Константин Грачев, заместитель директора по ИТ, АРР Софт
В условиях современной конкурентной среды компании стремятся не только к конкурентным ценам и разнообразию товаров, но и к обеспечению исключительного клиентского опыта.
Искусственный интеллект (ИИ) оказывается важным инструментом для определения предпочтений клиентов, автоматизации персонализации и создания устойчивых отношений. Важность ИИ также заметна в достижении высоких результатов в рамках бизнеса, где профессиональные подходы к анализу данных и их интерпретации играют ключевую роль.
Коротко разберём методы и подходы к выявлению предпочтений, основываясь на международном опыте и кейсах российских и международных компаний.
Поведенческий анализ. Применение RFM-анализа (Recency (Давность покупки), Frequency (Частота покупок), Monetary Value (Денежная ценность клиента)), когортного анализа и анализа кликов для выделения различных сегментов клиентов на основе их лояльности и ценности. RFM-анализ помогает разделить базу клиентов на группы: новые, спящие, активные, премиальные. Это позволяет формировать более точные прогнозы и адаптировать маркетинговые стратегии к специфике каждой группы.
Рекомендательные системы. Использование алгоритмов коллаборативной фильтрации и нейросетей для персонализированного подбора товаров на основе схожих предпочтений других пользователей. Эффективность таких систем блокируется лишь в тех случаях, когда данные о пользователях недостаточны или имеются пробелы в информации. О важности персонализации в своём отчёте пишет и BCG, прогнозируя, что лидеры ритейла, активно использующие персонализацию, могут получить до 570 млрд. долларов дополнительного роста к концу десятилетия https://www.bcg.com/publications/2024/personalization-in-action).
Анализ текстов и отзывов. Данные из обработки естественного языка (NLP) позволяют анализировать эмоциональные реакции клиентов и выявлять их ожидания, что обеспечивает компанию необходимыми инсайтами для улучшения их продукции и сервиса. NVIDIA, как основной поставщик электронных компонентов для индустрии ИИ, подчёркивает, что персонализация признана приоритетом инвестиций в ИИ для ритейла. (https://images.nvidia.com/aem-dam/Solutions/documents/retail-state-of-ai-report.pdf).
Прогнозирование оттока. Методологии машинного обучения, такие как классификация и регрессия, помогают предсказывать вероятность ухода клиентов, что способствует разработке удерживающих стратегий и улучшению клиентского опыта.
Новые подходы. Использование генеративного ИИ для создания уникальных описаний товаров и визуального контента, а также применение методов обучения с подкреплением для динамичной персонализации предложений исходя из текущих интересов клиентов.
Рассмотрим несколько практических примеров российских и зарубежных компаний. Онлайн канал безусловно идеален для применения современных подходов определения предпочтений и персонализации с помощью ИИ.
Ритейл и e-commerce компании открывают новые горизонты в росте выручки благодаря внедрению персонализированных подходов, что позволяет им эффективно конкурировать на рынке. Так Zolla через персонализацию сайта и рассылок демонстрирует рост выручки на 32,8% (https://mindbox.ru/journal/cases/zolla/), а YOU за год увеличила конверсию на 40% и средний чек на 41%. (https://mindbox.ru/journal/cases/you-personalization/). Walmart, применяя динамические лендинги, поиск и таргетинг с использованием ИИ, показал рост продаж на 20% (https://blog.aiwarmleads.app/5-ai-personalization-case-studies-2024/).
В Fashion стоит обратить внимание на успехи INCANTO в увеличении конверсии и среднего чека через автоматизацию email-маркетинга и рекомендаций, что позволяет быстро откликаться на изменения в спросе, и email-рассылки ежемесячно приносят 19% от общего дохода интернет-магазина (https://mindbox.ru/journal/cases/incanto/).
Примеры в доставке и HoReCa, где адаптация меню и предложений под реальные условия и предпочтения клиентов оказываются успешными, что ведет к увеличению лояльности, так персонализация коммуникаций в Магнит Доставка дала рост доли CRM-каналов с 12% до 20% (https://mindbox.ru/journal/cases/magnit-dostavka/). McDonald’s же, адаптируя меню в McDrive в зависимости от погоды и загрузки кухни, получил рост продаж дополнительных позиций на 20% (https://www.dynamicyield.com/case-studies/mcdonalds/).
Для эффективной работы технологический стек требует интеграций CRM, ERP, DMP: системы, позволяющие собирать, хранить и анализировать данные, а также использование различных алгоритмов прогнозирования и анализа данных, таких как глубокое обучение и машинное обучение, для улучшения понимания клиентских предпочтений.
Среди успешных примеров использования ИИ в определении предпочтений, следует отметить Amazon, которая применяет ИИ для прогнозирования будущих покупок и предварительной логистики) *
(https://www.forbes.com/sites/onmarketing/2014/01/28/why-amazons-anticipatory-shipping-is-pure-genius/), Zalando, где применение ИИ для персонализации подбора одежды с помощью создания персонального 3D аватара ведёт к снижению возвратов на 40% (https://corporate.zalando.com/en/technology/zalando-enhances-its-virtual-fitting-room-enabling-customers-create-3d-avatar-their-body), Carrefour, где была применена автоматизация с использованием технологий ChatGPT для улучшения клиентского опыта (https://www.carrefour.com/en/news/2023/carrefour-integrates-openai-technologies-and-launches-generative-ai-powered-shopping). Результаты их работы демонстрируют значимость применения ИИ для оптимизации процессов и взаимодействия с клиентами.
Разрабатывая ИИ инструменты, важно учитывать вопросы конфиденциальности данных и соблюдения нормативных требований, а также избегать создания "информационных пузырей", чтобы не ограничивать клиентов в их выборе и потребительских предпочтениях. Сохраняя прозрачность в использовании данных, компании могут устанавливать доверительные отношения со своими клиентами.
Цифровая трансформация идёт полным ходом, ИИ обогнал по скорости распространения электричество и интернет, за пару лет проникнув во все сферы нашей жизни. Тренды на ближайшие пару лет выглядят следующим образом. Предпочтения к генеративному ИИ, использование RL-агентов (reinforcement learning (обучение с подкреплением), как одно из самых интересных направлений применения ИИ для персонализации и прогнозирования поведения клиентов), омниканальность в взаимодействии с клиентами и внедрение голосовых интерфейсов - новых каналов коммуникации. Все эти направления демонстрируют, как технологии изменяют подход к организации клиентского сервиса и взаимодействию с целевой аудиторией. Так McKinsey ещё в 2024-ом году в своём исследовании подчёркивает, что масштабирование генеративного ИИ в ритейле даёт сотни миллиардов долларов эффекта. (https://www.mckinsey.com/industries/retail/our-insights/llm-to-roi-how-to-scale-gen-ai-in-retail).
Определение предпочтений клиентов с использованием ИИ стало важной составляющей стратегии роста бизнеса. Успешные кейсы как российских, так и международных компаний демонстрируют необходимость внедрения этих технологий для формирования стандарта клиентского опыта и улучшения качества обслуживания. Иными словами, использование существующей клиентской базы и привычных каналов коммуникации с клиентами, усиленных применением технологий на основе ИИ, позволит компаниям сократить отток, поднять лояльность и увеличить доходность бизнеса.