Опыт Фокстрот: как увеличивать продажи в эру AI

На RAU Expo 2025 СМО Фокстрот Олег Никольский и СРО eSputnik Олег Лесов поделились опытом успешного сотрудничества ритейлера с платформой клиентских данных. Они рассказали, как инновации в персонализации и товарных рекомендациях способствуют росту продаж, помогают удерживать клиентов и поддерживать лояльность.

Фокстрот — первая украинская сеть магазинов электроники и бытовой техники. Один из крупнейших омниканальных ритейлеров страны, который постоянно развивает персонализацию клиентского опыта для 13 млн клиентов и внедряет новые инструменты и механики.

В 2014 году Фокстрот укрепил это направление, выбрав eSputnik как надежного партнера по маркетингу, с которым удобно расти, а каждая идея получает быструю реализацию.

Как начиналось сотрудничество Фокстрот и eSputnik

Начиная с 2014 года, Фокстрот развивает персонализированный маркетинг в сотрудничестве с eSputnik. Тогда же внедрили первый канал коммуникации — e-mail, который быстро доказал свою эффективность. Впоследствии Фокстрот масштабировал взаимодействие с клиентами, добавляя новые каналы и функциональность.

За 11 лет сотрудничества с eSputnik Фокстрот:

• интегрировал 8 каналов коммуникации (e-mail, виджеты, web push, mobile push, App Inbox, In App, Viber, Telegram);
• настроил 77+ триггеров, 15 из которых — кастомные, адаптированные под уникальные потребности ритейлера;
• внедрил персональные товарные рекомендации на сайте и расширил их на директ-каналы, офлайн и call-центр;

Единое видение клиента

Единый профиль клиента в CDP — это не просто список покупок и контактные данные. Это полноценная и хронология взаимодействия с брендом, собранная в одном месте. Именно такой профиль помогает Фокстроту персонализировать коммуникацию для каждого клиента.

В единой карточке контакта система объединяет данные о:

• взаимодействие с рассылками: доставка сообщений, открытие, клики, отписки, жалобы на спам;
• поведение на сайте и в мобильном приложении (продолжительность сессии, просмотры, поиск, добавление в корзину), офлайн-данные из CRM (покупки, обращения в колл-центр, параметры заказов);
• демографию: возраст, пол, город и тому подобное.

Единый взгляд на клиента обеспечивает актуальность и правильность коммуникаций бизнеса с потребителем. Например, Николай просматривает телевизоры на сайте — CDP знает о нем следующие данные:

• демографические — 37 лет, проживает в Киеве и т.д.;
• исторические — два месяца назад он купил кофемашину;
• поведенческие — последний переход на сайт с промо-рассылки; просматривал Х категорию товаров.

Система понимает, что Николай просматривал телевизоры конкретного производителя из среднего ценового сегмента, поэтому предлагает ему рассмотреть определенные модели, которые возможно он не нашел самостоятельно, но они с высокой вероятностью заинтересуют его, ведь соответствуют его запросам. Поскольку клиент хорошо взаимодействует с каналом e-mail, то дальнейшая коммуникация будет поддерживаться этим каналом в первую очередь.

Благодаря тому, что CDP объединяет все каналы создается бесшовный опыт для клиента во всех точках взаимодействия. Такой подход помогает Фокстрот не только увеличивать продажи, но и строить долгосрочную лояльность клиентов.

Триггеры — автоматизированное персональное сопровождение клиента

360-градусное понимание клиента позволяет бизнесу отправлять сообщения в нужный момент и через правильный канал (e-mail, Viber, push, App Inbox), чтобы вернуть клиента и стимулировать покупку. Чтобы автоматизировать точное взаимодействие с миллионами клиентов компания разработала широкую карту триггеров, где определенный сценарий срабатывает, когда клиент выполняет конкретное действие.

Каждый из используемых  PRO-триггеров играет важную роль для ритейлера, а самые эффективные из них:

• По CTR — группа о снижении цены. Львиная часть успеха этих триггеров зависит от команды Фокстрота, которая настраивает скидки, постоянно их обновляет, добавляет логику с промокодами. Это в сумме с автоматизацией дает хороший CTR.

• По конверсии:
  1. Покинутая категория: напоминание о просмотренных товарах.
  2. Снижение цены на товар в корзине: оповещение об акциях на товары в корзине.
  3. Брошенная корзина: призыв завершить покупку.

Как видим, разные триггеры показывают лучшие результаты по CTR и CR. Это зависит от их направленности, так как некоторые сценарии работают на увеличение трафика на сайт, другие — рост покупок.

В eSputnik триггеры тарифа Professional усилены товарными рекомендациями, которые подбираются персонально для каждого клиента.

«Лучшие результаты приносит комплексная система: на всех этапах воронки продаж используйте соответствующие цепочки в разных каналах коммуникации», — комментирует Олег Лесов.

Товарные рекомендации 2.0: трансформерная модель + LLM

Два года назад eSputnik совершил прорыв в товарных рекомендациях, перейдя к трансформерной модели, усиленной большими языковыми моделями (LLM). Этот подход кардинально изменил персонализацию по сравнению с предыдущими алгоритмами и принес значительный рост ключевых метрик.

Как работали рекомендации раньше

До 2019 года Фокстрот использовал коллаборативную фильтрацию, которая базировалась на схожести между товарами и поведением пользователей. Например, если клиент покупал телевизор, система предлагала аксессуары (например саундбар) или похожие модели, которые часто покупали вместе с этим товаром. Алгоритм анализировал исторические данные: если два товара часто кликали или покупали вместе, они считались связанными. Однако этот подход имел ограничения: он не учитывал контекст действий клиента, не мог эффективно обрабатывать новые товары без истории продаж.

Как работает трансформерная модель

В 2019-20 годах eSputnik внедрил трансформерную модель, которая анализирует последовательность действий клиента — от просмотров и поисков до добавления в корзину, покупок, как онлайн, так и офлайн. Эта архитектура глубокого обучения позволяет системе «понимать» не только отдельные действия, но и их контекст и взаимосвязи.

С 2024 года большие языковые модели (LLM) усилили трансформерную модель, добавляя к ИИ возможность анализа характеристик товаров: категории, бренда, цены, описаний.

Новая модель позволяет создавать рекомендации, которые понимают суть товара, а не только его ID.

Раньше машина видела только поведение пользователей: если два товара часто кликаются вместе, они считались похожими. Но теперь ИИ понимает, что это за товар, его суть, и подбирает более точные рекомендации.

Ключевые преимущества Трансформерной модели + LLM:

• Анализ последовательности действий: учитывает порядок и продолжительность взаимодействий.
• Контекстуальное понимание: определяет, ищет ли клиент акционные товары или премиум-продукты.
• Глубокие связи: предлагает совместимые товары (к кофемашине — капсулы, к телевизору — саундбар).
• Обработка новых товаров: система может рекомендовать товары, которые недавно добавлены в каталог.
• Работа с минимальными данными: ИИ подбирает рекомендации для продуктов без истории покупок благодаря анализу характеристик
• Релевантная замена товара: подбор максимально аналогичных товаров к тем, которые не в наличии.

Как это выглядит на практике

Клиент просматривает игровую консоль, затем ищет геймпады, а раньше интересовался VR-очками. Коллаборативная фильтрация могла предложить популярную игру, которую покупали вместе с консолью. А трансформерная модель зафиксирует интерес к интерактивным развлечениям и предложит специализированный VR-контроллер, даже если такие комбинации ранее не покупали. Благодаря тому, что LLM дополнительно анализирует описания товаров, система может предложить новинки без истории продаж, решая проблему «холодного старта».

Результаты обновления алгоритма

Сочетание трансформерной модели + LLM дало еще лучшие результаты:

• +33% — рост CTR блоков рекомендаций.
• ×2.08 к трафику — по блоку «Персонально для вас».

«Надо отметить, что это не был холодный старт — рекомендации в Фокстроте работают уже восемь лет: система давно работает с огромным объемом данных о поведении клиентов. При этом, изменение алгоритма существенно улучшило пользовательский опыт», — подчеркивает Олег Лесов.

Товарные рекомендации 3.0: умная категоризация товаров

Казалось бы, рекомендации уже работали очень хорошо, но команда eSputnik заметила, что ритейлер терял возможности из-за слишком широких категорий товаров. Раньше ИИ просто не подбирал товары из одной категории, чтобы избежать дублирования в рекомендациях. Это ограничивало кросс-продажи, когда в пределах одной категории есть функционально разные товары, которые имеют смысл в совместном использовании. Чтобы решить это, eSputnik внедрил LLM-модель, которая самостоятельно уточняет подкатегории товаров и формирует более точные, уместные рекомендации.

Как это работает

LLM-модель анализирует категориальное дерево (десятки тысяч товаров) и определяет функциональные связи. Модель уточняет подкатегории и предлагает совместимые или дополняющие продукты. Это автоматизирует подбор, подобно работе категорийного менеджера.

Например, в категории «Зубные щетки» находятся различные товары: щетки, аксессуары для ухода, насадки, подставки, дорожные футляры и т.д. В классической логике блока «Покупают вместе» система не рекомендует товары из той же категории, чтобы избежать нерелевантных пар (две одинаковые щетки).

Благодаря рекатегоризации теперь можно предложить клиенту логичные дополнения к покупке: насадку или футляр. Система сформирует релевантные пары товаров даже из одной и той же общей категории, повышая качество персонализации и кросс-продаж.

Результаты блока «С этим товаром покупают» (март-май 2025):

• +39% к CTR.
• рост продаж аксессуаров в 1,5 раза.

О результатах сотрудничества

«Мы очень довольны сотрудничеством. Эта LLM-модель добавляет огромную ценность к нашим предложениям. Мы повысили LTV, доход, сократили использование маркетинг-бюджета и рабочих ресурсов. Мы увеличили retention, количество повторных продаж, повысили конверсию вдвое по определенным триггерам. eSputnik — наш основной стратегический партнер в ретеншен, и мы охотно идем навстречу друг другу», — говорит Олег Никольский.

Что дальше

Фокстрот планирует максимизировать персонализацию пользовательского опыта. Ключевые направления:

1. Развитие карты триггеров: продолжение создания детализированных сценариев для всех этапов клиентского пути.
2. Предиктивная сегментация: прогнозирование потребностей клиентов с помощью AI, например, вероятность покупки определенной категории.
3. Улучшение рекомендаций: усовершенствование моделей с учетом сезонности и трендов.
4. Расширение в мобильном приложении: больше персонализированных предложений в приложении, где клиенты проводят значительное время.

Полное видео выступления смотрите на youtube-канале esputnik

Сотрудничество Фокстрот и eSputnik — наглядный пример того, как стратегическое партнерство и передовые технологии могут обеспечить качественный маркетинг в ритейле. За 11 лет сотрудничества ритейлер прошел путь от емейл-рассылок до персонализации нового уровня. При том, что Фокстрот имеет все возможности для собственной разработки любой функциональности, ритейлер выбирает eSputnik как готовое решение. Поскольку сотрудничество с CDP экономит время и ресурсы компании, а все идеи ритейлера развивает и воплощает опытная команда платформы.

Благодаря совместной работе ритейлера с eSputnik, обеспечен единый взгляд на 13 млн клиентов, качественное сопровождение клиентов благодаря триггерам и инновационным алгоритмам товарных рекомендаций.

Приведенные успешные кейсы внедрения трансформерной модели + LLM, а затем и рекатегоризации — демонстрируют, как развитие AI-технологий в сочетании с CDP eSputnik позволяет ритейлеру увеличивать продажи и привлечение клиентов.

eSputnik стал для Фокстрота не просто платформой, а партнером, который предлагает кастомные решения под запрос клиента, предоставляет аналитику и постоянную поддержку от идеи до внедрения и измерения результатов. В планах ритейлера — еще более глубокая интеграция AI для предиктивной сегментации и расширение персонализации в мобильном приложении, что открывает новые горизонты для роста.