — скор от 0 до 1 для каждого пользователя. Пользователи с высоким скором (например, >0.7) попадают в сегмент риска.

Важно: предиктивная модель — вероятностная, не детерминированная. Пользователь в сегменте «высокий риск» — не тот, кто точно уйдёт, а тот, для кого статистически оправдано превентивное вмешательство.

Как использовать предиктивные сегменты

Churn-сегмент: запустить персонализированную win-back кампанию с фокусом на товары из категорий с высоким аффинити пользователя, а не на общие промо. Цель — вернуть вовлечённость, пока интерес не пропал полностью.

High purchase probability: сфокусировать ресурс персонализации на «горячих» пользователях. Показать им точные рекомендации, а не бонусные предложения — они и так близки к покупке.

High LTV prediction: выделить будущих VIP-клиентов на ранней стадии и инвестировать в их удержание непропорционально больше, чем в среднестатистического покупателя.

Требования к данным

Предиктивные модели требуют достаточного объёма исторических данных:

Минимум 6–12 месяцев транзакционной истории
Поведенческие события (сессии, просмотры, клики)
База от 10–20 тыс. пользователей с транзакциями для надёжной модели
Регулярное переобучение — паттерны поведения меняются (сезонность, рыночные тренды)

Частые вопросы

В чём отличие предиктивной сегментации от RFM?

RFM — ретроспективный метод: группирует по тому, что уже произошло (когда купил последний раз, как часто, на сколько). Предиктивная сегментация смотрит вперёд: модель рассчитывает вероятность следующей покупки или оттока на основе паттернов. Пользователь может иметь высокий R (недавняя покупка), но высокую вероятность оттока — если паттерн его поведения указывает на снижение активности.

Какие данные нужны для предиктивной сегментации?

Минимум: история транзакций (3–6 месяцев), поведенческие события на сайте (просмотры, клики, сессии). Чем больше исторических данных — тем точнее модель. Первые надёжные предиктивные сегменты появляются при базе от 10–20 тыс. пользователей с транзакциями.

Как использовать предиктивный сегмент «высокий риск оттока»?

Запустить win-back кампанию до факта оттока: персонализированное предложение, контент из предпочтительных категорий, скидку на категории с высоким аффинити. Работать с этим сегментом нужно за 2–4 недели до предполагаемого «молчания», не после него.

Что такое purchase probability и когда он появится в GF?

Purchase probability — прогноз вероятности покупки конкретным пользователем в ближайшие N дней. Позволяет сегментировать аудиторию по «горячести» и направлять бюджет на тех, кто и так близок к покупке, а не тратить его на «холодных». В Gravity Field churn prediction уже доступен; purchase probability — в роадмапе.

Gravity Field