AI в маркетинге: от копирайтинга до предиктивной аналитики

import anthropic
from dataclasses import dataclass


@dataclass
class Product:
    """Карточка товара из каталога."""
    name: str
    category: str
    features: list[str]
    price: float
    target_audience: str


COPYWRITER_PROMPT = """Ты опытный e-commerce копирайтер.

Правила:
- Пиши на русском языке
- Длина описания: 80-120 слов
- Начни с выгоды для покупателя, не с характеристик
- Включи 2-3 ключевые характеристики товара
- Завершай CTA (призыв к действию)
- Тон: дружелюбный, но не навязчивый
- НЕ используй восклицательные знаки в каждом предложении
- НЕ начинай с «Представляем» или «Встречайте»
"""


def generate_product_description(
    product: Product,
    brand_voice: str = "нейтральный",
    seo_keywords: list[str] | None = None,
) -> dict:
    """
    Генерация описания товара через Anthropic API.

    Args:
        product: данные о товаре
        brand_voice: тональность бренда
        seo_keywords: SEO-ключевые слова для включения в текст
    """
    client = anthropic.Anthropic()

    user_message = f"""Напиши описание товара:

Название: {product.name}
Категория: {product.category}
Характеристики: {', '.join(product.features)}
Цена: {product.price} руб.
Целевая аудитория: {product.target_audience}
Тональность бренда: {brand_voice}"""

    if seo_keywords:
        user_message += f"\nSEO-ключевые слова (включи естественно): {', '.join(seo_keywords)}"

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=500,
        system=COPYWRITER_PROMPT,
        messages=[{"role": "user", "content": user_message}],
    )

    return {
        "product": product.name,
        "description": response.content[0].text,
        "tokens_used": response.usage.input_tokens + response.usage.output_tokens,
    }


# Пакетная генерация для каталога
async def generate_catalog_descriptions(
    products: list[Product],
    concurrency: int = 5,
) -> list[dict]:
    """
    Пакетная генерация описаний для каталога товаров.
    Параллельные запросы с ограничением concurrency.
    """
    import asyncio

    semaphore = asyncio.Semaphore(concurrency)
    client = anthropic.AsyncAnthropic()

    async def process_one(product: Product) -> dict:
        async with semaphore:
            response = await client.messages.create(
                model="claude-sonnet-4-20250514",
                max_tokens=500,
                system=COPYWRITER_PROMPT,
                messages=[{
                    "role": "user",
                    "content": f"Название: {product.name}\nХарактеристики: {', '.join(product.features)}\nЦА: {product.target_audience}",
                }],
            )
            return {
                "product": product.name,
                "description": response.content[0].text,
            }

    tasks = [process_one(p) for p in products]
    return await asyncio.gather(*tasks)

import anthropic
from datetime import datetime


def generate_personalized_email(
    user_profile: dict,
    campaign: dict,
    past_interactions: list[dict],
) -> dict:
    """
    Генерация персонализированного email через LLM.

    Args:
        user_profile: имя, сегмент, предпочтения, история покупок
        campaign: цель кампании, оффер, дедлайн
        past_interactions: история открытий/кликов по предыдущим письмам
    """
    client = anthropic.Anthropic()

    # Анализ паттернов взаимодействия
    opened_subjects = [i["subject"] for i in past_interactions if i.get("opened")]
    clicked_subjects = [i["subject"] for i in past_interactions if i.get("clicked")]

    prompt = f"""Создай персонализированный email.

Профиль пользователя:
- Имя: {user_profile['name']}
- Сегмент: {user_profile['segment']}
- Последняя покупка: {user_profile.get('last_purchase', 'нет данных')}
- Предпочтения: {user_profile.get('preferences', [])}

Кампания:
- Цель: {campaign['goal']}
- Оффер: {campaign['offer']}
- Дедлайн: {campaign.get('deadline', 'нет')}

Паттерны взаимодействия:
- Темы, которые открывал: {opened_subjects[-5:]}
- Темы, по которым кликал: {clicked_subjects[-3:]}

Создай:
1. Три варианта темы письма (subject line) — до 50 символов каждая
2. Прехедер (preheader) — до 90 символов
3. Тело письма — 100-150 слов, персонализированное
4. CTA — текст кнопки

Формат ответа: JSON"""

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=800,
        system="Ты email-маркетолог с 10-летним опытом. Пишешь на русском. Каждое письмо должно быть персонализированным, не шаблонным.",
        messages=[{"role": "user", "content": prompt}],
    )

    return {
        "user_id": user_profile.get("id"),
        "email_content": response.content[0].text,
        "generated_at": datetime.now().isoformat(),
    }

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import anthropic


def build_churn_features(events_df: pd.DataFrame) -> pd.DataFrame:
    """
    Feature engineering для модели оттока.
    Входные данные: лог событий пользователя (визиты, покупки, клики).
    """
    features = events_df.groupby("user_id").agg(
        # Частота визитов
        visit_count_30d=("timestamp", "count"),
        days_since_last_visit=("timestamp", lambda x: (pd.Timestamp.now() - x.max()).days),

        # Покупательское поведение
        total_purchases=("event_type", lambda x: (x == "purchase").sum()),
        avg_order_value=("revenue", "mean"),

        # Вовлечённость
        email_open_rate=("email_opened", "mean"),
        pages_per_session=("pages_viewed", "mean"),
    ).reset_index()

    # Тренд: снижение активности
    features["activity_trend"] = (
        features["visit_count_30d"] /
        (features["visit_count_30d"].shift(1) + 1e-9)
    )

    return features


def train_churn_model(features_df: pd.DataFrame) -> dict:
    """Обучение модели предсказания оттока."""
    feature_cols = [
        "visit_count_30d", "days_since_last_visit",
        "total_purchases", "avg_order_value",
        "email_open_rate", "pages_per_session",
    ]

    X = features_df[feature_cols].fillna(0)
    y = features_df["churned"].astype(int)

    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42, stratify=y,
    )

    model = GradientBoostingClassifier(
        n_estimators=200,
        max_depth=5,
        learning_rate=0.1,
        min_samples_leaf=20,
        random_state=42,
    )
    model.fit(X_train, y_train)

    y_pred = model.predict(X_test)
    report = classification_report(y_test, y_pred, output_dict=True)

    return {"model": model, "metrics": report, "features": feature_cols}


def generate_retention_action(
    user_profile: dict,
    churn_score: float,
    top_churn_reasons: list[str],
) -> dict:
    """
    LLM генерирует персональное удерживающее действие
    на основе churn score и причин.
    """
    client = anthropic.Anthropic()

    response = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=400,
        system="Ты CRM-маркетолог. Предложи конкретное удерживающее действие для клиента с риском оттока.",
        messages=[{
            "role": "user",
            "content": f"""Клиент с риском оттока:
- Churn score: {churn_score:.1%}
- Основные причины: {', '.join(top_churn_reasons)}
- Профиль: {user_profile}

Предложи:
1. Канал коммуникации (email/push/звонок)
2. Оффер (скидка/бонус/персональный контент)
3. Тайминг (когда отправить)
4. Текст сообщения (2-3 предложения)""",
        }],
    )

    return {
        "user_id": user_profile.get("id"),
        "churn_score": churn_score,
        "action": response.content[0].text,
    }