Определение
Машинное обучение (ML) — это раздел искусственного интеллекта, в котором алгоритмы не программируются вручную под каждую задачу, а обучаются на данных: находят закономерности, строят модель и используют её для прогноза или принятия решений. В DTC/e-commerce это означает: вы не пишете правило «если клиент не покупал 60 дней — отправить промокод», а даёте модели историю заказов, поведение на сайте и RFM-метрики — и она сама определяет, кто склонен к оттоку, а кто готов купить снова.
Ключевая идея: качество ML-модели на 70–80% определяется данными (полнота, чистота, разметка), и только на 20–30% — выбором алгоритма.
Аналогия
Представьте отдел маркетинга, где менеджер вручную ведёт таблицу: «клиенты из Москвы, купившие 2+ раза, открывают письма в 18:00». Это rule-based подход. Машинное обучение — это когда вы наняли стажёра, показали ему 500 000 заказов и 12 млн событий на сайте, и он сам вывел: «женщины 25–34, добавившие товар в корзину, но не оплатившие в течение 4 часов, конвертируются в 3,2 раза лучше при push-напоминании». Вы не объясняли правило — оно родилось из данных.
Формула
Базовая постановка обучения с учителем:
$$
\hat{y} = f(x; \theta), \quad \theta^* = \arg\min_{\theta} \sum_{i=1}^{N} L(y_i, f(x_i; \theta)) + \lambda R(\theta)
$$
Где:
- $x_i$ — вектор признаков клиента/заказа (например, 47 признаков: recency, frequency, monetary, средний чек, число сессий);
- $y_i$ — целевая переменная (1 — купил, 0 — не купил);
- $L$ — функция потерь (log-loss, MSE);
- $\lambda R(\theta)$ — регуляризация (L1/L2) против переобучения;
- $N$ — размер выборки (в e-com обычно 100 000–10 000 000 строк).
Метрики качества в DTC:
- ROC-AUC — 0,5 = случайное угадывание, 0,85+ = хорошая модель для склонности к покупке;
- Precision@10% — доля реальных покупателей в топ-10% предсказанных (целевой ориентир: ≥ 25%);
- Lift@дециль — во сколько раз модель лучше случайного таргетинга (норма: 4–8x в верхнем дециле).
Сравнение подходов
| Критерий | Rule-based (правила) | Машинное обучение | Гибрид (ML + правила) |
|---|---|---|---|
| Точность прогноза | 55–65% | 78–92% | 85–94% |
| Скорость запуска | 1–3 дня | 2–6 недель | 3–8 недель |
| Масштабируемость (клиентов) | до 50 000 | 1 млн+ | 1 млн+ |
| Объяснимость | Полная | Средняя (SHAP/LIME) | Высокая |
| Реакция на новые паттерны | Вручную | Автоматически | Автоматически + guardrails |
| Стоимость поддержки | Низкая | Средняя/высокая (MLOps) | Средняя |
| Типичный кейс | Welcome-цепочка | Churn-прогноз, LTV | Динамический таргетинг с бюджетными лимитами |
Применение в DTC/e-commerce
1. Прогноз оттока (churn prediction). Модель на 90 днях поведения клиента предсказывает вероятность ухода. При AUC 0,87 и базовом оттоке 22% в месяц вы снижаете его до 15–16%, удерживая ~6–7 п.п. — это +12–18% к LTV при среднем чеке 4 200 ₽.
2. Рекомендательные системы. Коллаборативная фильтрация + градиентный бустинг на матрице «пользователь–товар». Рост AOV на 8–14%, CTR рекомендательного блока — 6–11% против 2–3% у статичных баннеров.
3. Динамическое ценообразование и промо. Модель оценивает эластичность по 30+ сегментам. При скидке 15% для сегмента «цена-чувствительные» конверсия растёт с 1,8% до 3,4%, а маржа падает только на 4%.
4. Скоринг мошенничества. На 1 млн заказов в год ML-модель отсекает 92% фрод-операций при ложноположительном уровне 0,8% (против 78% и 2,5% у правил).
5. Прогноз спроса и стока. Для 1 200 SKU модель снижает out-of-stock с 9% до 3,5% и избыточные остатки на 18–22%.
6. Сегментация и Uplift-моделирование. Вы определяете не «кто купит», а «на кого скидка повлияет причинно» — экономия промо-бюджета 20–30%.
Частые ошибки
- Data leakage. Признак «число обращений в поддержку после заказа» попадает в обучение — модель показывает AUC 0,96 в тесте и 0,61 в проде.
- Дисбаланс классов. Покупают 2,1% — без class_weight или oversampling модель просто предсказывает «не купит» и даёт accuracy 97,9%, но нулевой lift.
- Переобучение на малой выборке. 800 клиентов и 120 признаков = шум. Минимум для устойчивой модели — 10 000+ наблюдений на класс.
- Отсутствие baseline. Без сравнения с rule-based или логистической регрессией нельзя доказать, что XGBoost реально приносит деньги.
- Игнорирование дрейфа. Праздники, новые каналы, изменение CAC — модель деградирует за 4–8 недель. Нужен мониторинг PSI и retraining раз в 2–4 недели.
- Оптимизация не той метрики. Высокий AUC ≠ высокая маржа. Оптимизируйте бизнес-метрику: ROMI, contribution margin, LTV/CAC.
Связанные термины
- Deep Learning — нейросети для изображений, текста, персонализации.
- Feature Engineering — создание признаков (RFM, временные окна, эмбеддинги).
- MLOps — CI/CD, версионирование моделей, мониторинг дрейфа.
- A/B-тестирование — обязательная проверка эффекта модели на трафике.
- Uplift Modeling — причинно-следственный таргетинг.
- Reinforcement Learning — оптимизация последовательных решений (цены, ставки).
- AutoML — автоматический подбор моделей и гиперпараметров.