Zaawansowane techniki targetowania oparte na przewidywanych intencjach zakupowych

Modele oparte na CatBoost i XGBoost osiągają F1 na poziomie do 0,93 i AUC ROC do 0,985 w przewidywaniu, kto faktycznie kupi, co zmienia sposób planowania kampanii w programmatic i marketing automation. Tekst pokazuje, jakie dane budują taki model, od clickstreamu przez CRM po sygnały specyficzne dla B2B, oraz jak wdrożyć go etapowo bez naruszenia RODO. Wskazuje też praktyczny sposób łączenia wyniku modelu z marżą i retencją, zanim trafi on do alokacji budżetu.

Czym różni się targetowanie intencyjne od klasycznego targetowania demograficznego

Targetowanie intencyjne wykorzystuje dane o faktycznym zachowaniu użytkownika oraz metody statystyczne i uczenie maszynowe do oszacowania prawdopodobieństwa, że dana osoba w najbliższym czasie kupi konkretny produkt lub usługę. Modele uczą się na logach zachowań, ścieżkach w serwisie, reakcjach na reklamy i danych transakcyjnych, a w B2B także na aktywnościach handlowych.

Klasyczne targetowanie demograficzne opiera się na cechach statycznych: wieku, płci, lokalizacji, stanowisku. Targetowanie intencyjne skupia się na sygnałach dynamicznych, które zmieniają się z sesji na sesję. Badania nad predykcją intencji zakupowych pokazują, że wskaźniki zaangażowania w produkt oraz fakt bycia użytkownikiem powracającym należą do najsilniejszych predyktorów zakupu w handlu internetowym (Scientific Reports, 2020; TSU Journal, 2025).

Główne różnice między podejściami:

• targetowanie demograficzne opiera decyzje na cechach trwałych, które nie zmieniają się z tygodnia na tydzień,
• targetowanie behawioralne bazuje na historii aktywności, ale nie zawsze przelicza ją na konkretne prawdopodobieństwo zakupu,
• targetowanie intencyjne łączy sygnały behawioralne z modelem statystycznym, dzięki czemu tworzy segmenty typu „wysoka intencja”, „rozważanie”, „przeglądanie” zamiast kategorii „kobiety 25 do 34 lat z dużych miast”.

Jakie dane budują model przewidywania intencji zakupowych

Modele intencji korzystają z kilku grup danych wejściowych, które różnią się dostępnością i wartością predykcyjną.

Klasa danych	Typowe pola	Zastosowanie w modelu
Dane transakcyjne	historia zakupów, wartość koszyka, cykle odnowień	prognoza kolejnego zakupu, cross-sell
Zachowania w serwisie	liczba podstron, czas w sekcji, dodania do koszyka, wyszukiwania	wykrywanie sesji o wysokiej intencji
Dane o kampaniach	liczba kontaktów z reklamą, format, reakcja	dopasowanie momentu i kanału komunikacji
Urządzenie i kanał	typ urządzenia, źródło ruchu, pora dnia	segmentacja mediowa, dobór kreacji
CRM i sprzedaż	status leada, historia kontaktu, powody utraty szansy	scoring leadów w B2B

Podobne analizy wskazują, że już podstawowe dane z clickstreamu, takie jak typ zdarzenia i jego kolejność w sesji, umożliwiają wiarygodne prognozowanie konwersji nawet przy krótkiej obserwacji (Scientific Reports, 2020).

Protip strategicznyzwrot.pl: przy pivocie warto świadomie ograniczyć liczbę zmiennych. Kilka stabilnych sygnałów behawioralnych, na przykład liczba wizyt w ostatnich 7 dniach lub czas od ostatniej interakcji, daje bardziej przewidywalny model niż setki słabych zmiennych, które zmieniają się z każdą aktualizacją serwisu.

Od prostego scoringu do sieci neuronowych: jak działają modele predykcji

Technicznie targetowanie intencyjne opiera się na modelach klasyfikacyjnych, które przewidują szansę, że sesja zakończy się zakupem. W prostszych rozwiązaniach stosuje się regresję logistyczną lub drzewa decyzyjne z ręcznie dobranymi cechami, na przykład liczbą odsłon strony produktu (Springer, 2020).

W bardziej zaawansowanych zastosowaniach dominują algorytmy zespołowe: Random Forest, gradient boosting, XGBoost i CatBoost. Badania nad predykcją zachowań konsumenckich pokazują, że algorytmy tego typu osiągają wskaźnik F1 powyżej 0,9 i AUC ROC do 0,985 przy klasyfikacji klientów skłonnych do zakupu (MDPI, 2025). Dokładniejsze dane z tych badań pokazują, że CatBoost i XGBoost osiągały F1 na poziomie 0,93 i 0,92, a AUC ROC dochodziło do 0,985. Sieci neuronowe przetwarzające sekwencje zdarzeń w sesji idą jeszcze dalej: prace nad zastosowaniem LSTM do przewidywania zachowań zakupowych pokazują trafność na poziomie około 98 procent w rozróżnianiu sesji zakończonych zakupem, porzuceniem koszyka lub samym przeglądaniem, wyłącznie na podstawie anonimowych logów (SCITEPRESS, 2021).

Wybór modelu zależy od skali danych i celu:

• regresja logistyczna i drzewa decyzyjne nadają się do pilotaży i małych zbiorów danych,
• gradient boosting i CatBoost pasują do dużych, złożonych baz z wieloma segmentami produktowymi,
• sieci rekurencyjne typu LSTM przydają się, gdy liczy się kolejność zdarzeń w sesji, a nie tylko ich suma.

Sygnały, które zdradzają wysoką intencję zakupu

Analizy oparte na zbiorze Online Shoppers Intention wskazują, że kluczowe okazują się czas spędzony na stronach produktowych, wskaźnik dodania do koszyka względem liczby odsłon oraz fakt bycia użytkownikiem powracającym (TSU Journal, 2025). Inne badania pokazują, że nawet proste cechy sesji, takie jak kanał wejścia i długość sesji, wystarczają do zbudowania wiarygodnego modelu konwersji (arXiv, 2020).

Typowe sygnały wysokiej intencji w B2C:

• powtarzające się wizyty na tej samej karcie produktu w krótkim czasie,
• dodanie kilku wariantów produktu do koszyka i porównywanie parametrów,
• korzystanie z filtrów i sortowania według ceny.

W B2B sygnały wyglądają inaczej:

• pobranie materiału eksperckiego o wysokiej wartości, na przykład raportu branżowego,
• wielokrotne wejścia na podstrony cenników i integracji,
• rosnąca aktywność kilku osób z tej samej organizacji.

Warto rozważyć własny, prosty wskaźnik gotowości zakupowej, budowany bez modelu statystycznego: sumę punktów za trzy zachowania najsilniej związane z zakupem w danej branży, na przykład wizytę w cenniku, użycie konfiguratora i powrót w ciągu 48 godzin. Taki wskaźnik daje zespołowi marketingowemu intuicyjny punkt odniesienia, zanim w firmie powstanie pełny model predykcyjny.

Protip strategicznyzwrot.pl: zacznij od mikrokonwersji specyficznych dla branży, na przykład kliknięć w dane kontaktowe czy pobrań plików. Model budowany na takich sygnałach lepiej dopasowuje się do konkretnego modelu biznesowego niż ogólny wskaźnik czasu na stronie.

Jak wykorzystać przewidywane intencje w programmatic i marketing automation

Targetowanie intencyjne jest szczególnie widoczne w reklamie programatycznej. Według raportu AdEx Benchmark wartość rynku reklamy cyfrowej w Europie wyniosła 96,6 mld euro, a ponad 51,9 procent wydatków na reklamy display poza mediami społecznościowymi rozliczano w modelu programmatic (IAB Europe, 2024). Modele predykcyjne wyznaczają tam prawdopodobieństwo pożądanej akcji, które wpływa na decyzję o licytacji w czasie rzeczywistym.

W marketing automation wynik modelu intencji staje się wyzwalaczem scenariuszy komunikacji:

• kontakt handlowca po przekroczeniu przez leada określonego progu scoringu,
• dynamiczne listy odbiorców w mailingu, kierowane tylko do segmentu wysokiej intencji,
• zmiana treści strony docelowej w czasie rzeczywistym, na przykład eksponowanie argumentów cenowych dla osób tuż przed zakupem,
• segmentacja kampanii retargetingowych oparta na etapie lejka, a nie tylko na fakcie odwiedzenia strony produktu.

Co pokazują badania: wpływ na skuteczność kampanii

Analiza wykorzystania uczenia maszynowego do przewidywania intencji zakupowych pokazuje, że lasy losowe dobrze równoważą precyzję i czułość, co ogranicza liczbę błędnie zaklasyfikowanych użytkowników przy zachowaniu wysokiej liczby rzeczywistych kupujących w grupie docelowej (IJCSR Research, 2025).

W praktyce marketingowej przekłada się to na:

• ograniczenie liczby użytkowników objętych drogimi formatami reklamowymi do tych z najwyższym prawdopodobieństwem zakupu,
• większy udział przychodów z kampanii kierowanych do segmentu wysokiej intencji,
• skrócenie cyklu sprzedaży w B2B dzięki priorytetyzacji leadów o najwyższym potencjale.

Protip strategicznyzwrot.pl: zestawiaj wynik modelu intencji nie tylko z konwersją, ale też z marżą i retencją. Segment o bardzo wysokiej intencji często generuje sprzedaż o niższej marży i wyższym wskaźniku rezygnacji, dlatego warto połączyć model intencji z modelem wartości życiowej klienta, zanim przydzielisz mu największy budżet.

RODO, profilowanie i zgody: prawne ramy w Polsce

RODO definiuje profilowanie jako zautomatyzowane przetwarzanie danych osobowych wykorzystywane do prognozy preferencji, zainteresowań lub zachowania danej osoby (RODO art. 4 pkt 4, w interpretacji UODO, 2025). Rekomendacje Prezesa UODO podkreślają, że dane wykorzystywane do profilowania muszą być adekwatne, istotne i nienadmierne w stosunku do celu, a okres ich przechowywania nie może przekraczać tego, co niezbędne (UODO, Rekomendacje dotyczące profilowania, 2026).

Podstawą prawną przetwarzania danych do celów predykcji intencji może być zgoda lub uzasadniony interes administratora. Zgoda jest obowiązkowa, gdy profilowanie służy celom marketingowym i prowadzi do decyzji wywołujących skutki prawne, dotyczy szczególnych kategorii danych albo brak jest innej podstawy prawnej (UODO, 2025, w interpretacji stanowiska Europejskiej Rady Ochrony Danych). Art. 22 RODO zakazuje podejmowania decyzji wyłącznie na podstawie zautomatyzowanego profilowania, jeśli wywołują istotne skutki dla osoby, co wymaga zapewnienia udziału człowieka w kluczowych decyzjach.

Komunikat informacyjny dla profili intencyjnych powinien zawierać:

• informację o samym fakcie profilowania i jego celu,
• opis logiki stosowanej przy ocenie,
• informację o możliwych konsekwencjach dla osoby,
• informację o prawie do sprzeciwu.

Jak wdrożyć targetowanie intencyjne krok po kroku

Dla firm przechodzących zwrot strategiczny warto potraktować wdrożenie jako projekt etapowy, a nie jednorazową inwestycję technologii:

1. przeprowadź audyt danych: sprawdź źródła (strona, aplikacja, CRM, systemy reklamowe), oceń jakość i zgodność z RODO,
2. zdefiniuj mierzalny cel biznesowy, na przykład obniżenie kosztu pozyskania klienta o konkretny procent lub poprawę jakości leadów,
3. zbuduj pilotaż na ograniczonym segmencie produktów, korzystając z prostych algorytmów i niewielkiej liczby cech,
4. zintegruj wynik modelu z systemem marketing automation, mailingiem, programmatic i CRM,
5. porównaj wyniki kampanii z grupą kontrolną, skalibruj progi intencji i dopiero potem rozważ bardziej złożone algorytmy.

Protip strategicznyzwrot.pl: zaangażuj dział prawny już na etapie planowania pilotażu, nie po jego wdrożeniu. Rekomendacje UODO dotyczące profilowania wymagają transparenego procesu na każdym etapie przetwarzania danych, a poprawienie tego po fakcie kosztuje więcej niż zaprojektowanie od razu zgodnie z zasadą privacy by design.