Досвід Фокстрот: як збільшувати продажі в еру AI

Досвід Фокстрот: як збільшувати продажі в еру AI

Сьогодні
  203
Оксана Дудка

На RAU Expo 2025 СМО Фокстрот Олег Нікольський та СРО eSputnik Олег Лєсов поділилися досвідом успішної співпраці ритейлера з платформою клієнтських даних. Вони розповіли, як інновації в персоналізації та товарних рекомендаціях сприяють зростанню продажів, допомагають утримувати клієнтів та підтримувати лояльність.

Фокстрот — перша українська мережа магазинів електроніки та побутової техніки. Один з найбільших омніканальних ритейлерів країни, який постійно розвиває персоналізацію клієнтського досвіду для 13 млн клієнтів та впроваджує нові інструменти й механіки.

У 2014 році Фокстрот зміцнив цей напрям, обравши eSputnik як надійного партнера з маркетингу, з яким зручно зростати, а кожна ідея отримує швидку реалізацію.

Як починалася співпраця Фокстрот та eSputnik

Починаючи з 2014 року, Фокстрот розвиває персоналізований маркетинг у співпраці з eSputnik. Тоді ж впровадили перший канал комунікації — e-mail, що швидко довів свою ефективність. Згодом Фокстрот масштабував взаємодію з клієнтами, додаючи нові канали та функціональність.

За 11 років співпраці з eSputnik Фокстрот:

  • інтегрував 8 каналів комунікації (e-mail, віджети, web push, mobile push, App Inbox, In App, Viber, Telegram);
  • налаштував 77+ тригерів, 15 із яких — кастомні, адаптовані під унікальні потреби ритейлера;
  • впровадив персональні товарні рекомендації на сайті та розширив їх на директ-канали, офлайн та call-центр;

Єдине бачення клієнта

Єдиний профіль клієнта в CDP — це не просто список покупок та контактні дані. Це повноцінна та хронологія взаємодії з брендом, зібрана в одному місці. Саме такий профіль допомагає Фокстроту персоналізувати комунікацію для кожного клієнта.

В єдиній картці контакту система об’єднує дані про:

  • взаємодію з розсилками: доставка повідомлень, відкриття, кліки, відписки, скарги на спам;
  • поведінку на сайті та у мобільному застосунку (тривалість сесії, перегляди, пошук, додавання до кошика), офлайн-дані з CRM (покупки, звернення до кол-центру, параметри замовлень);
  • демографію: вік, стать, місто тощо.

Єдиний погляд на клієнта забезпечує актуальність та правильність комунікацій бізнеса зі споживачем. Наприклад, Микола переглядає телевізори на сайті — CDP знає про нього наступні дані: 

  • демографічні — 37 років, проживає у Київі тощо;
  • історичні — два місяці тому він купив кавомашину;
  • поведінкові — останній перехід на сайт з промо-розсилки; переглядав Х категорію товарів.

Система розуміє, що Микола переглядав телевізори конкретного виробника з середнього цінового сегменту, тому пропонує йому розглянути певні моделі, які можливо він не знайшов самостійно, але вони з високою вірогідністю зацікавлять його, адже відповідають його запитам. Оскільки клієнт добре взаємодіє з каналом e-mail, то подальша комунікація буде підтримуватися цим каналом в першу чергу. 

Завдяки тому, що CDP об’єднує всі канали створюється безшовний досвід для клієнта в усіх точках взаємодії. Такий підхід допомагає Фокстрот не лише збільшувати продажі, а й будувати довгострокову лояльність клієнтів.

Тригери — автоматизований персональний супровід клієнта

360-градусне розуміння клієнта дозволяє бізнесу відправляти повідомлення в потрібний момент і через правильний канал (e-mail, Viber, push, App Inbox), аби повернути клієнта і стимулювати покупку. Щоб автоматизувати точну взаємодію з мільйонами клієнтів компанія розробила широку карту тригерів, де певний сценарій спрацьовує, коли клієнт виконує конкретну дію.
Кожен з використовуваних PRO-тригерів відіграє важливу роль для ритейлера, а найефективніші з них:

  • За CTR — група про зниження ціни. Левова частина успіху цих тригерів залежить від команди Фокстроту, яка налаштовує знижки, постійно їх оновлює, додає логіку з промокодами. Це в сумі з автоматизацією дає хороший CTR.

  • За конверсією:
    1. Покинута категорія: нагадування про переглянуті товари.
    2. Зниження ціни на товар у кошику: сповіщення про акції на товари в кошику.
    3. Покинутий кошик: заклик завершити покупку.

Як бачимо, різні тригери показують найкращі результати за CTR та CR. Це залежить від їх направленості, бо деякі сценарії працюють на збільшення трафіку на сайт, інші — зростання покупок. 

В eSputnik тригери тарифу Professional посилені товарними рекомендаціями, які підбираються персонально для кожного клієнта.

“Найкращі результати приносить комплексна система: на всіх етапах воронки продажів використовуйте відповідні ланцюжки у різних каналах комунікації”, — коментує Олег Лєсов. 

Товарні рекомендації 2.0: трансформерна модель + LLM

Два роки тому eSputnik здійснив прорив у товарних рекомендаціях, перейшовши до трансформерної моделі, посиленої великими мовними моделями (LLM). Цей підхід кардинально змінив персоналізацію, порівняно з попередніми алгоритмами, і приніс значне зростання ключових метрик.

Як працювали рекомендації раніше

До 2019 року Фокстрот використовував колаборативну фільтрацію, яка базувалася на схожості між товарами та поведінкою користувачів. Наприклад, якщо клієнт купував телевізор, система пропонувала аксесуари (як-от саундбар) або схожі моделі, які часто купували разом з цим товаром. Алгоритм аналізував історичні дані: якщо два товари часто клікали чи купували разом, вони вважалися пов’язаними. Однак цей підхід мав обмеження: він не враховував контекст дій клієнта, не міг ефективно обробляти нові товари без історії продажів.

Як працює трансформерна модель

У 2019-20 роках eSputnik впровадив трансформерну модель, яка аналізує послідовність дій клієнта — від переглядів і пошуків до додавання в кошик, покупок, як онлайн, так і офлайн. Ця архітектура глибокого навчання дозволяє системі “розуміти” не лише окремі дії, а й їхній контекст і взаємозв’язки.

З 2024 року великі мовні моделі (LLM) посилили трансформерну модель, додаючи до ШІ можливість аналізу характеристик товарів: категорії, бренду, ціни, описів. 

Нова модель дозволяє створювати рекомендації, які розуміють суть товару, а не лише його ID.

Раніше машина бачила лише поведінку користувачів: якщо два товари часто клікаються разом, вони вважалися схожими. Але тепер АІ розуміє, що це за товар, його суть, і підбирає точніші рекомендації.

Ключові переваги Трансформерної моделі + LLM:

  • Аналіз послідовності дій: враховує порядок і тривалість взаємодій.
  • Контекстуальне розуміння: визначає, чи шукає клієнт акційні товари, чи преміум-продукти.
  • Глибокі зв’язки: пропонує сумісні товари (до кавомашини — капсули, до телевізора — саундбар).
  • Обробка нових товарів: система може рекомендувати товари, які нещодавно додані до каталогу. 
  • Робота з мінімальними даними: АІ підбирає рекомендації для продуктів без історії купівель завдяки аналізу характеристик
  • Релевантна заміна товару: підбір максимально аналогічних товарів до тих, які не в наявності.

Як це виглядає на практиці

Клієнт переглядає ігрову консоль, потім шукає геймпади, а раніше цікавився VR-окулярами. Колаборативна фільтрація могла запропонувати популярну гру, яку купували разом із консоллю. А трансформерна модель зафіксує інтерес до інтерактивних розваг і запропонує спеціалізований VR-контролер, навіть якщо такі комбінації раніше не купували. Завдяки тому, що LLM додатково аналізує описи товарів, система може запропонувати новинки без історії продажів, вирішуючи проблему “холодного старту”.

Результати оновлення алгоритму 

Поєднання трансформерної моделі + LLM дало ще кращі результати: 

  • +33% — зростання CTR блоків рекомендацій. 
  • ×2.08 до трафіку — по блоку “Персонально для вас”.

“Треба відзначити, що це не був холодний старт — рекомендації у Фокстроті працюють вже вісім років: система давно працює з величезним обсягом даних про поведінку клієнтів. При цьому, зміна алгоритму суттєво покращила користувацький досвід”, — підкреслює Олег Лєсов. 

Товарні рекомендації 3.0: розумна категоризація товарів

Здавалося б, рекомендації вже працювали дуже добре, але команда eSputnik помітила, що ритейлер втрачав можливості через надто широкі категорії товарів. Раніше АІ просто не підбирав товари з однієї категорії, аби уникнути дублювань у рекомендаціях. Це обмежувало крос-продажі, коли в межах однієї категорії є функціонально різні товари, які мають сенс в спільному використанні. Щоб вирішити це, eSputnik впровадив LLM-модель, яка самостійно уточнює підкатегорії товарів і формує більш точні, доречні рекомендації.

Як це працює

LLM-модель аналізує категоріальне дерево (десятки тисяч товарів) і визначає функціональні зв’язки. Модель уточнює підкатегорії та пропонує сумісні чи доповнюючі продукти. Це автоматизує підбір, подібно до роботи категорійного менеджера.

Наприклад, у категорії “Зубні щітки” знаходяться різні товари: щітки, аксесуари для догляду, насадки, підставки, дорожні футляри тощо. У класичній логіці блоку “Купують разом” система не рекомендує товари з тієї ж категорії, щоби уникнути нерелевантних пар (дві однакові щітки). 

Завдяки рекатегоризації тепер можна запропонувати клієнтові логічні доповнення до покупки: насадку або футляр. Система сформує релевантні пари товарів навіть з тієї самої загальної категорії, підвищуючи якість персоналізації та крос-продажів.

Результати блоку “З цим товаром купують” (березень-травень 2025):

  • +39% до CTR.
  • зростання продажів аксесуарів у 1,5 раза.

Про результати співпраці

“Ми дуже задоволені співпрацею. Ця LLM-модель додає величезну цінність до наших пропозицій. Ми підвищили LTV, дохід, скоротили використання маркетинг-бюджету та робочих ресурсів. Ми збільшили retention, кількість повторних продажів, підвищили конверсію вдвічі по певних тригерах. eSputnik — наш основний стратегічний партнер у ретеншен, і ми залюбки йдемо назустріч один одному”, — каже Олег Нікольський.

Що далі

Фокстрот планує максимізувати персоналізацію користувацького досвіду. Ключові напрямки:

  1. Розвиток карти тригерів: продовження створення деталізованих сценаріїв для всіх етапів клієнтського шляху.
  2. Предиктивна сегментація: прогнозування потреб клієнтів за допомогою AI, наприклад, ймовірність покупки певної категорії.
  3. Покращення рекомендацій: удосконалення моделей із урахуванням сезонності та трендів.
  4. Розширення в мобільному застосунку: більше персоналізованих пропозицій у застосунку, де клієнти проводять значний час.

Повне відео виступу дивіться на youtube-каналі esputnik

Співпраця Фокстрот та eSputnik — наочний приклад того, як стратегічне партнерство та передові технології можуть забезпечити якісний маркетинг у ритейлі. За 11 років співпраці ритейлер пройшов шлях від емейл-розсилок до персоналізації нового рівня. При тому, що Фокстрот має всі можливості для власної розробки будь-якої функціональності, ритейлер обирає eSputnik як готове рішення. Оскільки співпраця з CDP економить час та ресурси компанії, а всі ідеї ритейлера розвиває та втілює досвідчена команда платформи.

Завдяки спільній роботі ритейлера з eSputnik, забезпечено єдиний погляд на 13 млн клієнтів, якісний супровід клієнтів завдяки тригерам та інноваційним алгоритмам товарних рекомендацій. 

Наведені успішні кейси впровадження трансформерної моделі + LLM, а потім і рекатегоризації — демонструють, як розвиток AI-технологій у поєднанні з CDP eSputnik дозволяє ритейлеру збільшувати продажі та залучення клієнтів.

eSputnik став для Фокстроту не просто платформою, а партнером, який пропонує кастомні рішення під запит клієнта, надає аналітику та постійну підтримку від ідеї до впровадження і вимірювання результатів. У планах ритейлера — ще глибша інтеграція AI для предиктивної сегментації та розширення персоналізації в мобільному застосунку, що відкриває нові горизонти для зростання.


До останніх новин До популярних новин Підписатись на TG канал

Поділіться цією новиною в соціальних мережах


Читайте також

Усі новини ринку