Back to "Zero PII Customer Intelligence - Part МSK1 ProfilesM SK2 Signals & Segments"

This is a viewer only at the moment see the article on how this works.

To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk

This is a preview from the server running through my markdig pipeline

C# Privacy Product Segmentation

Zero PII Customer Intelligence - Part МSK1 ProfilesM SK2 Signals & Segments

Wednesday, 31 December 2025

В Частина 1 ми описали філософію і огляд серії. В Частина 1.1 ми створили генератор зразків даних.

Тепер давайте збудуємо ядро системи

  1. Архітектура Zero-PII - Невичерпні сеанси проти тривалих profili
  2. Сигнали та вага - Що ми відстежуємо і як воно накопичується
  3. визначення сегментів - Невибірливе членство з поміркованими правилами МSK1головне шоуM SK2
  4. Просмотр шаблону скриньки ззовні - Надзвичне видаwanie подій розроблено у частині МSK2

Це зразок проекту (Mostlylucid.SegmentCommerce) - маленька демонстрація електронної коммерції, яка показує базові шаблони МSK2 Це МSK3 навмисно спрощене, щоб чітко продемонструвати концепції

Погляньте на це як на "модельи виробництва в одній схеміM SK1фактор форми додатки ." Те ж саме структуру коду працює, незважаючи на те, чи ви ведете один процес, чи розповсюджуєте його по всіх службах

Вибір технологій

Ми вибрали простий, товстий набір щоб зберігати чистий образець, демонструючи моделі виробництва.

PostgreSQL + pgvector: Одна база даних

Замість відокремлених векторних баз даних, message queues, and caching layersM SK2 ми використовуємо ПостгрSQL:

flowchart LR
    App[ASP.NET Core] --> PG[(PostgreSQL)]
    
    PG --> JSONB[JSONB<br/>interests]
    PG --> Vector[pgvector<br/>embeddings]
    PG --> Queue[Queue tables<br/>jobs, outbox]
    PG --> FTS[Full-text<br/>tsvector]
    
    style PG stroke:#2f9e44,stroke-width:3px
    style JSONB stroke:#1971c2,stroke-width:2px
    style Vector stroke:#1971c2,stroke-width:2px
    style Queue stroke:#1971c2,stroke-width:2px
    style FTS stroke:#1971c2,stroke-width:2px
  • JSONB для гнучких схем (без відокремленого NoSQL)
  • pgvector для вмонтування (без QdrantM SK1Пінкону)
  • LISTEN/NOTIFY для робочих місць (не RedisM SK1RabbitMQ)
  • tsvector для повного-тексту M SK1без еластичного пошуку)

Один центр підключення. Один резервні копії. Один розміщуванняM SK2

HTMX + Alpine.jsM SK2 Сервер -Driven UI

<!-- Instant search (no page reload) -->
<input 
    hx-get="/api/search" 
    hx-trigger="keyup changed delay:300ms" 
    hx-target="#results" />
  • HTMX: Сервер відтворює частинки (без JSON
  • Alpine.js: Реактивність без кроку будування
  • Прогресивне покращення: Краще працює без JS

SPA-подібне до UX з сервером-видавати простотуM SK2

ASP.NET Core: Розподілні схеми

Одинакова програма, але масштаби моделейM SK1

  • Довідник (DB подіїM SK1 МSK2 обмін для автобусу повідомлень
  • Рабочая черга (LISTENM SK1NOTIFY) МSK3 Swap for Worker Pool
  • Коллекционер сеансів → обмін на окремий API

Почнемо з простого. Розповсюджуємо, коли це потрібно

Що ми уникали

  • Немає відокремленої бази векторів (pgvector is colocatedM SK1
  • Жодного інтерфейсу JS (HTMX + Альпій простишийM SK2
  • Ми ще не маємо мікросервисів ( моделі працюють в моноліті або розподіленихM SK1
  • Жодного Докера Створити розгалуження (одна DBM SK1 одна app)

Задача нуля

Традиційне стеження за користувачами зберігає идентификаційну інформацію: іменаМSK1 електронні листиM SK2 особисті дані користувача, пов 'язані з його поведінкою

Ми зберігаємо поведінкові моделі, а не ідентичностіM SK1

flowchart LR
    subgraph "Traditional Approach"
        User1[User: [email protected]] --> Behavior1[Bought headphones]
        Behavior1 --> PII1[(PII Database)]
    end
    
    subgraph "Zero-PII Approach"
        User2[Anonymous Session] --> Behavior2[Bought headphones]
        Behavior2 --> Pattern[(Category: tech<br/>Signal weight: 1.0)]
    end
    
    style PII1 stroke:#c92a2a,stroke-width:3px
    style Pattern stroke:#2f9e44,stroke-width:3px

Найголовніша думка: Вам не потрібно знати, ким є хтось, щоб знати, чого вони зацікавлені.

Уявлення про архітектуру

Система має три шари ядра:

flowchart TB
    Browser[Browser] --> Session[Session Collector]
    Session --> Profile[Persistent Profile]
    Profile --> Segments[Segment Service]
    
    Session -->|in-memory only| Cache[(IMemoryCache)]
    Profile -->|elevated signals| DB[(PostgreSQL + JSONB)]
    Segments -->|memberships| UI[Segment Explorer UI]
    
    style Session stroke:#1971c2,stroke-width:3px
    style Profile stroke:#2f9e44,stroke-width:3px
    style Segments stroke:#fab005,stroke-width:3px
    style Cache stroke:#e64980,stroke-width:2px
  1. Коллекціонер сеансів - Зхоплює поведінкові сигнали МSK1обзориM SK2 клікання в- тільки пам 'ять
  2. Неперервний профіль - Підвищує значення сигналів база даних-забезпечена
  3. Услуги сегментів - Оцінює профілі в залежності від правил

Критична різниця: Сессії є efeмерними . Профілі є тривалими МSK2 Це не деталі для втілення

Профілі сеансу: Strict In-Memory M SK2LFU CacheMSC3

Сессії строго в пам 'яті. Вони живуть в IMemoryCache з знижуванням терміну і ніколи не торкатися бази даних.

Це важка архітектурна перешкода: дані сеансу не можуть існуватиM SK1 Воно збирає сигнали під час візиту і викидає після МSK2 хвилин неактивності через LFU ( Найчастіше вживається ) політикаキャッシュу під тиском пам 'ятіMSC5

SessionProfile: Модель пам 'яті

// Mostlylucid.SegmentCommerce/Models/SessionProfile.cs
public class SessionProfile
{
    public string SessionKey { get; set; } = string.Empty;

    // Category interest scores: { "tech": 0.75, "fashion": 0.25 }
    public Dictionary<string, double> Interests { get; set; } = new();

    // Detailed signal counts: { "tech": { "product_view": 5, "add_to_cart": 1 } }
    public Dictionary<string, Dictionary<string, int>> Signals { get; set; } = new();

    // Products viewed this session
    public List<int> ViewedProducts { get; set; } = new();

    // Session context (device, referrer domain, time-of-day)
    public SessionContext? Context { get; set; }

    // Aggregates
    public double TotalWeight { get; set; }
    public int SignalCount { get; set; }
    public int PageViews { get; set; }
    public int ProductViews { get; set; }
    public int CartAdds { get; set; }

    // Timestamps
    public DateTime StartedAt { get; set; } = DateTime.UtcNow;
    public DateTime LastActivityAt { get; set; } = DateTime.UtcNow;

    // Link to persistent profile (if fingerprint resolved)
    public Guid? PersistentProfileId { get; set; }
}

Поміщається в IMemoryCache ( або IDistributedCacheM SK1 з Sliding Expiration

// Mostlylucid.SegmentCommerce/Services/Profiles/SessionCollector.cs
_cache.Set(sessionKey, sessionProfile, new MemoryCacheEntryOptions
{
    SlidingExpiration = TimeSpan.FromMinutes(30),
    Priority = CacheItemPriority.Normal, // LFU eviction under memory pressure
    
    // CRITICAL: Eviction callback decides whether to elevate to persistent profile
    PostEvictionCallbacks =
    {
        new PostEvictionCallbackRegistration
        {
            EvictionCallback = async (key, value, reason, state) =>
            {
                if (value is SessionProfile session && ShouldElevate(session))
                {
                    // Only NOW do we write to database (persistent profile)
                    await ElevateToProfileAsync(session);
                }
                // Otherwise: session is gone forever
            }
        }
    }
});

Складні обмеження:

  • Нуль випадкового тривалості: Сессії наживо лише в кэші (IMemoryCache або IDistributedCache як Redis)
  • Виселення з ЛФУ: Нижчий МSK1запуск сеансів виключається першим під тиском пам 'яті
  • Вичерпнення SlidingМSK0 30 хвилини від останнього активності
  • Відказ від виведення: Остання можливість підняти сигнали високої величини МSK1 перед тим, як вони МSK2 зникнуть
  • Жодного відновлення: Перезапуск aplikacji = втратили всі сеанси МSK2за винятком використання IDistributedCache

Винято рішення (О евакуаціїM SK1

private bool ShouldElevate(SessionProfile session)
{
    // Elevate if:
    // - User added to cart (high intent)
    // - User completed purchase (conversion)
    // - Fingerprint was resolved (identity established)
    // - Session weight exceeds threshold (engaged visitor)
    
    return session.CartAdds > 0 
        || session.TotalWeight > 5.0 
        || session.PersistentProfileId.HasValue;
}

Чому реакція на виселення?

Це лише безпечний момент для прийняття рішення щодо тривалості. До того часу, як кэш викидає сесіюM SK1

  1. Ми знаємо повну історію сеансу
  2. Ми можемо визначити загальний рівень залучення
  3. Ми уникаємо зберігання низьких-оцінок сеансів (одинковий вид сторінкиM SK2 відхиленняMSC3
  4. Ми гарантуємо, що сеанси не будуть випадково тривати

Якщо ми не підняємо втрачено назавжди. Це дизайн

Контекст сеансу: Те, що ми відслідковуємо M SK1Совісті)

public class SessionContext
{
    public string? DeviceType { get; set; }        // "mobile", "desktop"
    public string? EntryPath { get; set; }         // "/products/tech" (no query params)
    public string? ReferrerDomain { get; set; }    // "google.com" (domain only, not full URL)
    public string? TimeOfDay { get; set; }         // "morning", "afternoon"
    public string? DayType { get; set; }           // "weekday", "weekend"
}

Зверніть увагу, що не тут: IP-адресиM SK1 користувачеві агенти , повні URLs, пікселі для відстеженняMSC4 Ми фіксуємо шаблони контексту, невідоме інформаціяM SK1

Що таке сигнали?

А сигнал це поведінковий факт, зафіксований під час дії користувача

Ця концепція з 'явилася efeмерні сигнали-короткийM SK1живі факти, які існують у замкнутому вікні і старіють природно . В тій системі МSK3 операції випускають сигнали, такі як "api.rate_limited" або "gateway.slow" для координації поведінки без тісного зв 'язку.

Тут ми застосовуємо ту ж саму модель до поведінки користувача:

  • Погляньте на товар → product_view сигнал (вагаM SK1 МSK2
  • Dodaj до koszykа → add_to_cart сигнал (вагаM SK1 МSK2
  • Викуп → purchase сигнал (вагаM SK1 МSK2

Сигнали efeмерний ( закінчується на сеансі нуль-PII (без ідентичностіM SK1 та важливе МSK0намірний-свідомийM SK2

Вираження пальців клієнта (ZeroM SK1ВизначуванняCookies)

Для поєднання сесій без використання cookies, ми використовуємо klient-стороння відпечатка пальців. Веб-браузер обчислює хеш із сигналів лише hash до /api/fingerprint.

А потім сервер HMACs that hash з секретним ключем, що робить його місцем - недоступним для використання в інших місцях МSK2

Цей код адаптований з мого проект виявлення робота, там, де це ' використовується для идентификации зламувачів МSK2 Схожа техніка

// Mostlylucid.SegmentCommerce/ClientFingerprint/fingerprint.js
// Collect signals (browser capabilities, not PII)
var signals = [
    Intl.DateTimeFormat().resolvedOptions().timeZone,
    navigator.language,
    screen.width + 'x' + screen.height,
    // ... (see full code)
];

// Hash locally
var hash = hash(signals.join('|'));

// Send only the hash via sendBeacon
navigator.sendBeacon('/api/fingerprint', JSON.stringify({ h: hash }));

Сервер

// Server HMACs the client hash with a secret key
var profileKey = HMACSHA256(clientHash + secretKey);

Тепер у нас є стабільний, сайтM SK1скопований identifier без plików cookie або локальногоStorage. Погляньте на повний відбиток пальців.js джерело (пристосований до більшості зрозумілихM SK1вказівної діагностикиМSK2

Типи сигналу та його вага

Різні дії мають різні рівні наміру. Ми моделюємо це з базові маси.

Сигнальные типи: Ієрархія маси

// Mostlylucid.SegmentCommerce/Data/Entities/Profiles/SignalEntity.cs
public static class SignalTypes
{
    // Passive signals (low intent)
    public const string PageView = "page_view";              // 0.01
    public const string CategoryBrowse = "category_browse";  // 0.03
    public const string ProductImpression = "product_impression"; // 0.02

    // Active signals (medium intent)
    public const string ProductView = "product_view";        // 0.10
    public const string ProductClick = "product_click";      // 0.08
    public const string Search = "search";                   // 0.05

    // High-intent signals
    public const string AddToCart = "add_to_cart";           // 0.35
    public const string AddToWishlist = "add_to_wishlist";   // 0.25
    public const string ViewCart = "view_cart";              // 0.15
    public const string BeginCheckout = "begin_checkout";    // 0.40

    // Conversion signals (highest intent)
    public const string Purchase = "purchase";               // 1.00
    public const string Review = "review";                   // 0.60
    public const string Share = "share";                     // 0.50

    public static readonly Dictionary<string, double> BaseWeights = new()
    {
        { PageView, 0.01 },
        { ProductView, 0.10 },
        { AddToCart, 0.35 },
        { Purchase, 1.00 },
        // ... (see full code for complete list)
    };

    public static double GetBaseWeight(string signalType)
    {
        return BaseWeights.GetValueOrDefault(signalType, 0.05);
    }
}

Чому це важливо:

  • Одиночний вигляд сторінки (0.01) вигравM SK1 не домінував сигналом
  • Додаємо в корзину (0.35) - це сильний сигнал наміру
  • Купити (1.00) - це найсильніший сигнал

Ця ієрархія запобігає забрудненню profilu "drive-przeglądаючиM SK2

Сеансовий Коллектор: Сигнали запису M SK1Кача-ТолькоМSK3

// Mostlylucid.SegmentCommerce/Services/Profiles/SessionCollector.cs
public async Task<SessionProfile> RecordSignalAsync(
    SessionSignalInput input, CancellationToken ct = default)
{
    var sessionKey = input.SessionKey;
    
    // Get or create session FROM CACHE (never DB)
    var session = _cache.Get<SessionProfile>(sessionKey);
    
    if (session == null)
    {
        session = new SessionProfile
        {
            SessionKey = sessionKey,
            StartedAt = DateTime.UtcNow
        };
    }

    session.LastActivityAt = DateTime.UtcNow;

    var weight = input.Weight ?? SignalTypes.GetBaseWeight(input.SignalType);

    // Update in-memory aggregates
    session.TotalWeight += weight;
    session.SignalCount++;

    if (!string.IsNullOrEmpty(input.Category))
    {
        session.Interests.TryGetValue(input.Category, out var currentScore);
        session.Interests[input.Category] = currentScore + weight;
    }

    if (input.SignalType == SignalTypes.AddToCart)
    {
        session.CartAdds++;
    }

    // Put back in cache with sliding expiration
    _cache.Set(sessionKey, session, new MemoryCacheEntryOptions
    {
        SlidingExpiration = TimeSpan.FromMinutes(30),
        Priority = CacheItemPriority.Normal,
        PostEvictionCallbacks = { /* elevation callback */ }
    });

    return session;
}

швидка, тому що

  • Чистий в-памяті (ні один БД пишеM SK2
  • Жодних надрахунків на серіалізацію (IMemoryCacheM SK1
  • Ніяких połączeń з мережею ( локальний кэш )

Простійні профілі: Підвішені сигнали

Коли сеанс демонструє високий намір, (карта додає МSK1 покупки МSK2 ми піднімаємо сигнали до тривалий профіль.

ПостояннийProfileEntity: ДовгийM SK1Term Profile

// Mostlylucid.SegmentCommerce/Data/Entities/Profiles/PersistentProfileEntity.cs
[Table("persistent_profiles")]
public class PersistentProfileEntity
{
    [Key]
    public Guid Id { get; set; } = Guid.NewGuid();

    [Required]
    [MaxLength(256)]
    public string ProfileKey { get; set; } = string.Empty;

    // How this profile is identified (Fingerprint, Cookie, Identity)
    public ProfileIdentificationMode IdentificationMode { get; set; }

    // Behavioral data (all JSONB)
    [Column("interests", TypeName = "jsonb")]
    public Dictionary<string, double> Interests { get; set; } = new();

    [Column("affinities", TypeName = "jsonb")]
    public Dictionary<string, double> Affinities { get; set; } = new();

    [Column("brand_affinities", TypeName = "jsonb")]
    public Dictionary<string, double> BrandAffinities { get; set; } = new();

    [Column("price_preferences", TypeName = "jsonb")]
    public PricePreferences? PricePreferences { get; set; }

    [Column("traits", TypeName = "jsonb")]
    public Dictionary<string, bool> Traits { get; set; } = new();

    // Computed segments
    public ProfileSegments Segments { get; set; } = ProfileSegments.None;

    [Column("llm_segments", TypeName = "jsonb")]
    public Dictionary<string, double>? LlmSegments { get; set; }

    // Vector embedding for similarity matching
    [Column("embedding", TypeName = "vector(384)")]
    public Vector? Embedding { get; set; }

    // Statistics
    public int TotalSessions { get; set; }
    public int TotalSignals { get; set; }
    public int TotalPurchases { get; set; }
    public int TotalCartAdds { get; set; }

    public DateTime CreatedAt { get; set; } = DateTime.UtcNow;
    public DateTime LastSeenAt { get; set; } = DateTime.UtcNow;
    public DateTime UpdatedAt { get; set; } = DateTime.UtcNow;
}

І все ще 0 PII:

  • ProfileKey є хешом HMAC (не відтворюванийM SK1
  • IdentificationMode показує нам, як він був ідентифікований. (пальцевий отвірM SK1cookie/заloginМSK3
  • Всі дані поведінки сигналів, не особиста інформація

Підвищення: Заседання M SK1 Профиль

public async Task ElevateToProfileAsync(
    SessionProfileEntity session, 
    PersistentProfileEntity profile, 
    CancellationToken ct = default)
{
    if (session.IsElevated)
        return;

    // Merge interests (use higher value)
    foreach (var (category, score) in session.Interests)
    {
        if (!profile.Interests.ContainsKey(category) || 
            profile.Interests[category] < score)
        {
            profile.Interests[category] = score;
        }
    }

    // Update stats
    profile.TotalSessions++;
    profile.TotalSignals += session.SignalCount;
    profile.TotalCartAdds += session.CartAdds;
    profile.LastSeenAt = DateTime.UtcNow;
    profile.UpdatedAt = DateTime.UtcNow;

    // Mark session as elevated
    session.IsElevated = true;
    session.PersistentProfileId = profile.Id;

    // Clear segment cache (will be recomputed)
    profile.SegmentsComputedAt = null;
    profile.EmbeddingComputedAt = null;

    await _db.SaveChangesAsync(ct);
}

Коли відбувається підняння:

  • Після koszykа додайте (wysoka намірністьM SK1
  • Після покупки (конвертаціяM SK1
  • Коли użytkownik вибирає стійкість: (odбитки пальцівM SK1cookie

Дефиниції сегментів: Прибутки

Ми зробимо сегменти для двох частин МСК1. Тепер дозвольте нам deliver ' функціональний вихід з усіх тих сигналів, що збираються. МСК0 вони відповідають: " який тип покупця це? ?"

Чому Membership Fuzzy?

Традиційне сегментування є бінарним.

flowchart LR
    subgraph "Binary Segmentation"
        Profile1[3 purchases] -->|"Threshold: 5"| Out[NOT High-Value]
        Profile2[5 purchases] -->|"Threshold: 5"| In[High-Value]
    end

З покупцем, котрий купив "4", ставляться так само, як з покупцем з МSK1 .

Невизначені сегментації дає кожен профіль бал (0-1):

Куплення Бінарні МSK2 Невизначені результати МSK3
МSK0 0 ♫ ♫ МSK2 ♫ Ні ♫ ♫
МSK0 2 ♫ ♫ МSK2 ♫ Ні ♫ ♫
МSK0 4 ♫ ♫ МSK2 ♫ Ні ♫ ♫
МSK0 МSK1 Так

Тепер ви можете персоналізувати пропорційно.

Структура визначення сегментів

// Mostlylucid.SegmentCommerce/Services/Segments/SegmentDefinition.cs
public class SegmentDefinition
{
    public string Id { get; set; }           // "tech-enthusiast"
    public string Name { get; set; }          // "Tech Enthusiasts"
    public string Description { get; set; }   // "Users with strong interest in technology"
    public string Icon { get; set; }          // "🔧"
    public string Color { get; set; }         // "#3b82f6"

    public List<SegmentRule> Rules { get; set; } = [];

    // How rules combine: All (AND), Any (OR), Weighted (sum)
    public RuleCombination Combination { get; set; } = RuleCombination.Weighted;

    // Minimum score to be "a member" (0-1)
    public double MembershipThreshold { get; set; } = 0.3;

    public List<string> Tags { get; set; } = [];  // For filtering/grouping
}

Типи правил: Що можна перевірити

Кожне правило оцінює одну виміру профиля:

public enum RuleType
{
    CategoryInterest,  // Check interests.tech, interests.fashion, etc.
    BrandAffinity,     // Check brandAffinities.Sony, brandAffinities.Nike, etc.
    PriceRange,        // Check price preferences (budget vs luxury)
    Trait,             // Check boolean traits (prefersDeals, browsesExtensively)
    Statistic,         // Check totalPurchases, totalSessions, totalCartAdds
    TagAffinity,       // Check affinities.gadgets, affinities.organic, etc.
    Recency,           // Check days since last activity
    Expression         // Custom expressions (advanced)
}

Оператори правил

public enum RuleOperator
{
    GreaterThan,       // value > threshold
    GreaterOrEqual,    // value >= threshold
    LessThan,          // value < threshold
    LessOrEqual,       // value <= threshold
    Equal,             // value == threshold
    NotEqual,          // value != threshold
    Contains,          // for array/string checks
    Between,           // for ranges
    In, NotIn          // for set membership
}

Методи комбінації правил

Як багато правил об 'єднуються в кінцевий результат

public enum RuleCombination
{
    All,      // AND logic: Score = min(all rule scores). All rules must pass.
    Any,      // OR logic: Score = max(all rule scores). Any rule can pass.
    Weighted  // Weighted sum: Score = Σ(rule.weight × rule.score) / Σ(rule.weight)
}

Виміркована є найпоширенішим.

Ось приклади реального сегменту

Ось початкові сегменти у пробному проекті:

1. Захоплені технологіями

new SegmentDefinition
{
    Id = "tech-enthusiast",
    Name = "Tech Enthusiasts",
    Description = "Users with strong interest in technology products",
    Icon = "🔧",
    Color = "#3b82f6",
    MembershipThreshold = 0.35,
    Rules =
    [
        new() { 
            Type = RuleType.CategoryInterest, 
            Field = "interests.tech", 
            Operator = RuleOperator.GreaterOrEqual, 
            Value = 0.4, 
            Weight = 0.6,  // 60% of score
            Description = "Tech interest > 40%" 
        },
        new() { 
            Type = RuleType.TagAffinity, 
            Field = "affinities.gadgets", 
            Operator = RuleOperator.GreaterOrEqual, 
            Value = 0.2, 
            Weight = 0.2,  // 20% of score
            Description = "Likes gadgets" 
        },
        new() { 
            Type = RuleType.TagAffinity, 
            Field = "affinities.electronics", 
            Operator = RuleOperator.GreaterOrEqual, 
            Value = 0.2, 
            Weight = 0.2,  // 20% of score
            Description = "Likes electronics" 
        }
    ]
}

Приклад оцінки:

  • Профиль має interests.tech = 0.72, affinities.gadgets = 0.31, affinities.electronics = 0.15
  • Правило МSK0 0.72 ♫ ♫ МSK2 ♫
  • Правило МSK0 0.31 ♫ ♫ МSK2 ♫
  • Правило МSK0 0.15 ♫ ♫ МSK2 ♫
  • ОстаннєМSK0 МСК1 МСК2 MСК3 МСК4 MSК5 MSК6 МСК7 СМСК8 0.95
  • МSK0 >= ♫ ♫ МSK2 ♫ - межа ♫ → ♫ Член з впевненістю 95%

2. Покидачі в корзині

new SegmentDefinition
{
    Id = "cart-abandoner",
    Name = "Cart Abandoners",
    Description = "Users who add items to cart but don't complete purchase",
    Icon = "🛒",
    Color = "#ef4444",
    MembershipThreshold = 0.4,
    Rules =
    [
        new() { 
            Type = RuleType.Statistic, 
            Field = "totalCartAdds", 
            Operator = RuleOperator.GreaterOrEqual, 
            Value = 3, 
            Weight = 0.5, 
            Description = "3+ cart adds" 
        },
        new() { 
            Type = RuleType.Statistic, 
            Field = "totalPurchases", 
            Operator = RuleOperator.LessThan, 
            Value = 2, 
            Weight = 0.5, 
            Description = "Few purchases" 
        }
    ]
}

Це ловить """, їде в корзину, але "" МSK1 "" не купує ""

3. високийM SK1 Цінні клієнти

new SegmentDefinition
{
    Id = "high-value",
    Name = "High-Value Customers",
    Description = "Customers who make frequent purchases and spend above average",
    Icon = "💎",
    Color = "#8b5cf6",
    MembershipThreshold = 0.4,
    Rules =
    [
        new() { 
            Type = RuleType.Statistic, 
            Field = "totalPurchases", 
            Operator = RuleOperator.GreaterOrEqual, 
            Value = 3, 
            Weight = 0.4, 
            Description = "3+ purchases" 
        },
        new() { 
            Type = RuleType.PriceRange, 
            Field = "priceRange", 
            Value = "100-10000",  // High-end shoppers
            Weight = 0.3, 
            Description = "High price range" 
        },
        new() { 
            Type = RuleType.Recency, 
            Field = "lastSeen", 
            Operator = RuleOperator.LessThan, 
            Value = 30, 
            Weight = 0.3, 
            Description = "Active in last 30 days" 
        }
    ]
}

4. Охотники на торги

new SegmentDefinition
{
    Id = "bargain-hunter",
    Name = "Bargain Hunters",
    Description = "Price-sensitive shoppers who love deals and discounts",
    Icon = "🏷️",
    Color = "#22c55e",
    MembershipThreshold = 0.3,
    Rules =
    [
        new() { 
            Type = RuleType.PriceRange, 
            Field = "priceRange", 
            Value = "0-75",  // Budget shoppers
            Weight = 0.5, 
            Description = "Low price preference" 
        },
        new() { 
            Type = RuleType.Trait, 
            Field = "traits.prefersDeals", 
            Value = true, 
            Weight = 0.3, 
            Description = "Prefers deals" 
        },
        new() { 
            Type = RuleType.Statistic, 
            Field = "totalCartAdds", 
            Operator = RuleOperator.GreaterThan, 
            Value = 5, 
            Weight = 0.2, 
            Description = "Shops around" 
        }
    ]
}

Усі початкові сегменти

До прикладу входять сегменти 10, що охоплюють загальноприйняті моделі коммерції

сегмент МSK1 іконка МSK2 ключові правила
високий МSK1 Цінні покупці мSK2 МSK3 | 3+ покупки M, високі витрати \МSK7 нещодавні МСК8 VIP лікування \M, програми лояльності \МСК10
Зауважані технологіями МSK1 МSK2 Заinteresовані технологієюM SK4 Близькість до пристроїв M Рекомендації по технологічним продуктам МСК6
Мода Далі МSK1 МSK2 Зауважаність модоюM SK4 численні візити мSK5 Рекомендації щодо стилю M
Найкращі торгові мисливці МSK1 МSK2️ Низкий цінний діапазон
Нові відвідувачі МSK1 МSK2 \≤2 сеансиM SK5 ніяких покупок M посадка на бортМСК7 перша МСК8 пошукові пропозиції МСК9
Покидачі в корзині
Хозяйські ентузіасти МSK1 МSK2 Домашні інтереси мSK4 останні події M Країна товарів для домашнього користування МСК6продаж СМСК7
Здоров 'я активна МSK1 МSK2 Спортивні інтереси мSK4 здоров' я характеристики M Сфокусація на продуктах з фітнесом МСК6
Лоярі клієнти МSK1 МSK2 \ МSK4 покупки , ♫ \ 10+ сеанси ♫ ♫ Затримка ♫ МSK8 ♫ нагорода ♫
Дослідники МSK1 МSK2 | Високосигнальні сигнали , розширено переглядають MSК5 Порівнянні інструментарії МСК6 подібні дані СМСК7

Услуги сегменту: Комп 'ютерні членства

І SegmentService оцінює профілі за всіма правилами сегменту:

// Mostlylucid.SegmentCommerce/Services/Segments/SegmentService.cs
public SegmentMembership EvaluateSegment(ProfileData profile, SegmentDefinition segment)
{
    var ruleScores = new List<RuleScore>();
    
    foreach (var rule in segment.Rules)
    {
        var (score, actualValue) = EvaluateRule(profile, rule);
        ruleScores.Add(new RuleScore
        {
            RuleDescription = rule.Description,
            Score = score,
            Weight = rule.Weight,
            ActualValue = actualValue  // For transparency
        });
    }

    // Combine based on segment's combination method
    double finalScore = segment.Combination switch
    {
        RuleCombination.All => ruleScores.Min(r => r.Score),
        RuleCombination.Any => ruleScores.Max(r => r.Score),
        RuleCombination.Weighted => ComputeWeightedScore(ruleScores),
        _ => 0
    };

    return new SegmentMembership
    {
        SegmentId = segment.Id,
        SegmentName = segment.Name,
        Score = Math.Round(finalScore, 3),
        IsMember = finalScore >= segment.MembershipThreshold,
        RuleScores = ruleScores,
        Confidence = score switch  // Human-readable
        {
            >= 0.8 => "Very High",
            >= 0.6 => "High",
            >= 0.4 => "Medium",
            >= 0.2 => "Low",
            _ => "Very Low"
        }
    };
}

Пояснення збудоване-В

Кожен результат членства включає справжнє значення що призвело до результату

// What the UI receives:
{
    "segmentId": "tech-enthusiast",
    "segmentName": "Tech Enthusiasts",
    "score": 0.95,
    "isMember": true,
    "confidence": "Very High",
    "ruleScores": [
        { "description": "Tech interest > 40%", "score": 1.0, "actualValue": "0.72" },
        { "description": "Likes gadgets", "score": 1.0, "actualValue": "0.31" },
        { "description": "Likes electronics", "score": 0.75, "actualValue": "0.15" }
    ]
}

Пользовачі можуть подивіться, чому вони'входять у сегментіM SK1 Це важливе для прозорості та дотримання GDPR

Сигналовий потік

Ось як продукт стає членом сегменту

sequenceDiagram
    participant Browser
    participant Cache as SessionCache
    participant Outbox as Outbox
    participant Segment as SegmentService

    Browser->>Cache: Product view (category: "tech")
    Cache->>Cache: Update in-memory session
    Note over Cache: interests.tech += 0.10
    
    Browser->>Cache: Add to cart (high intent)
    Cache->>Outbox: Publish elevation event
    Outbox->>Outbox: Write to outbox table
    
    Note over Outbox: Background worker processes
    Outbox->>Segment: Elevate to PersistentProfile
    
    Segment->>Segment: Evaluate segment rules
    Note over Segment: interests.tech: 0.72 >= 0.40 ✓<br/>Score: 0.95, IsMember: true
    Segment-->>Browser: Segment memberships + explanations

Модель скриньки ззовні (Preview)

Усі важливі заходи проходять через шаблон поштової скриньки- наш основний механізм оркеструванняM SK1

flowchart LR
    Action[Cart Add] --> TX[Single Transaction]
    TX --> DB[(Save + Outbox)]
    DB --> Worker[Background Worker]
    Worker --> Route[Route to Handlers]
    
    style TX stroke:#2f9e44,stroke-width:3px

Чому? Дані та події записуються в одній транзакції. Неможливо втратити подіїM SK1 не втрачається. Automatyczne повторення помилок з експоненційним відхиленням

// Every action publishes to outbox in the same transaction
await using var transaction = await _db.Database.BeginTransactionAsync(ct);

cart.Items.Add(new CartItem { ProductId = productId });
await _db.SaveChangesAsync(ct);

_outbox.Publish(OutboxEventTypes.ProductAddedToCart, new { ProductId = productId });
await _db.SaveChangesAsync(ct);

await transaction.CommitAsync(ct);
// Event is now guaranteed to be processed

Частина 3 застосовує повну функцію аутбокса: робочу чергуM SK1 LISTEN / NOTIFY для миттєвого підбору, логіку повторюваностіMSC4 та шаблони масштабуванняМSK5

Що Next

Ця частина

  • Архітектура Zero-PII (непогані сеанси проти тривалих profiliM SK1
  • визначення сегментів з неяскравим членством та важкими правилами
  • Услуга сегментів з вбудованим- можливим поясненням

Частина 3 goes deeper into:

  • Втілення шаблону поштової скриньки - надійна публікація подій і єдиний маршрутизатор
  • Рабочая черга з PostgreSQL SKIP LOCKED для розподіленої обробки
  • LISTEN/NOTIFY для безпосереднього прийому на роботу (безбюллетеняM SK1
  • Персонал інтерфейсу і прозорість - панель з панелями та дослідником сегментів

Сгегменти - це чутливий результат цієї системи. МСК0. Вони відповідають: "" МСК1 "". Який такий покупець? МSK2 "", з неяскравою оцінкою. МSK3 "", а не бінарні клітки, МSK4 "". І кожен може чітко зрозуміти, чому вони в сегменті.

logo

© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.