Вы когда-нибудь получали предложение со скидкой на товар, который купили вчера? Или, что ещё обиднее, — на то, что никогда не покупали и не планировали? Я уверен, что да. И в этот момент вы, скорее всего, подумали: «Они вообще не понимают, кто я и что мне нужно». Знаете, вы абсолютно правы.
Маркетинговые бюджеты компаний тают ежегодно на подобных акциях — миллионы долларов уходят в никуда, превращаясь в цифровой шум, который потребители научились фильтровать ещё на уровне бессознательного восприятия. Мы просто перестали замечать эти письма, пуш-уведомления и баннеры. Но почему так происходит, и главное — есть ли способ это исправить?
Недавно я наткнулся на кейс, который заставил меня по-новому взглянуть на возможности персонализации в ритейле. Команда Lenta Tech (это ИТ-подразделение «Группы Лента») предложила радикальное решение: вместо того чтобы пытаться угадать желания клиента через громоздкие сегменты вроде «любит кофе» или «семья с детьми», они создали его цифровую копию. И, знаете, результаты говорят сами за себя: отклик на коммуникации вырос до 30%, а маржинальность увеличилась на 11%. Давайте разберёмся, как им это удалось и почему это меняет правила игры.
Традиционная персонализация: почему она напоминает стрельбу из лука с закрытыми глазами
Представьте, что вы собираетесь купить подарок для близкого человека. Вы знаете, что он любит спорт, но не знаете, какой именно вид, какого бренда предпочитает экипировку и в каком ценовом диапазоне готов рассматривать варианты. Вы идёте в магазин и покупаете первое, что попадается под руку. Вряд ли это будет хороший подарок, правда? Согласитесь, вы просто потратите деньги впустую.
Именно так сегодня работают большинство программ лояльности в крупных сетях. Маркетологи делят нас на группы по двум основным сценариям. Первый — ручной: когда специалисты вырезают сегменты вроде «покупатели с детьми» и назначают им набор скидок. Второй — полагаются на классические ML-модели, которые вычисляют вероятность нашей покупки и стараются предложить наиболее комфортный оффер.
Эти подходы имеют фундаментальное ограничение: они воспринимают человека как набор статистических показателей, а не как целостную систему поведения. Попробую объяснить на аналогии. Представьте, что вы слушаете любимую песню, но вместо неё вам включают отдельно бас-гитару, отдельно вокал и отдельно ударные. По отдельности это звучит странно. Так и здесь: модель видит, что вы купили молоко, яйца и хлеб, но не понимает, что это был завтрак для встречи друзей или внезапный обед, когда не было времени готовить.
В результате мы получаем парадокс: систему, которая игнорирует контекст, щедро раздающую скидки на товары, которые мы и так покупаем регулярно. Это как предложить рыбе велосипед: вроде и забота, а толку ноль.
Цифровой клон: когда алгоритм начинает понимать ваши истинные мотивы
Итак, что же придумали в «Ленте»? Они решили создать для каждого постоянного покупателя его цифрового двойника. Звучит как научная фантастика, но на самом деле это вполне прагматичный технологический подход.
Вместо того чтобы работать с обезличенными транзакциями, система анализирует историю покупок за последние три месяца, но делает это с совершенно иной глубиной. Представьте себе портрет, который пишет художник, — он смотрит не только на черты лица, но и на настроение модели, освещение, контекст момента. Так и ИИ-модель в «Ленте» не просто фиксирует, что вы купили палку колбасы, а пытается понять, почему вы выбрали именно её, в какое время суток вы это сделали, с какими товарами она сочеталась и какой ценовой сегмент вас устроил.
Этот подход принципиально меняет философию маркетинга. Маркетолог больше не гадает, что отправить клиенту, а получает готовый, расширенный профиль с объяснением логики выводов. Система может сказать: «Этот клиент, скорее всего, живёт один, предпочитает готовить быстрые блюда, чувствителен к цене, но в выходные позволяет себе небольшие гастрономические удовольствия». Согласитесь, это уже не просто строка в базе данных, а практически осязаемый портрет человека.
Знаете, меня всегда поражало, что ритейлеры владеют колоссальным объёмом информации о нас, но не умеют её использовать по-настоящему. Здесь же они наконец нашли ключ к этому сундуку.
Почему для этого понадобились мощные облачные GPU и при чём тут безопасность данных
Вы, наверное, спросите: «Хорошо, но зачем для этого понадобились какие-то особые вычисления? Разве нельзя было обойтись обычными серверами?» Этот вопрос как нельзя лучше подводит нас к технической стороне вопроса.
Большие языковые модели — это прожорливые создания. Они требуют огромной вычислительной мощи, сравнимой с целым дата-центром, умещённым в несколько стоек. Именно поэтому «Лента» обратилась к облачным GPU VK Cloud. Это решение позволяет не покупать дорогостоящее оборудование, которое может простаивать, а арендовать вычислительные ресурсы по мере необходимости.
Представьте, что вы не покупаете грузовик для перевозки одного дивана, а берёте его в аренду на час. Здесь примерно такая же логика. Но это не просто вопрос экономии. Этот подход даёт возможность масштабироваться гибко и быстро, добавляя мощности по мере роста числа клиентов и усложнения сценариев использования ИИ.
И здесь возникает самый тонкий момент — конфиденциальность. Нам, как покупателям, важно понимать, что наши данные не утекают в открытый доступ и не используются в сыром виде. В «Ленте» это учли: информация о покупках обезличивается перед тем, как попасть в модель. Это как если бы вы рассказали анекдот, но убрали из него имена и географические названия — суть осталась, а личность рассказчика не раскрыта. Доступ к инфраструктуре и моделям строго контролируется, что является обязательным условием для работы с данными такого уровня.
Практические результаты и размышления о будущем ритейла
Теперь давайте поговорим о том, что же получилось в итоге. В пилотном проекте, который охватил более миллиона активных клиентов «Гипер Ленты», были получены показатели, которые заставляют уважать этот подход. Товарооборот вырос примерно на 15%, маржинальность увеличилась на 11%, а отклик на маркетинговые коммуникации взлетел на 30%.
За время тестов было сформировано более тысячи персонализированных инсайтов, которые легли в основу рекламных кампаний. Но самое важное — большие языковые модели не пришли на смену существующим инструментам аналитики. Они стали своего рода усилителем, который дополнил работающие механики персонализации.
Я хотел бы отметить один важный нюанс, который часто упускают из виду. Речь идёт не об автоматизации рассылок как таковой, а о более глубоком понимании покупателя. Это переход от массовых скидок к предложениям, основанным на реальном, глубоком понимании поведения клиента. Это уже не попытка угадать, что будет нужно завтра, а скорее тактический просчёт шагов покупателя на основе анализа его прошлых действий.
Как я вижу будущее? Вероятно, мы стоим на пороге новой эры в ритейле, где каждый клиент будет ощущать, что его действительно понимают. Цифровой клон — это не просто инструмент увеличения продаж, это способ сделать коммуникацию более человечной в мире, где цифровой шум становится невыносимым. И мне кажется, что такие инициативы должны стать новой нормой, ведь в конечном счёте выигрывают все: бизнес получает лояльного клиента, а клиент — действительно нужное ему предложение. Не удивлюсь, если через пару лет мы будем вспоминать сегодняшние сегментные рассылки как атавизм, вроде бумажных карт лояльности.
А что думаете вы по этому поводу? Готовы ли вы доверить нейросети понимание ваших покупательских привычек, если взамен получите по-настоящему персонализированный сервис?