Персоналізація в реальному часі: використання даних для створення індивідуального досвіду користувача

Abstract

Роботу присвячено дослідженню та проєктуванню архітектури високонавантаженої системи персоналізації контенту в режимі реального часу для сучасних платформ електронної комерції. Об’єктом дослідження є процеси збору, обробки поведінкової телеметрії та динамічної адаптації клієнтських інтерфейсів. Метою роботи є розробка стійкої, низьколатентної системи, здатної формувати індивідуалізований досвід користувача (UX) на основі алгоритмів машинного навчання та потокової аналітики. У дослідженні запропоновано комплексну архітектуру, що поєднує концепції стрімінгової обробки даних та периферійних обчислень, практичну імплементацію якої виконано на базі вебсайту sdfy.e-os.site. Для забезпечення безперервного аналізу клікстріму в «гарячому контурі» (hot path) застосовано Apache Kafka та Apache Flink. Збір гранулярних подій та оркестрація розширеної звітності реалізовані через інтеграцію Google Analytics 4 (GA4) та автоматизованої платформи Reportei. Ухвалення рішень та модифікація DOM маршрутизуються через мікросервісний Decision Engine та in-memory сховище Redis, що унеможливлює затримки візуалізації (Visual Jitter). Практичне значення отриманих результатів полягає у створенні замкнутого циклу персоналізації, який забезпечує автоматичне донавчання моделей та статистично значуще зростання коефіцієнта транзакцій за результатами A/B тестування.

The thesis is devoted to the research and architectural design of a high-load, real-time content personalization system for modern e-commerce platforms. The object of the study encompasses the processes of collecting and processing behavioral telemetry, alongside the dynamic adaptation of client interfaces. The aim of the research is to develop a resilient, low-latency system capable of generating an individualized user experience (UX) based on machine learning algorithms and stream analytics. The study proposes a comprehensive architecture that synergizes the concepts of Data Ingestion & Stream Processing and Edge Computing, with its practical implementation executed on the sdfy.e-os.site web platform. To ensure continuous clickstream analysis in the analytical "hot path", Apache Kafka and Apache Flink are utilized. The collection of granular events and the orchestration of advanced reporting are implemented through the integration of Google Analytics 4 (GA4) and the automated Reportei platform. Decision-making processes and DOM modifications are routed via a microservice-based Decision Engine and a Redis in-memory datastore, effectively eliminating visual latency (Visual Jitter). The practical significance of the obtained results lies in the creation of a closed-loop personalization architecture, which ensures the automatic retraining of models and a statistically significant Conversion Rate Uplift validated through rigorous A/B testing methodologies.