Мария Цвид, Colobridge: Компании, инвестирующие в удержание клиентов, получают до 30% больше повторных покупок

Product owner Colobridge GmbH о возможностях увеличения пожизненной ценности клиентов (CLV) и их лояльности с помощью машинного обучения и искусственного интеллекта. Что помогает сделать правильное предложение нужному клиенту в нужный момент.

Немецкий облачный провайдер Colobridge GmbH работает на рынке 15 лет и последние четыре из них помогает компаниям с большими базами клиентов настроить персонализацию, превращая сырые данные в действенные инсайты. Чтобы каждый клиент считал себя единственным и уникальным. Product owner Colobridge GmbH Мария Цвид рассказала о том, как машинное обучение и генеративный AI помогает настроить эту персонализацию.

Фокус на удержание клиентов

Согласно данным исследования за 2024 год украинского агентства интернет-маркетинга Wedex, содержание имеющихся клиентов в настоящее время стоит бизнесу в пять раз дешевле, чем привлечение новых. В некоторых областях деятельности этот разрыв достигает 25-кратной разницы. В то же время прозрачность процессов удержания клиента снижается. Каналы коммуникации дорожают, равно как и трафик. Атрибуцию в маркетинге (понимание, какие именно каналы и точки контакта с клиентом привели к конверсии) настроить сложно. Cookie постепенно исчезают. Поэтому компании, регулярно инвестирующие именно в содержание клиентов, их развитие, получают до 30% больше повторных покупок, чем те, кто этого не делают.

Собственно гиперперсонализация невозможна без трех основных составляющих: качественные данные, аналитика и автоматизация, генеративный и предикативный AI. Разумеется, если данные не будут полными, то не будут корректны, как и прогнозы, построенные на их основе. Данные необходимо обрабатывать и в этом помогает автоматизация цикла их обработки, в том числе при помощи искусственного интеллекта.

Термин гиперперсонализации появился на рынке буквально два года назад, определяя путь улучшения клиентского опыта, увеличения пожизненной ценности клиентов (CLV) и соответственно уровня продаж. То есть, это противоположность подхода «одно решение для всех».

Это одно сообщение для одного клиента с одним предложением. Согласно исследованию McKinsey, 71% клиентов хотят получать самое персонализированное обращение, релевантное к их потребностям. При этом 76% разочаровываются, когда его не получают. Очевидно, быть релевантной и видимой для клиентов компанией – это конкурентное преимущество.

Но здесь главный вопрос – знать, что именно сейчас хотят ваши клиенты и вообще удачный ли выбран момент, чтобы провести коммуникацию. Ведь, возможно, клиент сейчас чем-то недоволен и предлагать ему новый продукт будет не очень правильно. Здесь простого знания потребностей клиента уже недостаточно, чтобы определить удачный момент для коммуникации. Следовательно, для точного понимания, что и когда именно хочет получить клиент, нужно осуществить три следующих шага.

Три шага для гиперперсонализации

Первый шаг – знать своего клиента. То есть всесторонне понимать, что произошло, что произойдет и почему это произойдет.

Второе – это микросегментация. Colobridge предлагают больше не использовать 3-5 крупных макросегментов, а делить аудиторию на маленькие микросегменты, внутри которых будет однородная аудитория. Эти клиенты будут иметь схожие интересы и схожую ценность для компании. И третий шаг – это говорить с клиентами персонально. То есть создавать такие сообщения, которые будут восприниматься как личные обращения. К примеру, составление портрета клиента зоомагазина.

Компания уже может знать, сколько клиент купил, на какую сумму на каком этапе жизненного цикла он находится. Также, например, какое именно домашнее животное у него есть. В других областях ритейла это могут быть другие данные, например, наличие аллергии, если это пищевые продукты.

Когда уже известно, что произошло, вступает в игру машинное обучение, чтобы предположить, что произойдет в ближайшем будущем с клиентом. Потому что то, что было актуально для него, например, 2-3 недели назад, сейчас может быть вообще не актуально.

Ритейлеру интересно знать, что нравится клиентам, насколько они активны, что их интересует, а также на каком этапе жизненного пути они находятся. Опять же нужны ответы на эти вопросы в трех разных аспектах. Что случилось, что произойдет и почему это произойдет. На два последних вопроса можно ответить с помощью машинного обучения.

Прогнозная аналитика

По сравнению с GPT, который всегда дает ответ, но нельзя знать, насколько он корректен, модели машинного обучения всегда измеряемы. То есть, можно понять, насколько они ошибаются, где именно и как можно их адаптировать. И принимать решение о готовности использовать эти прогнозы с такой погрешностью в дальнейшей работе. Еще одно отличие модели машинного обучения – она учится только на данных конкретной компании и может делать прогнозы только для ее клиентов.

Например, если уже построена модель, прогнозирующая вероятность оттока клиентов, и клиент попал в зону риска. Можно посмотреть, за счет каких факторов этот риск увеличивается. То есть, кому-то может не нравиться ассортимент, кто-то хочет использовать скидку, у кого-то задержалась доставка, и это увеличивает риск того, что они уйдут. А кто-то, например, перед покупкой очень часто заходит на сайт и добавляет товары в рубрику любимое.

Соответственно, это будет уменьшать риск оттока клиентов. Также можно спрогнозировать, купит ли клиент что-нибудь в следующем месяце, какие факторы повышают и снижают возможность этой покупки. Соответственно можно подбирать персонализированные скидки, на которые клиент отзовется, но это будет самая меньшая скидка от ритейлера, потому что не стоит предлагать всем свою лучшую скидку. Так можно подбирать товары или их категории, оценивать уровень готовности сделать up-sell, cross-sell, оценивать уровень NPS и т.п. в зависимости от того, что интересно для вашего бизнеса.

Так к историческим данным о клиентах прилагается еще один слой прогнозируемых данных. Ритейлер теперь знает любимый канал коммуникации каждого из клиентов, купит ли он что-нибудь в следующем месяце, в какой группе риска находится, а также, возможно, какие категории он купит. Но надо еще понимать, почему он это сделает.

Диагностика желаний

Поэтому следующий блок – это диагностика факторов, которые помогают определить, почему именно клиент так себя ведет. В результате есть понимание, что было с клиентом в прошлом, что будет, а также мотивы того, почему это произойдет. Например, если в базе 28 000 клиентов и 37 атрибутов, то для того чтобы превратить эти атрибуты в actionable insights (работающие инсайты), их нужно использовать. Потому что просто прогноза не будет достаточно. А чтобы их все использовать, нужно создать очень много контента. В частности, нужно провести глубокую микросегментацию, написать много писем, push-сообщений. В этом как раз хорошо помогает генеративный AI.

Однако генеративный AI лучше использовать только на этапе валидации и только менеджер должен принимать решение о дальнейшем использовании этих данных. При добавлении информации о компании, ее продуктах, портретах клиентов, возможных инструментах коммуникации такой AI-ассистент может фактически стать новым сотрудником отдела маркетинга. Он помогает строить стратегию коммуникации, предлагать цели, которые еще не работают или не существуют в стратегии коммуникации, строить внутри этих целей кампании для их достижения и непосредственно сам контент.

В том же примере зоомагазина было две цели коммуникации: конверсия и ретеншн. На этапе конверсии модель прогнозирует, кто из клиентов имеет большую вероятность совершить покупку и соответственно, с кем коммуникация будет более релевантной. Для целей удержания клиентов можно смотреть на разные уровни риска их оттока и применять разные маркетинговые инструменты. А также учитывать факторы, влияющие на принятие решений о покупке. Это может быть, скажем, персональная скидка.

В частности, в рамках продвижения повторной покупки среди сомневающихся выбрали микросегмент клиентов, кому удобно общаться через email и определили, для кого важно использование скидки. Следующий шаг – это непосредственное создание сообщения. В этом микросегменте числится только 341 человек из 228 000 клиентов. Теперь нужно перейти к диалогу one-to-one.

Личное обращение

Динамические поля – давно уже не новинка, но с помощью прогнозов и факторов диагностики можно вывести их использование на новый уровень.

В сообщении для конкретного клиента используется его имя и имя его домашнего питомца, предлагаются релевантные товары и его личная скидка – 15%. То есть, на основе расширенного портрета клиента спрогнозировали его поведение и определили мотивы. С помощью же генеративной модели искусственного интеллекта определили микросегмент, создали кампанию и месседж.

Таким образом объединив аналитическую точность машинного обучения с креативностью и гибкостью генеративных моделей. И на срезе этих двух технологий можно выстроить систему персональной коммуникации. Как свидетельствуют данные исследования McKinsey, это может принести ритейлеру дополнительно 10-15% выручки.

Материал подготовлен на основе выступления спикера в ходе RAU Expo 2025.