Марія Цвид, Colobridge: Компанії, що інвестують в утримання клієнтів, отримують до 30% більше повторних покупок

Product owner Colobridge GmbH про можливості збільшення пожиттєвої цінності клієнтів (CLV) та їх лояльності за допомогою машинного навчання і штучного інтелекту. Що саме допомагає зробити правильну пропозицію потрібному клієнту в потрібний момент.

Німецький хмарний провайдер Colobridge GmbH працює на ринку 15 років і в останні чотири з них допомагає компаніям з великими базами клієнтів налаштувати персоналізацію, перетворюючи сирі дані у дієві інсайти. Аби кожен клієнт вважав себе єдиним і унікальним. Product owner Colobridge GmbH Марія Цвид розповіла про те, як машинне навчання та генеративний AI допомагає налаштувати цю персоналізацію.

Фокус на утримання клієнтів

Згідно з даними дослідження за 2024 рік української агенції інтернет-маркетингу Wedex, утримання наявних клієнтів наразі вартує бізнесу до п’яти разів дешевше, аніж залучення нових. У деяких сферах діяльності цей розрив сягає 25-кратної різниці. Водночас прозорість процесів утримання клієнта знижується. Канали комунікації дорожчають, так само як і трафік. Атрибуцію в маркетингу (розуміння, які саме канали та точки контакту з клієнтом призвели до конверсії) налаштувати складно. Cookie поступово зникають. Тому компанії, які регулярно інвестують саме в утримання клієнтів, їх розвиток, отримують до 30% більше повторних покупок, ніж ті, хто цього не роблять.

Власне гіперперсоналізація неможлива без трьох основних складників: якісні дані, аналітика й автоматизація, генеративний і предикативний AI. Зрозуміло, якщо дані не будуть повними, то не будуть коректними, як і прогнози, побудовані на їх основі. Дані потрібно обробляти і в цьому допомагає автоматизація циклу їх обробки, в тому числі за допомогою штучного інтелекту.

Термін гіперперсоналізація з’явився на ринку буквально два роки тому, визначаючи шлях покращення клієнтського досвіду, збільшення пожиттєвої цінності клієнтів (CLV) і відповідно – рівня продажів. Тобто це протилежність підходу «одне рішення для всіх».

Це одне повідомлення для одного клієнта з однією пропозицією. За дослідженням McKinsey, 71% клієнтів хочуть отримувати саме персоналізоване звернення, релевантне до їх потреб. При цьому 76% розчаровуються, коли його не отримують. Вочевидь, бути релевантною і видимою для клієнтів компанією – це конкурентна перевага.

Але тут головне питання – знати, що саме зараз хочуть ваші клієнти та чи взагалі зараз вдалий час для того, щоб провести комунікацію. Адже, можливо, він зараз незадоволений чимось і пропонувати йому новий продукт буде не дуже слушно. Тут простого знання потреб клієнта вже недостатньо аби визначити вдалий момент для комунікації. Відтак, для точного розуміння що і коли саме хоче отримати клієнт, потрібно здійснити три наступні кроки.

Три кроки для гіперперсоналізації

Перший крок – знати свого клієнта. Тобто всебічно розуміти, що сталося, що станеться і чому це станеться.

Друге – це мікросегментація. В Colobridge пропонують більше не використовувати 3-5 великих макросегментів, а ділити аудиторію на маленькі мікросегменти, всередині яких буде однорідна аудиторія. Ці клієнти будуть мати схожі інтереси та схожу цінність для компанії. І третій крок – це говорити з клієнтами персонально. Тобто створювати такі повідомлення, що будуть сприйматися, як особисті звернення. Наприклад, складання портрета клієнта зоомагазину.

Компанія вже може знати, скільки клієнт купив, на яку суму, на якому етапі життєвого циклу він знаходиться. Також, наприклад, яка саме домашня тваринка у нього є. В інших сферах ритейлу це можуть бути інші дані, наприклад, наявність алергії, якщо це харчові продукти.

Коли вже відомо, що сталося, вступає у гру машинне навчання аби передбачити, що станеться в найближчому майбутньому з клієнтом. Тому що те, що було актуально для нього, наприклад, 2-3 тижні тому, нині може бути вже взагалі не актуально.

Ритейлеру цікаво знати, що подобається клієнтам, наскільки вони активні, що їх цікавить, а також, на якому етапі життєвого шляху вони знаходяться. Знову ж таки потрібні відповіді на ці питання у трьох різних аспектах. Що вже сталося, що станеться і чому це станеться. На два останніх питання можна відповісти за допомогою машинного навчання.

Прогнозна аналітика

Порівняно із GPT, який завжди дає відповідь, але не можна знати, наскільки вона коректна, моделі машинного навчання завжди вимірювані. Тобто можна зрозуміти, наскільки вони помиляються, де саме та як можна їх адаптувати. І приймати рішення про готовність використовувати ці прогнози з такою похибкою в подальшій роботі. Ще одна відмінність моделі машинного навчання – вона навчається лише на даних конкретної компанії та може робити прогнози лише для її клієнтів.

Наприклад, якщо вже побудовано модель, яка прогнозує ймовірність відтоку клієнтів, і клієнт потрапив у зону ризику. Можна подивитися, коштом яких факторів цей ризик збільшується. Тобто комусь може не подобатися асортимент, хтось хоче використовувати знижку, в когось затрималася доставка, і це збільшує ризик того, що вони підуть. А хтось, наприклад, перед покупкою дуже часто заходить на сайт і додає товари в рубрику «улюблене».

Відповідно, це буде зменшувати ризик відтоку цього клієнта. Також можна спрогнозувати, чи купить клієнт щось наступного місяця, які фактори підвищують і знижують можливість цієї покупки. Відповідно можна підбирати персоналізовані знижки, на які клієнт відгукнеться, але це буде найменша знижка від ритейлера, бо не варто пропонувати всім свою найкращу знижку. Так можна підбирати товари чи їх категорії, оцінювати рівень готовності зробити up-sell, cross-sell, оцінювати рівень NPS тощо залежно від того, що цікаво саме для вашого бізнесу.

Так, до історичних даних про клієнтів додається ще один шар прогнозованих даних. Ритейлер тепер знає улюблений канал комунікації кожного з клієнтів, чи купить він щось у наступному місяці, в якій групі ризику знаходиться, а також, можливо, які категорії він купить. Але треба ще розуміти чому він це зробить.

Діагностика бажань

Тому наступний блок – це саме діагностика факторів, які допомагають визначити, чому саме клієнт так себе веде. В результаті є розуміння, що було з клієнтом, що станеться, а також мотиви того, чому це станеться. Наприклад, якщо в базі 28 000 клієнтів і 37 атрибутів, то для того, щоб перетворити ці атрибути в actionable insights (працюючі інсайти), їх потрібно використовувати. Оскільки просто прогнозу не буде достатньо. А щоб їх всіх використати, потрібно створити дуже багато контенту. Зокрема, потрібно провести глибоку мікросегментацію, написати багато листів, push-повідомлень. В цьому якраз добре допомагає генеративний AI.

Проте генеративний AI краще використовувати лише з етапу валідації та лише менеджер має приймати рішення про подальше використання цих даних. При додаванні інформації про компанію, її продукти, портрети клієнтів, можливі інструменти комунікації такий AI-асистент може фактично стати новим співробітником відділу маркетингу. Допомагатиме будувати стратегію комунікації, пропонувати цілі, які ще не працюють, або не існують у стратегії комунікації, будувати всередині цих цілей кампанії для їх досягнення та безпосередньо сам контент.

В тому ж таки прикладі зоомагазину було дві цілі комунікації: конверсія та ретеншн. На етапі конверсії модель прогнозує, хто з клієнтів має більшу ймовірність зробити покупку і відповідно з ким комунікація буде більш релевантною. Для цілей утримання клієнтів можна дивитися на різні рівні ризику їх відтоку і застосовувати різні маркетингові інструменти. А також враховувати фактори, що впливають на прийняття рішень про покупку. Це може бути, скажімо, персональна знижка.

Зокрема, в рамках промоції повторної покупки серед тих, хто сумнівається, обрали мікросегмент клієнтів, кому зручно спілкуватися через email та визначили, для кого важливе використання знижки. І наступний крок – це безпосереднє створення повідомлення. В цьому мікросегменті значиться лише 341 людина із 228 000 клієнтів. Тепер потрібно перейти до діалогу one-to-one.

Особисте звернення

Динамічні поля – це давно вже не новинка, але за допомогою прогнозів і факторів діагностики можна вивести їх використання на новий рівень.

В повідомленні для конкретного клієнта використовується його ім’я та ім’я його домашнього улюбленця, пропонуються релевантні товари і його особиста знижка – 15%. Тобто на основі розширеного портрета клієнта спрогнозували його поведінку та визначили мотиви. А за допомогою генеративної моделі штучного інтелекту визначили мікросегмент, створили кампанію і меседж.

Таким чином об’єднавши аналітичну точність машинного навчання та креативність і гнучкість генеративних моделей. І на зрізі цих двох технологій можна побудувати систему персональної комунікації. Як свідчать дані дослідження McKinsey, це може принести ритейлеру додатково 10-15% виторгу.

Матеріал підготовано на основі виступу спікера в ході RAU Expo 2025.