Про искусственный интеллект в рознице говорят так много, что за словами стало трудно разглядеть, что из этого действительно работает на полке и в кассе, а что пока остаётся слайдом на конференции. Коллеги из Set Loyalty решили разобраться, какие ML-сценарии в персонализации и работе с клиентом уже приносят деньги, где компании буксуют, и как команда Set Loyalty строит ML-направление. Об этом — во второй половине статьи.
Где ML в персонализации уже приносит деньги
Хорошая новость для тех, кто устал от хайпа: список работающих сценариев довольно короткий и при этом проверенный. Расскажем о некоторых примерах применения рекомендательных систем и ML-персонализацию в продуктах лояльности и поиска.
Рекомендации и подбор товаров. Это ядро персонализации: ML работает на средний чек и конверсию через подбор товаров, аналогов и напоминания о забытом. Пример: у одного крупного ритейлера в FMCG после внедрения рекомендательной модели в продукт «пустой поиск» (подсказки, когда пользователь ещё ничего не ввёл) конверсия в добавление товара выросла на 35%, а маржа на пользователя — на 36%. При этом сам продукт охватывает 2,6 млн уникальных пользователей в месяц.
Как это устроено. Рекомендации работают по двухэтапной схеме. Сначала из примерно 30 тысяч товаров отбираются кандидаты — около 500 релевантных позиций. Затем модель ранжирования сортирует их по вероятности покупки, учитывая средний чек и активность пользователя, цену, маржу и рейтинг товара. На первом этапе работает коллаборативная фильтрация: система строит матрицу «пользователь — товар», находит похожие товары по тому, кто их вместе покупает, и предсказывает для конкретного человека новые позиции с учётом его прошлых покупок. Следующий шаг развития — нейросети, которые предсказывают не отдельную покупку, а следующее действие пользователя на основе всей цепочки его поведения.
Аналоги и борьба с «нет в наличии». Отдельный сценарий, который прямо влияет на выручку: когда нужного товара нет, ML предлагает релевантную замену. Пример: у ритейлера продукт «аналоги товаров» охватывает 754 тысячи пользователей в месяц, и 110 тысяч из них ежемесячно добавляют в корзину предложенный аналог. Под капотом — векторный поиск: описание, название, категория и характеристики товара превращаются в векторы, по которым находятся ближайшие соседи, а затем результат переранжируется с учётом разницы в цене, близости категорий и реального «покупательского аналога» из поведения.
Умный поиск по смыслу. Самое свежее направление — LLM (от англ. Large Language Model — большая языковая модель) в поиске, которая понимает нечёткие, «нетоварные» запросы вроде «что-то к солёным огурчикам» или «для романтического ужина» и превращает их в конкретные товары, доступные в этом магазине. Здесь ценность не только в конверсии, но и в клиентском опыте: человек описывает ситуацию, а не угадывает точные названия.
Где находятся блокеры — и почему они не про алгоритмы
Если присмотреться к тому, как такие системы строятся, выясняется любопытное: главные препятствия лежат не в моделях, а вокруг них.
Данные — это фундамент. Без качественной истории взаимодействия пользователя с товарами и чистой нормативно-справочной информации не работает ничего. Рекомендательная модель строится на истории продаж и кликов; векторный поиск аналогов — на чистых описаниях товаров, из которых сначала нужно отфильтровать мусор. Это первый и самый недооценённый блокер: компании хотят модель, а им сначала нужен порядок в данных.
Зрелость процессов важнее зрелости моделей. Частая ловушка — нанять ML-специалистов, которые построят модель, и думать, что дело сделано. Но модель — лишь часть end-to-end решения. Работа с оттоком это хорошо показывает: «классический отток» сам по себе уже не даёт результата. Предсказать, что клиент уйдёт, недостаточно — нужно решить, каким касанием его вернуть, и сначала проверить сам механизм касания, а уже потом подстраивать под него модель. Большинство компаний до этого уровня зрелости пока не дошли.
Ограничения LLM, о которых забывают. Генеративные модели прекрасно работают с контекстом и текстом, но проигрывают классическому ML там, где нужно разбить базу на когорты по большому числу неявных, нелинейных признаков. Экспериментов, где LLM в задачах клиентской аналитики побеждает классические алгоритмы машинного обучения, почти нет — не потому что LLM слабая, а потому что это просто не её задача. Для рекомендаций и сегментации по-прежнему выигрывает классический ML, а LLM хороша на своём месте — в понимании смысла запроса.
Инфраструктура и интеграция. Барьеры, которые из года в год повторяются в исследованиях BCG и Georgian/NewtonX, у B2B-компаний проявляются даже острее, чем в среднем по рынку: незрелая инфраструктура данных, сложность интеграции в реальные операционные процессы, безопасность и требования к защите персональных данных. Модель, которая не интегрирована в кассу, приложение и процессы маркетолога, остаётся красивым слайдом на чьём-то ноутбуке.
Что делает Set Loyalty
Set Loyalty — это CDP-платформа для управления маркетингом в ритейле: сегментация, более 100 акционных механик, омниканальные коммуникации, встроенная аналитика, нативная интеграция с кассой. Сегодня маркетолог на стороне сети уже запускает через эти инструменты механики удержания, борьбы с оттоком, реактивации — без привлечения IT. Платформой пользуются более 50 ритейлеров в 8 странах.
На этой основе команда Set Loyalty ведёт разработку ML-функционала. Первые модели проходят проверку на реальных обезличенных данных CDP. Set Loyalty разрабатывает ML-возможности:
- скоринг клиентов— оценка ценности и вероятности целевого действия;
- next best offer— выбор товара или предложения, наиболее релевантного конкретному покупателю;
- ML-сегментация под промо— подбор аудитории для акции эффективнее ручной сегментации.
Андрей Тырнов, руководитель команды разработки Set Loyalty:
Почему мы вообще туда идём. Опыт выше показывает закономерность. Когда у сети есть аналитические инструменты, но нет моделей машинного обучения над ними — это уже хорошо по сравнению с «ничего». Но следующий шаг ценности лежит именно в продвинутой аналитике: next best offer (какой товар предложить), next best action (каким касанием вернуть «уснувшего» клиента), прогноз оттока, скоринг. У Set Loyalty в CDP уже хранится история поведения покупателей — то самое «сырьё», на котором эти модели строятся. Логично превратить его в ценность для ритейлера, измеримую в приросте выручки или снижении расходов.
Как мы это делаем. Для старта мы взяли одну задачу, сформировали гипотезу и начали проверять её на данных. Например, может ли модель подобрать аудиторию для промо лучше, чем маркетолог с помощью ручной сегментации. Для этого мы используем данные, которые уже есть в CDP: историю покупок, свойства товаров и обезличенные характеристики покупателей. Затем сравниваем результаты и смотрим, есть ли эффект в деньгах: выросла ли конверсия, увеличился ли средний чек, снизилась ли стоимость привлечения. Если гипотеза подтверждается, дорабатываем модель и переходим к следующему шагу. Так данные перестают быть архивом транзакций и начинают приносить ритейлеру измеримую пользу.
Какой потенциал мы видим. Опираясь на оценки практиков по сопоставимым проектам, эффект от ML-инструментов работы с клиентским потоком измеряется так: рост выручки на 5–8% в мобильном приложении, до 15–23% на сайте (с поправкой на эффект низкой базы у тех, кто начинает с нуля), и рост выручки и маржи на 1–2% в офлайн-точках. Это не наши обещания и не гарантия — это рыночный ориентир, на который мы опираемся, формируя гипотезы.
Зачем об этом рассказываем. Чтобы заявить рынку прямо: в Set Loyalty есть платформа, есть данные, есть команда и привлечённая экспертиза — и есть открытость к совместной работе. Мы не продаём «магический ИИ», а строим ML-направление на честных основаниях и предлагаем ритейлерам партнёрство в экспериментах, где результат проверяется метриками.
Напишите нам, чтобы обсудить ML-пилот на ваших данных:
ecommerce@crystals.ru, +7 (812) 331-22-55 или оставьте заявку на сайте
Реклама. ООО «Кристалл Сервис Интеграция». ИНН 7813230814 erid: 2SDnjcnA28z
