По-настоящему успешных сценариев применения ML пока не так много. Но именно поэтому они особенно интересны: каждый из них уже подтвержден реальной практикой.
За последние пару лет искусственный интеллект стал одной из самых обсуждаемых тем в ритейле, но полезной конкретики на эту тему не так много. Какие сценарии уже доказали свою эффективность? Почему многие проекты так и не доходят до использования? И какую роль ML может сыграть в развитии программ лояльности?
Мы решили разобраться, где машинное обучение уже приносит измеримый эффект и какие препятствия чаще всего мешают его внедрению. А еще расскажем, почему мы в Set Loyalty начали развивать собственное ML-направление.
Где ML в персонализации уже приносит деньги
По-настоящему успешных сценариев применения ML пока не так много. Но именно поэтому они особенно интересны: каждый из них уже подтвержден реальной практикой.
Персональные рекомендации
Рекомендательные системы — основа персонализации. Здесь ML помогает увеличивать средний чек и конверсию за счет подбора товаров, предложения аналогов и напоминаний о незавершенных покупках. Например, один из крупных FMCG-ритейлеров внедрил рекомендательную модель в сервис «пустого поиска» — блок подсказок, который появляется еще до ввода поискового запроса. В результате конверсия в добавление товара выросла на 35%, а маржа на пользователя — на 36%. При этом сервис ежемесячно используют около 2,6 млн покупателей.
Работает такая система в два этапа. Сначала из ассортимента примерно в 30 тысяч товаров алгоритм выбирает около 500 наиболее подходящих кандидатов. Затем модель ранжирует их с учетом вероятности покупки, активности клиента, среднего чека, цены, маржинальности и других факторов.
В основе первого этапа лежит коллаборативная фильтрация — алгоритм анализирует взаимосвязи между пользователями и товарами, чтобы предложить позиции, которые могут заинтересовать конкретного покупателя. Следующий этап развития ML связан с использованием нейросетей, которые способны прогнозировать уже не отдельную покупку, а следующее действие пользователя на основе всей истории его поведения.
Подбор аналогов
Еще одна задача, где ML уже показывает ощутимый эффект — поиск замены отсутствующим товарам.
Если нужной позиции нет в наличии, система предлагает максимально подходящий аналог. У одного из ритейлеров такой сервис ежемесячно охватывает более 754 тысяч человек, а около 110 тысяч покупателей добавляют предложенную замену в корзину.
Под капотом работает векторный поиск: описание товара, его характеристики, название и категория преобразуются в математические векторы, после чего система находит наиболее похожие позиции и дополнительно ранжирует их с учетом стоимости, близости категорий и фактического поведения покупателей.
Поиск по смыслу
Сейчас активно развивается использование больших языковых моделей (LLM) в поиске. Вместо точного названия товара покупатель может сформулировать запрос привычным языком: например, «что-нибудь к фильму» или «на завтрак». Модель интерпретирует смысл запроса и подбирает подходящие товары, которые есть в ассортименте магазина.
Такой подход повышает не только конверсию, но и удобство использования сервиса: человеку не нужно помнить точное название товара — достаточно описать ситуацию.
Почему при внедрении проблема не в алгоритмах
Когда речь заходит о машинном обучении, интуитивно хочется обсуждать качество моделей. На практике же большинство сложностей внедрения связано совсем не с ними.
Все начинается с данных
Без качественных данных не сработает ни один ML-проект.
Рекомендательные модели строятся на истории покупок и действий клиентов, а поиск аналогов требует правильной нормативно-справочной информации о товарах. Если данные неполные, содержат ошибки или плохо структурированы, алгоритмы не смогут показать хороший результат.
Поэтому первый этап большинства проектов — вовсе не разработка модели, а подготовка данных.
Факт наличия модели проблему не решает
ML-модель — лишь часть бизнес-процесса. Например, прогнозировать вероятность оттока недостаточно. Сначала важно понять, какое действие действительно помогает вернуть клиента, протестировать этот сценарий, и только потом подключать ML. Именно недостаточная зрелость процессов часто становится главным ограничением.
Не все задачи стоит решать через LLM
Большие языковые модели отлично работают с текстами и пониманием контекста. Но там, где требуется анализировать огромные массивы данных, строить сложную сегментацию или искать закономерности в поведении покупателей, классические алгоритмы машинного обучения пока остаются эффективнее.
Поэтому для персональных рекомендаций или сегментации по-прежнему используется классический ML, а LLM занимают свою нишу — работу с пониманием смысла запроса.
Не менее важна инфраструктура
По данным исследований BCG и Georgian/NewtonX, компании чаще сталкиваются не с ограничениями самих моделей, а с проблемами интеграции. И острее с этим обстоит ситуация у B2B-компаний.
Недостаточно построить алгоритм — его нужно встроить в кассовую систему, мобильное приложение, процессы маркетинга и существующую инфраструктуру данных. Пока этого не произошло, даже самая точная модель остается экспериментом.
Что мы делаем в Set Loyalty
На базе нашей платформы мы развиваем собственное ML-направление. Сейчас мы тестируем первые модели на обезличенных данных CDP и развиваем несколько направлений:
Скоринг клиентов — оценка ценности покупателя и вероятности целевого действия
Next Best Offer — подбор наиболее релевантного предложения для каждого клиента
Практика показывает: аналитика без машинного обучения уже приносит пользу, но следующий уровень эффективности связан именно с продвинутыми моделями — Next Best Offer, Next Best Action, прогнозом оттока и скорингом клиентов. В CDP уже хранится история поведения покупателей — именно те данные, на которых строятся подобные модели. Наша задача — превратить их в измеримую ценность для ритейлера в виде роста выручки и снижения затрат.
Как мы проверяем гипотезы
Мы сознательно не пытаемся решить все задачи сразу. Для начала берем одну бизнес-гипотезу и проверяем ее на данных. Например, может ли модель подобрать аудиторию для промо эффективнее, чем маркетолог при ручной сегментации.
Для этого используем историю покупок, свойства товаров и обезличенные характеристики клиентов в CDP, после чего сравниваем результаты по бизнес-показателям: конверсии, среднему чеку и стоимости привлечения. Если эффект подтверждается, развиваем модель дальше и переходим к следующей гипотезе. Таким образом приходим к схеме, где данные начинают приносить ритейлеру ощутимую пользу.
Какой эффект ожидаем
По оценкам практиков и данным сопоставимых проектов, использование ML позволяет увеличить выручку мобильных приложений на 5-8%, сайтов — до 15-23% (с учетом эффекта низкой базы у начинающих), а также повысить выручку и маржинальность офлайн-ритейла на 1–2%.
Мы рассматриваем эти значения не как обещание результата, а как ориентир для проверки гипотез.
Почему мы говорим об этом
Наша цель — последовательно развивать ML-инструменты внутри Set Loyalty. Мы уже реализуем совместные проекты с ритейлерами и открыты к новым партнерствам: у нас есть платформа, есть данные, команда и привлеченная экспертиза. Мы не обещаем универсальный искусственный интеллект, который автоматически решит все задачи бизнеса, а развиваем ML-направление, где результат можно оценить через конкретные бизнес-метрики.
Если вы хотите обсудить запуск пилотного ML-проекта на данных вашей сети — свяжитесь с нашей командой: ecommerce@crystals.ru, +7 (812) 331-22-55 или оставьте заявку на нашем сайте.
