ML-модель Rivox AI

Rivox AI использует продвинутый ML-пайплайн, построенный на ансамбле алгоритмов: от градиентного бустинга до глубоких нейронных сетей. Каждая модель обучается индивидуально под ваш сайт, ваши данные и поведение именно ваших клиентов — с точностью прогнозирования до 92%.

Архитектура ML-пайплайна

Под капотом Rivox AI — полноценный пайплайн машинного обучения, включающий несколько ключевых этапов:

• ★Ingestion Layer — приём и валидация сырых поведенческих событий в реальном времени
• ★Feature Engineering — автоматическая генерация 600+ производных признаков из сырых поведенческих сигналов
• ★Model Ensemble — ансамбль из Gradient Boosting (CatBoost), Deep Neural Networks и логистической регрессии
• ★Scoring Engine — предсказание Purchase Intent Score от 0 до 1 для каждого посетителя
• ★Decision Layer — бизнес-логика для триггеринга виртуальных конверсий в Яндекс.Метрику

Ансамбль алгоритмов

Вместо одного алгоритма Rivox AI использует ансамблевый подход, комбинируя сильные стороны разных семейств моделей:

Финальный скор рассчитывается как взвешенная комбинация прогнозов всех моделей ансамбля. Веса подбираются автоматически на валидационной выборке каждого клиента.

Автоматический Feature Engineering

SDK собирает 600+ поведенческих параметров. На вход модели поступают не сами события, а производные признаки, полученные через автоматическую обработку:

• ★Агрегация — средние, медианы, перцентили по временным окнам сессии
• ★Индексация — нормализованные показатели вовлечённости относительно средней сессии сайта
• ★Плотность событий — частота действий в единицу времени, ускорения и замедления
• ★Кластеризация — автоматическая сегментация поведенческих паттернов
• ★Sequence features — порядок событий, переходы между страницами, глубина воронки
• ★Cross-session features — история повторных визитов, динамика вовлечённости

Как строится прогноз

1. SDK собирает поведенческие данные в реальном времени
2. Feature pipeline трансформирует сырые события в 600+ структурированных признаков
3. Ансамбль моделей рассчитывает Purchase Intent Score (от 0.0 до 1.0)
4. Decision Layer определяет порог и триггерит виртуальную конверсию в Яндекс.Метрику

Кастомная модель под каждый сайт

Каждый клиент получает собственную модель, обученную именно на данных его сайта. Универсальная модель не может учесть специфику конкретного бизнеса — поэтому мы обучаем с нуля.

• ★Персональное обучение: модель учится на поведении именно ваших клиентов — что отличает покупателя недвижимости от посетителя клиники
• ★Автоматическое переобучение: модель дообучается еженедельно на актуальных данных, адаптируясь к сезонности и изменению аудитории
• ★Мониторинг drift: система отслеживает деградацию модели и автоматически запускает переобучение при обнаружении сдвига в данных
• ★A/B-тестирование: новые версии модели проверяются на shadow-трафике перед выкаткой в продакшен

Инфраструктура и безопасность

• ★Собственная инфраструктура: обучение и инференс моделей выполняются на изолированных серверах Rivox AI с аппаратным шифрованием и Zero-Trust архитектурой
• ★Изоляция данных: данные каждого клиента хранятся в изолированном контуре — нет доступа между проектами
• ★Шифрование: все данные передаются по TLS 1.3, хранение — с шифрованием at rest
• ★Соответствие 152-ФЗ: модель обучается исключительно на анонимных поведенческих данных, без персональной информации

Контрастность модели — ключевой показатель качества

Контрастность модели (model contrast) — это способность ML-модели чётко разделять пользователей с высокой и низкой вероятностью конверсии. Именно контрастность определяет, насколько полезны прогнозы для оптимизации рекламы.

Контрастность измеряется как отношение конверсионности (CR) в верхних квантилях к конверсионности в нижних. Например, если модель хорошо откалибрована, пользователи из топ-10% по Purchase Intent Score конвертируются в 5–10 раз чаще, чем пользователи из нижних 10%.

• ★Хорошая контрастность: CR в верхнем дециле в 5–10× выше, чем в нижнем. Модель чётко «видит» разницу между целевыми и нецелевыми пользователями
• ★Слабая контрастность: CR распределён равномерно — все пользователи выглядят одинаково. Разные ставки теряют смысл, бюджет размазывается
• ★Почему это критично для Директа: если модель не разделяет пользователей, то передача разных ценностей в Яндекс.Метрику бессмысленна — алгоритм Директа не сможет ранжировать аудиторию по приоритету

Чем выше контрастность → тем точнее распределение бюджета. Rivox AI достигает высокой контрастности за счёт поведенческих сигналов, которые не видны алгоритму Яндекс.Директа: паттерны скроллинга, динамика взаимодействия с элементами, последовательность действий внутри сессии, микросигналы вовлечённости. Эти данные создают дополнительное измерение, недоступное стандартной аналитике, и позволяют модели уверенно разделять аудиторию на сегменты с кратно разной вероятностью конверсии.

Почему 10 конверсий в неделю — минимум для обучения

Любая модель машинного обучения работает с вероятностями, а вероятности требуют статистической значимости. При малом объёме данных модель не может отличить реальный паттерн от случайного шума — и начинает «галлюцинировать», выдавая нестабильные прогнозы.

• ★Статистическая значимость: при менее чем 10 конверсиях в неделю доверительный интервал прогноза слишком широк — модель не может уверенно утверждать, что обнаруженная закономерность реальна, а не артефакт выборки
• ★Минимум данных для CatBoost: алгоритм градиентного бустинга строит деревья решений, и каждый «лист» дерева требует минимального объёма обучающих примеров. При 5–7 конверсиях в неделю листья получают по 1–2 примера — это порождает переобучение и нестабильные прогнозы
• ★При 5–7 конверсиях в неделю: модель становится нестабильной — ставки «прыгают» от обучения к обучению, оптимизация работает рывками, эффективность кампании деградирует

Что происходит при недостатке данных: когда алгоритм не получает достаточного объёма конверсий, он переключается в «консервативный» режим — снижает ставки, сужает охват, стремится минимизировать риск. На практике это означает, что кампания теряет объём трафика и перестаёт масштабироваться. Вы видите стабильный, но низкий поток заявок, который не растёт даже при увеличении бюджета.

Как Rivox решает эту проблему: виртуальные конверсии дают модели в 10–20 раз больше обучающих сигналов. Вместо 3–5 конверсий в неделю алгоритм получает 30–100 размеченных событий с градиентом ценности. Это кардинально меняет ситуацию: модель получает достаточно данных для построения устойчивых деревьев, ставки стабилизируются, кампания выходит из «консервативного» режима и начинает активно оптимизироваться.

Распределение ценности и калибровка

Алгоритм Яндекс.Директа обучается на ценностях конверсий. И качество этого обучения напрямую зависит от того, как распределены ценности в обучающей выборке.

• ★Что предпочитает алгоритм: низкую дисперсию значений. Когда ценности конверсий «ровные» и предсказуемые — модели проще выучить паттерн. Каждый новый пример подтверждает закономерность, а не создаёт шум
• ★Проблема экстремальных значений: если в данных есть единичные конверсии с очень высокой ценностью (например, заказ на 500 000₽ при среднем чеке 15 000₽) — они искажают обучение. Алгоритм начинает «гоняться» за такими аномалиями, жертвуя стабильностью на основной массе данных
• ★Оптимальная структура: много конверсий со средней ценностью лучше, чем мало конверсий с экстремальными значениями. Равномерное распределение позволяет алгоритму строить надёжные прогнозы

Как Rivox это учитывает: виртуальные конверсии формируют сглаженное распределение ценностей — без экстремальных выбросов. Ценность каждой виртуальной конверсии рассчитывается на основе вероятности целевого действия и калибруется так, чтобы суммарная ценность виртуальных конверсий стремилась к паритету с реальными. Это даёт алгоритму Директа «чистый» обучающий сигнал: много размеченных примеров с предсказуемым распределением, без аномалий, которые дестабилизируют оптимизацию.

Почему это работает лучше обычной аналитики?

Как используются прогнозы

• ★Когда посетитель набирает высокий Purchase Intent Score, Rivox AI триггерит виртуальную конверсию в Яндекс.Метрике
• ★Яндекс.Директ обучается на этих сигналах, получая в 3–10 раз больше данных о целевых пользователях
• ★Результат: снижение CPA на 20–30%, рост конверсий без увеличения рекламного бюджета