Представьте два сценария. В первом клиентка, которая каждую субботу покупает кофе и круассан в одной и той же сети кофеен, получает ту же рассылку, что и все остальные 200 тысяч человек в базе: «Скидка 10% на всё меню в честь дня города». Во втором — она получает предложение именно на тот товар, который берёт регулярно, именно в тот момент, когда это для неё актуально. В каком случае вероятность отклика выше?
Персонализированный подход давно стал нормой в онлайн-сервисах — стриминги, маркетплейсы и агрегаторы приучили аудиторию к контенту, который подобран именно под неё. Разница ощутима и в деньгах: по данным McKinsey, персонализация в среднем даёт рост выручки на 5–15% и повышает эффективность маркетинговых затрат на 10–30%.
Перенести такой же уровень точности в офлайн-ритейл — задача, которую пытаются решить уже давно. Вопрос в том, почему привычные инструменты с этой задачей справляются всё хуже, и что реально приходит им на смену.
Почему сегментация уже не справляется
Ритейл сегодня работает в условиях, когда обработать объём данных вручную физически невозможно. Тысячи SKU, десятки одновременных акций, множество каналов коммуникации — сайт, приложение, пуши, смс, касса. Конкуренция при этом растёт, маржа сжимается, а клиент уже ожидает от бренда персонального подхода.
Долгое время ответом на эту сложность была сегментация. Разбить базу на группы вроде «активные», «отток», «спящие» и настраивать акции на каждую из них отдельно. Но у такого подхода есть ограничение: сегменты приходилось собирать вручную, а значит, их количество всегда упиралось в ресурсы маркетинговой команды.
Кроме того, один и тот же клиент может одновременно попадать в несколько сегментов. В результате одни получают слишком много сообщений и устают от коммуникации, а другие, наоборот, остаются без внимания и быстро переходят в категорию «спящих» покупателей.
На практике типичная ручная сегментация охватывает только небольшую часть активной базы. Это приводит к конкретным потерям, и в первую очередь — в марже. Если акция настроена «на всех», компания раздаёт скидку в том числе тем клиентам, которые купили бы товар и без неё. То есть платит за продажи, которые случились бы бесплатно. Добавьте сюда ошибки при настройке промо, подарки без прироста лояльности и механики, которые запускаются для галочки — и получится нерадостная картина: огромные маркетинговые бюджеты при минимальном или непрозрачном возврате инвестиций.
Ответ на эту проблему — не нанять большую команду аналитиков, а выйти на новый уровень автоматизации принятия решений. Туда, где предложение формируется не для сегмента, а отдельно для каждого клиента, и делает это не человек, а ИИ-модель. Этот уровень называется гиперперсонализацией.
Что меняется при переходе к персонализации на основе ИИ
Разница между привычной персонализацией и гиперперсонализацией в том, для кого и на основе чего формируется предложение.
Обычная персонализация опирается на сегментацию: клиента относят к некой группе — «мамы с детьми», «отток», «любители кофе» — и дают одинаковый оффер для всей группы. В этом главная уязвимость подхода: сегменты часто подбираются вручную, их число ограничено, а внутри одной группы клиенты ведут себя по-разному. Из-за этого картина размывается, и часть клиентов внутри сегмента получает нерелевaнтное предложение, потому что их приравняли с остальными.
Гиперперсонализация устраняет это ограничение: вместо группы работа ведётся с конкретным клиентом. Это делает не человек, а система, которая учитывает десятки параметров одновременно: историю покупок, реакцию на предыдущие акции, чувствительность к цене, сезонность, состав чека, точку продаж.
Сама механика предложения обычно остаётся простой: это по-прежнему скидка или начисление баллов — на чек, на товар или на категорию. То есть «скидка 10% на молочные продукты» вполне может быть и предложением от системы гиперперсонализации. Но в этом случае предложение будет рассчитано на конкретного клиента — в нужный момент и с правильным размером скидки — а не выдано по шаблону всем подряд.
Как это работает в Loymax AI
Loymax AI — система принятия маркетинговых решений и формирования персональных предложений на основе ИИ, которая опирается на несколько принципов.
Единый профиль клиента. Система объединяет данные из POS, мобильного приложения, ecommerce и связывает идентификаторы одного и того же человека между разными точками контакта. Без этого предложения из разных каналов будут противоречить друг другу.
Один клиент — один сегмент. Вместо того, чтобы делить базу на группы, система формирует предложение индивидуально для каждого клиента здесь и сейчас.
Каскад моделей вместо универсальной формулы. Внутри платформы работает больше 300 AI- и ML-моделей. Они генерируют тысячи потенциальных гипотез — какую скидку, какому клиенту, на какой товар предложить. А после этого отбирают из них те, что дадут измеримый инкрементальный эффект (Uplift).
Если модель видит, что клиент купит товар и без скидки, предложение ему не отправляется. Из всех конкурирующих гипотез система выбирает и отправляет только одно, наилучшее предложение.
Управление в руках маркетолога. Машина не забирает все задачи на себя: бизнес-цели, на которые она работает, по-прежнему задаёт человек. Это может быть рост выручки, маржинальной прибыли, увеличение конверсии в участников акции. Можно решать и более частные задачи — например, повышать средний чек, расширять корзину или заменять товары в чеке на более дорогие аналоги.
Модель также учитывает заданные ограничения — маржинальность, условия сети, промо от поставщиков. И принимает решение внутри этих рамок с учётом бизнес-логики компании. Это превращает маркетинг из набора разрозненных активностей в системный процесс, где маркетолог становится стратегом, задающим цели и контролирующим результат.
Основной фокус платформы — именно на персональные промо: система определяет, какую скидку или сколько баллов начислить конкретному клиенту и на что именно. Помимо этого в Loymax AI есть модуль товарных рекомендаций — он подсказывает, какой товар предложить следующим. Это дополняющая функция к основной задаче по точному управлению экономикой промопредложений.
Что видит клиент
Модель подбирает товары и акции в реальном времени, которые заинтересуют клиента здесь и сейчас.
Каждое сообщение формируется для конкретного человека и уходит по каналу, который система считает наиболее эффективным именно для него — на основе статистики открываемости каналов и времени открытия. Это могут быть пуши, смс, электронная почта, баннеры в приложении, личный кабинет или печать на чеке. В масштабе крупной сети это означает до нескольких миллионов индивидуальных промопредложений в день.
Никакого чёрного ящика
Для бизнеса, который передаёт часть маркетинговых решений алгоритму, критично важен ответ на вопрос: почему система приняла именно такое решение. Здесь работает простой принцип — в каждом случае можно провалиться до конкретного клиента и увидеть, какое предложение ему было сделано и на основании чего.
Какие параметры учитывала модель, почему выбрала именно эту механику и этот размер скидки, а не другую. Это важно, ведь речь обычно идёт о реальном бюджете на скидки и бонусы.
Помимо уровня отдельного клиента эффект можно оценить на уровне всей кампании. Это делается через A/B-тестирование: часть базы получает персонализированные предложения, а контрольная группа нет. В этом случае разница в поведении этих групп становится измеримым эффектом от механики.
С чего начать
Для запуска гиперперсонализации не нужно ждать месяцы, прежде чем модель обучится с нуля. Система стартует на предобученных моделях — так называемых «холодных» данных — а потом дообучается на поведении конкретных клиентов компании. Чем больше собственной истории откликов на предложения накапливается, тем точнее становятся дальнейшие решения.
Практически процесс начинается с пилота на части клиентской базы. Его эффект также измеряется A/B-тестами: тестовая группа получает персонализированные предложения на основе Loymax AI, а контрольная работает по прежней схеме. По итогу сравниваются основные метрики: рост выручки, вовлечение ассортимента, изменение среднего чека и частоты покупок. Такой подход позволяет бизнесу перейти от гипотез в духе «наверное, сработает» к конкретным показателям на собственных данных. Эти данные компания получает до принятия решения о масштабировании на всю сеть.
Не только ритейл
Те же принципы работают и за пределами розницы: в финансах можно выстраивать основу для индивидуальных продуктовых рекомендаций, в госсекторе — предлагать гражданам именно те услуги, которые нужны сейчас, в здравоохранении — готовить персональные напоминания и профилактические рекомендации.
Хотя именно в ритейле у гиперперсонализации самый короткий путь от внедрения до измеримого результата — здесь больше точек касания с клиентом и больше данных о его поведении в моменте.
Кейс: как это сработало у «Самбери»
«Самбери» — крупнейший фуд-ритейлер на Дальнем Востоке, 390 магазинов и 75 000 SKU. До перехода на Loymax AI сеть управляла лояльностью через ручную сегментацию, что создавало несколько проблем: сегментация охватывала не более 15% активных клиентов, сегменты приходилось создавать вручную, подготовка акций и рассылок требовала значительных трудозатрат команды. Промо по факту были массовыми «для всех», точной оценки эффекта от акций тоже не было. Расти по товарообороту, не теряя при этом маржинальность, в таких условиях не получалось.
После внедрения Loymax AI сеть зафиксировала:
• рост товарооборота на 1,2–2% по всей сети
• рост маржинальности на 1–1,8%
• экономия времени команды маркетинга на ручную настройку акций и рассылок
• рост вовлечённости клиентов
• появление достоверной оценки эффекта каждой отдельной акции — то, чего в компании вообще не было до внедрения.
По результатам A/B-тестов Loymax, персональные промо в среднем дают рост валовой выручки на всей клиентской базе на 1,5–2%, вовлекая в акции 70–90% ассортимента, а персональные рекомендации массовых акций на целевой аудитории — рост выручки до 7% и вовлечение 7–12% ассортимента.
При этом технологии не исключают человеческий фактор целиком: качественный, эмоционально точный контент и стратегическое понимание своей аудитории по-прежнему остаются задачей маркетолога.
