Машинное обучение в ритейле: где оно уже работает, что мешает внедрению и зачем Set Loyalty развивает собственное ML-направление

За последние несколько лет ИИ стал одной из самых обсуждаемых тем в ритейле. Но за большим количеством громких заявлений не всегда легко понять, какие сценарии уже приносят бизнесу понятные показатели, а какие пока остаются идеями.

Какие ML-инструменты действительно помогают увеличивать выручку и улучшать клиентский опыт? Почему многие проекты так и не доходят до промышленного внедрения? И какую роль машинное обучение может сыграть в развитии программ лояльности?

Разбираем, где ML уже доказал свою эффективность и какие барьеры чаще всего мешают компаниям реализовать его потенциал.

Где ML уже приносит прибыль

Несмотря на общий ажиотаж вокруг AI, список по-настоящему успешных сценариев применения ML пока остается относительно небольшим. Но именно эти кейсы особенно интересны, поскольку уже подтверждены опытом.

Персональные рекомендации

Рекомендательные системы сегодня являются ядром персонализации. Именно тут машинное обучение помогает увеличивать средний чек, конверсию и частоту покупок за счет подбора подходящих товаров, предложения аналогов и напоминаний о потенциально интересных позициях.

Например, один из крупных FMCG-ритейлеров внедрил рекомендательную модель в сервис «пустого поиска» — блок подсказок, который отображается еще до ввода запроса. В результате конверсия в добавление товара выросла на 35%, а маржа на пользователя — на 36%. При этом сервисом ежемесячно пользуются около 2,6 млн человек.

Как правило, такие системы работают в два этапа. Сначала из ассортимента примерно в 30 тыс. SKU отбираются несколько сотен наиболее релевантных кандидатов. Затем модель ранжирует их по вероятности покупки, учитывая активность пользователя, средний чек, цену, маржинальность и другие факторы.

На первом этапе чаще всего применяется коллаборативная фильтрация. Система анализирует взаимосвязи между покупателями и товарами и предлагает позиции, которые с наибольшей вероятностью заинтересуют конкретного человека. На следующем этапе развития таких решений используются нейросетевые модели, способные прогнозировать уже не отдельную покупку, а следующее действие пользователя на основе всей истории его поведения.

Подбор аналогов — борьба с отсутствующими товарами

Еще один сценарий, напрямую влияющий на выручку — поиск замены отсутствующим товарам.

Когда нужной позиции нет в наличии, ML-модель предлагает максимально релевантный аналог. У одного из ритейлеров такой сервис ежемесячно охватывает около 754 тыс. пользователей, а более 110 тыс. покупателей добавляют предложенную замену в корзину.

Технологически это решение строится на векторном поиске. Описание товара, его характеристики, название и категория превращаются в математические векторы, после чего система находит наиболее близкие позиции и дополнительно ранжирует их с учетом стоимости, близости категорий и реального покупательского поведения.

Поиск по смыслу

Одно из наиболее активно развивающихся направлений сегодня — использование больших языковых моделей (LLM) в поиске.

Вместо точного названия товара покупатель может сформулировать запрос обычным языком: например, «что-нибудь к сериалу» или «для дня рождения». Модель интерпретирует смысл запроса и предлагает подходящие товары, имеющиеся в ассортименте.

Ценность не только в росте конверсии, но и в улучшении клиентского опыта: покупателю не нужно угадывать точное название товара — нужно просто описать свою потребность или ситуацию.

Почему главные сложности не связаны с алгоритмами

Если внимательно посмотреть на успешные ML-проекты, станет понятно — основные препятствия находятся не внутри моделей, а вокруг них.

Качественные данные — основа любой модели

Без качественной истории покупок и действий пользователей, а также правильной нормативно-справочной информации не работает ни одна ML-система.

Рекомендательные модели строятся на истории продаж и клиентских действий, а поиску аналогов нужны корректные описания товаров. Если данные содержат ошибки, дубли или плохо структурированы, хорошего результата не будет. Поэтому первый этап большинства проектов связан не с построением моделей, а с наведением порядка в системе.

Зрелость процессов важнее зрелости моделей

Нанять специалистов по машинному обучению и построить модель недостаточно — на практике модель является лишь частью end-to-end решения.

Например, прогнозировать вероятность оттока клиентов недостаточно. Необходимо понимать, каким именно предложением или коммуникацией возвращать покупателя, проверить эффективность самого механизма удержания и только затем подключать машинное обучение. И до такого уровня зрелости процессов пока доходят далеко не все компании.

Не все задачи стоит решать через LLM

Большие языковые модели отлично работают с текстом и пониманием контекста, но уступают классическому ML в задачах сложной клиентской аналитики и сегментации.

Сегодня почти нет примеров, где LLM показывали бы лучшие результаты в задачах прогнозирования поведения покупателей, построения сегментов или анализа больших массивов транзакционных данных.

Поэтому для рекомендаций, скоринга и сегментации по-прежнему лучше использовать классическое машинное обучение, тогда как у LLM есть собственная ниша — работа с пониманием смысла пользовательских запросов.

Инфраструктура и интеграция

Согласно исследованиям BCG и Georgian/NewtonX, главными барьерами остаются незрелая инфраструктура данных, сложность интеграции моделей в реальные бизнес-процессы и требования к безопасности и защите персональных данных.

Недостаточно создать точный алгоритм. Его нужно встроить в кассовые системы, мобильные приложения, процессы маркетинга и существующую ИТ-инфраструктуру. И пока этого не случилось, даже самая качественная модель остается экспериментом.

Почему Set Loyalty развивает собственное ML-направление

Set Loyalty представляет собой CDP-платформу для управления маркетингом в ритейле: сегментация клиентов, более 100 акционных механик, омниканальные коммуникации, встроенная аналитика и нативная интеграция с кассой. Более 50 ритейлеров в восьми странах пользуются SL для запуска механик удержания, реактивации и работы с оттоком без привлечения ИТ-команд.

На этой базе мы начали развивать собственный ML-функционал. Первые модели уже проходят проверку на обезличенных данных CDP.

Сейчас развитие идет по нескольким направлениям:

1. Скоринг клиентов — оценка ценности покупателя и вероятности целевого действия
2. Next Best Offer — подбор наиболее релевантного предложения для каждого клиента
3. ML-сегментация промо — автоматический подбор аудитории для маркетинговых кампаний.

Практика показывает, что наличие аналитических инструментов уже создает ценность для бизнеса. Но следующий уровень эффективности связан именно с продвинутыми моделями: Next Best Offer, Next Best Action, прогнозированием оттока и скорингом.

В CDP уже есть история поведения покупателей — это фундамент, на котором строятся подобные модели. Логично дальше превратить эти данные в измеримую ценность для ритейлера.

Как проверяются гипотезы

Вместо попытки решить сразу все задачи мы начали с проверки отдельных бизнес-гипотез.

Одна из них — может ли ML-модель подбирать аудиторию для промо эффективнее, чем маркетолог при ручной сегментации?

Чтобы ответить на этот вопрос, используются история покупок, свойства товаров и обезличенные характеристики клиентов, после чего результаты сравниваются по бизнес-метрикам: конверсии, среднему чеку и стоимости привлечения. А если гипотеза подтверждается, модель дорабатывается и масштабируется на новые сценарии.

Так данные перестают быть историей покупок и превращаются в измеримую пользу.

Какой потенциал у ML в ритейле

По оценкам практиков и данным сопоставимых проектов, использование ML-инструментов может обеспечивать:

1. Рост выручки мобильных приложений на 5–8%
2. Рост выручки сайтов до 15–23% (с учетом эффекта низкой базы)
3. Увеличение выручки и маржинальности офлайн-ритейла на 1–2%.

Конечно, эти показатели нельзя рассматривать как гарантированный результат. Скорее это рыночный ориентир, который помогает формировать и проверять гипотезы.

Резюмируя

Сегодня рынок переходит от теоретического обсуждения ИИ к поиску практических бизнес-сценариев, где машинное обучение действительно способно создавать ценность. И Set Loyalty принимает в этом активное участие — у нас уже есть платформа, накопленные данные, команда разработки и привлеченная экспертиза.

На данном этапе мы смотрим на ML не как отдельную технологию, а как на следующий этап развития клиентской аналитики и персонализации. А если вам интересно обсудить возможный ML-пилот, обменяться опытом или проверить гипотезы на данных вашей сети, будем рады диалогу ←

Больше интересных постов и событий — в канале «Лояльно говоря». Подписывайтесь в Telegram и MAX.