Марія Цвид, Colobridge: Маркетолог більше не здогадується, хто відгукнеться на пропозицію, а вже має відповідне знання

Чому масова розсилка на неактивних клієнтів із пропозицією максимальної знижки – погана ідея, коли падають продажі, як сучасні ШІ-інструменти можуть визначити відмінності між різними людьми, що роблять ніби однакові покупки, а також попередити про клієнтів, що збираються піти.

В ході RAU Workshop, що відбувся 30 квітня, Product Owner & Data Strategist Colobridge Марія Цвид виступила з презентацією «Нові можливості маркетингу у 2026: як краще розуміти клієнтів і давати їм саме те, що вони хочуть». Зокрема, мова йшла про використання штучного інтелекту для ефективної роботи з існуючою базою клієнтів. RAU пропонує найцікавіше з її виступу.

Проблема масової комунікації

Сучасний бізнес має дуже багато різних даних про поведінку своїх клієнтів: що купують, на що реагують, якими знижками користуються, тощо. Водночас самі клієнти вважають, що комунікація з ними не є достатньо персоналізованою і в результаті не завжди отримують те, що хотіли. Тому головне завдання – надсилати клієнту саме ту пропозицію, яку він чекає.

Часто буває так, що бізнес реагує на падіння продажів масовою розсилкою по базі з пропозицією максимальної знижки. Це швидко, просто, але не дуже ефективно. Бо хтось і так прийшов би на закупи, а інші можуть вже кілька років не читати комунікацію бренду. І в результаті конверсія нечасто виходить за межі 1-5%.

Тому зазвичай після цього підходу компанії переходять до сегментованої комунікації з кількома сценаріями дій. Наприклад, реактивувати тих, хто не купував останні три місяці та має середній чек більше 5000 грн. Тобто враховуються дані RFM (Recency Frequency Monetary — давність, частота, гроші) та всі їх похідні показники.

Але маркетологи можуть контролювати цю логіку і розуміти її, тримаючи в голові одночасно не більше 3-5 факторів. Нові ж технології дозволяють враховувати сотні факторів одночасно.

Нові можливості старих даних

Наприклад, звичайна методика сегментації не відрізняє неактивного клієнта, який регулярно заходить у додаток і перевіряє активні акції, від того, хто взагалі три місяці не мав жодного контакту з брендом. Їм обом прийдуть однакові повідомлення.

І тут на допомогу може прийти ML-модель (алгоритм пошуку закономірностей і прогнозування на основі історичних даних), яка може враховувати сотні факторів. Вона виявляє неочевидні закономірності, дозволяючи сегментувати ніби однакових клієнтів у різні категорії.

Це дозволяє ставити питання по-іншому: Хто купить? Хто може повернутися? Кому можна запропонувати купити більше? Тобто робити індивідуальні прогнози. Додаткова перевага ML-моделі в тому, що точність такого прогнозу можна зрозуміти ще до початку розсилки і не витрачати зайвих коштів. Відповідно виглядати ця комунікація може наступним чином.

Тобто маркетолог більше не здогадується, хто відгукнеться на пропозицію, а вже має відповідне знання. Проте логіку такого вибору пояснити складніше. І для цього потрібна або внутрішня ML-компетенція в компанії, або підтримка спеціалізованого партнера.

Наприклад, головне питання для активних клієнтів – чи не знаходиться він в зоні ризику (готується піти). Модель може дати відповідь. В залежності від неї треба або починати реактивацію клієнта або ж стимулювати до нових покупок в потрібний момент. Найцінніші для ритейлера клієнти, які «можливо куплять» і готові це зробити у разі правильної пропозиції. Тобто модель дозволяє діяти проактивно.

Якщо ж, наприклад, людина як зазвичай прийде в наступному місяці, то є питання, чи готова вона купити більше. Якщо так, відповідно, можна налаштувати для таких клієнтів кампанію Upsell.

Одна модель – етапи різні

Зазвичай всі починають прогнозування зі стандартної моделі «Купить/Не купить». Її не треба окремо тренувати для різних сегментів клієнтів, бо це вже буде враховано. Але використовувати цю модель на різних етапах життєвого циклу клієнта можна по-різному.

Зокрема, по новому клієнту важливо зрозуміти, чи повернеться він за повторною покупкою і відповідно обирати різні сценарії комунікації. Для активних покупців важливо визначити як скоро вони прийдуть у магазин аби зрозуміти, що саме зараз з ними робити. Для неактивних клієнтів важливо визначити, кого з них можна повернути, щоб отримати максимальний відгук.

Максимальна персоналізація

Вершиною еволюції маркетингу від масових розсилок до ручної, а потім і автоматичної сегментації клієнтів є персоналізована комунікація або гіперперсоналізація.

Тут ритейлер за допомогою штучного інтелекту обирає не тільки кому написати, а і що саме. За дослідженнями McKinsey, компанії, які вміють використовувати персоналізацію, отримують на 40% більше доходу від комунікації.

Але варто розуміти, що це найскладніший рівень підходу до комунікації й налаштувати його доволі складно. Потрібно значно більше даних, більше сценаріїв і вищої зрілості процесів. Нижче наведено приклад такого максимально особистого повідомлення клієнту зоомагазину.

Це перший клас моделей, які відповідають на питання кому і чому. Тобто відомо, що Олег скоро прийде за кормом для свого улюбленця. І ритейлер хоче йому запропонувати додатковий товар (upsell), який може бути цікавий клієнту. Додатково підібрали персоналізований рівень знижки (це також можуть бути бонуси, знижка на наступну покупку тощо).

Важливо розуміти на якому етапі знаходиться компанія і який саме перехід дасть найбільш відчутний ефект. Найбільше компаній знаходяться саме на другому і на третьому етапах, тобто саме на рівні сегментованої комунікації або з використанням ML-моделі.