В розничной торговле персонализация стала стандартом, но качество ее реализации сильно различается. Простые подходы (ручная сегментация) не учитывают нюансы поведения отдельных покупателей. Классические ML-модели дают более точные рекомендации, но не всегда корректно интерпретируют неполные или противоречивые данные. Например, одной картой лояльности может пользоваться вся семья, а в анкете клиента указан неверный возраст или пол. В результате предложение оказывается нерелевантным, а покупатель перестает реагировать на коммуникации.
«Группа Лента» усилила классические модели машинного обучения с помощью больших языковых моделей (LLM). Решение от команды Lenta tech (ИТ-бренд «Группы Лента») формирует структурированный цифровой клон клиента — профиль, который включает привычки, состав домохозяйства, ценовые предпочтения и возможные скрытые потребности — на основе анализа чеков за последние 90 дней.
Как это работает
Система получает данные: история чеков, частота визитов, категории товаров, скидки, ценовые сегменты. На их основе LLM строит гипотезы о покупательском поведении. Затем полученные профили нормализуются: конфликтные данные (например, разные гипотезы о поле или возрасте по разным временным окнам) разрешаются в пользу наиболее частотных значений. Гипотезы с низкой уверенностью отбрасываются. Это позволяет избежать атрибутов, которые могли бы исказить итоговый портрет.
Для каждого вывода модель фиксирует обоснование: какие категории товаров и паттерны покупок привели к той или иной гипотезе. Это повышает доверие со стороны бизнес-пользователей и упрощает отладку.
Результаты пилота
В рамках пилотных запусков CVM-кампаний с использованием цифрового клона в «Гипер Ленте», охвативших более 1 миллиона активных клиентов, были достигнуты следующие результаты:
• Рост товарооборота порядка 15%;
• Рост маржинальности порядка 11%;
• До +30% отклика на клиентские коммуникации по сравнению с базовыми сценариями.
Полученные результаты показывают, что использование языковых моделей дополняет классические ML- и uplift-модели, усиливая их за счет повышения релевантности взаимодействия с клиентом.
Зачем это ритейлу
Цифровой клон решает три ключевые задачи:
1. Интерпретация неполных данных. Когда анкетная информация отсутствует или заведомо неверна, LLM «достраивает» портрет на основе поведенческих паттернов.
2. Разделение смешанных профилей. Если картой пользуются несколько человек, модель выделяет доминирующие сценарии потребления.
3. Обнаружение скрытых потребностей. Исторические данные могут содержать шум и редкие нестандартные покупки, которые не отражают реальное поведение. Модель находит скрытые потребности и анализирует их.
Рынок ритейла становится все более конкурентным, а покупатель — все чувствительнее к нерелевантному шуму. Использование больших языковых моделей для построения цифровых клонов клиентов позволяет не просто улучшить метрики отклика, но и глубже понять структуру спроса и реальное поведение домохозяйств.
Команда Lenta tech планирует дальнейшее развитие подхода — масштабирование на большую клиентскую базу и расширение круга задач, которые можно решать через «расспрос» цифрового клона.
___
Российское Ритейл Шоу/Russian Retail Show и Выставка Ритейл ТЕХ Экспо/Retail TECH Expo (21–23 апреля 2026 года) — главное мероприятие о трансформации отрасли розничной торговли. Российские и международные тренды, дискуссии на ключевые темы отрасли, кейсы, бизнес-практики и инновации:
