Персонализация

Что такое персонализация

Персонализация — это подстройка того, что видит пользователь, под то, что о нём известно. Один и тот же URL показывает разным людям разные товары, баннеры и порядок выдачи, при этом структура страницы и навигация остаются неизменными.

Сигналы, на которых строится подстройка, делятся на три слоя:

Ключевое отличие персонализации от ручной настройки интерфейса — инициатива на стороне системы. Когда город или размер выбирает сам пользователь, это кастомизация. Явно заданное пользователем предпочтение всегда приоритетнее вычисленного: перекрывать выбранный город «более вероятным» — типичная ошибка, которая разрушает доверие к сайту.

Отличие от сегментации — в гранулярности. Сегмент описывает группу («мужчины 25–34, покупали обувь»), персонализация в пределе описывает одного человека. На практике оба подхода живут вместе: сегменты задают бизнес-логику и ограничения, алгоритм подбирает внутри них.

Уровни зрелости

Внедрение почти всегда проходит одни и те же четыре стадии. Пропускать их не получается: каждая следующая опирается на данные и процессы предыдущей.

Разумный порядок действий: сначала закрыть уровни 1–2 на самых нагруженных поверхностях, накопить событийные данные и только потом подключать алгоритмический подбор. Начинать с 1:1-персонализации при отсутствии трекинга бессмысленно — модели не на чем учиться.

Где применяется

Персонализация — не отдельная страница, а слой, накладываемый на существующие поверхности. Их приоритет определяется объёмом трафика и близостью к деньгам.

Отдельно стоит зафиксировать границу: платформа персонализации подбирает, что показать, но не является каналом коммуникации. Отправка писем, push и SMS — зона ответственности ESP и marketing automation. Персонализация вставляет в чужую рассылку релевантный товарный блок, а не заменяет систему рассылок.

Какие данные нужны

Требования к данным зависят от сценария, а не от «мощности алгоритма». Минимальный набор для старта:

События (обязательно):
  page_view      — просмотр страницы с типом (главная / PLP / PDP)
  product_view   — просмотр товара с ID
  add_to_cart    — добавление в корзину с ID и количеством
  purchase       — заказ с составом, суммой и ID заказа

Каталог (обязательно):
  фид товаров: ID, название, цена, наличие, категория, бренд, атрибуты, картинка

Идентификация (желательно):
  анонимный ID устройства + user ID после авторизации

Отдельно различают источники данных: данные первой стороны собираются собственными системами и остаются работоспособными при любых ограничениях сторонних cookie, а zero-party данные пользователь сообщает сам — в квизе, опросе или настройках. Второй тип особенно ценен для новых пользователей, у которых нет истории.

Как измерять эффект

Персонализация — единственный класс изменений, где соблазн отчитаться по динамике «до и после» особенно велик и особенно вреден. Правильная схема измерения:

1. Контрольная группа. Часть трафика (обычно 10–50%) видит неперсонализированный вариант в течение всего теста.
2. Одна первичная метрика. Чаще всего это выручка на посетителя — она объединяет конверсию и средний чек и не позволяет выиграть за счёт падения одного из них.
3. Длительность до заранее рассчитанного размера выборки. Останавливать тест в момент, когда цифры выглядят хорошо, — гарантированный способ получить ложный результат.
4. Долгосрочный holdout. Постоянные 5–10% трафика без персонализации дают ответ на вопрос «сколько платформа приносит сейчас», а не «сколько принесла на запуске».

Карта раздела: разновидности персонализации

Персонализация распадается на набор более узких понятий — по поверхности, по механике и по типу данных.

По поверхности:

• Персонализация главной страницы — герой-баннер и подборки под сегмент или профиль
• Персонализация категорий (PLP) — порядок товаров в листинге
• Персонализированный баннер — подмена креатива и оффера под аудиторию
• Персонализация в приложении — ленты, экраны и ин-апп сообщения

По механике:

• Динамический контент — блоки, содержимое которых определяется правилом или алгоритмом
• 1:1 персонализация — индивидуальный подбор вместо групповых правил
• Персонализация в реальном времени — реакция на действия внутри текущей сессии
• Гиперперсонализация — сочетание поведенческих, контекстных и внешних сигналов
• Персональные рекомендации — товарный подбор как частный случай персонализации

Инфраструктура:

• Движок персонализации — система, которая принимает решение о выдаче
• CDP — хранилище профилей и источник сегментов
• Аффинити-профиль — вектор предпочтений пользователя

Чек-лист внедрения

1. Определить поверхность с максимальным трафиком. Персонализация редкого сценария даёт красивый процент прироста и незаметный вклад в выручку.
2. Проверить фид и события. ID товаров совпадают, остатки актуальны, purchase доходит без потерь.
3. Сформулировать гипотезу с ожидаемым эффектом. Без ожидаемого эффекта невозможно рассчитать размер выборки.
4. Запустить A/B-тест, а не «включить на всех». Иначе через месяц не будет ответа на вопрос, что именно сработало.
5. Зафиксировать одну первичную метрику и набор вторичных для контроля побочных эффектов.
6. Дождаться расчётного размера выборки. Промежуточные подглядывания не считаются результатом.
7. Оставить постоянный holdout после раскатки, чтобы измерять вклад платформы на горизонте кварталов.
8. Уважать явный выбор пользователя — город, размер, язык, отказ от рекомендаций.