Как цифровой клон покупателя помогает ретейлу делать умные офферы

Меня зовут Катя, я продакт-менеджер в Lenta Tech («Группа Лента»). Сегодня хочу рассказать о том, как цифровой клон покупателя помогает сделать персональные офферы с конверсией в лиды.

В крупном ретейле персонализация давно стала обязательным минимумом, но на практике она часто упирается в грубые сегменты и массовые акции «для всех». Покупатель чувствует, что рассылка сделана не под него, и просто перестает реагировать ^[1].

В статье расскажу о новом витке развития персонализации с использованием больших языковых моделей, а именно — как можно построить «цифровой клон» клиента на основе его чеков и поведенческих данных и использовать его для создания узконаправленных офферов. Разберем архитектуру решения, проблемы, с которыми мы столкнулись, и результаты, которые принесли рост продаж и охватов среди нашей аудитории.

Подходы к формированию офферов в ретейле

Сегодня в ретейле можно выделить два основных подхода к формированию офферов: от полностью ручных до основанных на больших данных.

1.    Ручные правила и сегментация людьми

Маркетинг и аналитики задают сегменты по возрасту, региону, частоте покупок, категориям, например, «частый покупатель кофе» или «семья с детьми». Для каждого сегмента разрабатываются шаблонные предложения: скидка на любимую категорию, акция на сопутствующие товары и так далее.

Плюсы такого подхода — понятность, прозрачность и быстрый старт. Минусы — грубая персонализация, высокая ручная нагрузка и медленная адаптация к изменениям поведения ^[2].

2.    Классические модели машинного обучения

Они позволяют строить прогнозы вероятности отклика, вероятности покупки категории, модели следующего лучшего предложения, а также товарные рекомендации на основе истории транзакций. Модели обучаются на исторических данных и автоматически подбирают, кому и что предложить, исходя из целевых метрик: оборот, маржа, частота визитов.

Плюсы здесь — лучшее качество персонализации по сравнению с ручными правилами и масштабируемость. Минусы — требуется значимая инфраструктура и команда специалистов по ML, ограничены интерпретируемость и гибкость, а также сложнее отвечать на нестандартные вопросы.

Наша Служба Продвинутой Аналитики (СПА) совместно с отделом CRM торговой сети «Гипер Лента» успешно апробировала новый третий подход персонализации, который базируется на больших языковых моделях.

Большая языковая модель получает на вход ограниченную историю чеков и дополнительные атрибуты клиента, а затем формирует структурированный «портрет»: кто он, как живет, какие у него привычки и потребности ^[3].

На выходе получается цифровой клон — текстовое и структурное представление клиента, которое можно расспрашивать и использовать для генерации идей акций и рекомендаций.

В этой статье разберем кейс использования именно третьего подхода — цифрового клона клиента на базе большой языковой модели, развернутой локально в инфраструктуре ретейлера.

Что такое цифровой клон клиента

Под «цифровым клоном» мы понимаем искусственный интеллект ^[4], который по данным о покупках и другим внутренним данным строит расширенный и скорректированный профиль клиента: привычки, домохозяйство, ценовой уровень, возможные скрытые потребности.

Задача ИИ — превратить сырые транзакции в осмысленные выводы, которыми можно управлять из прикладных систем: CRM, платформы лояльности, системы триггерных коммуникаций.

На практике это выглядит так:

1. Берется история чеков клиента за определенный период и общие данные о нем, затем они передаются языковой модели с продуманной текстовой инструкцией (промптом).

2. Модель формирует детальный профиль клиента и «объяснения», на основании каких паттернов покупок сделаны выводы.

3. Далее эти профили используются для настройки персональных акций и сценариев общения.

Из чего состоят данные о клиенте

В исходных транзакционных данных ретейла по одному клиенту обычно содержится история чеков и частота визитов.

Для каждого чека фиксируются:

• дата и время покупки;

• канал покупки (офлайн, доставка, самовывоз и так далее);

• город и адрес магазина.

Для каждой позиции в чеке хранятся:

• название товара;

• категория и ее идентификатор;

• ценовой сегмент (условная шкала от эконом до премиум);

• скидка на товар;

• количество (штучно или в килограммах для весового товара).

Для построения профиля мы остановились на интервале в 90 дней с момента последней покупки, чтобы учесть актуальные привычки.

Клонирование: от чеков к профилю клиента

После подготовки чеков начинается процесс «клонирования» — превращения данных в цифровой профиль.

Сбор промежуточных профилей по временным окнам

Для каждого клиента и каждого временного окна в 90 дней формируются «локальные» профили по набору ключевых атрибутов:

• Социодемографические характеристики: возрастная группа, пол, семейный статус, количество взрослых и детей в семье, возраст и пол детей, наличие и количество питомцев, виды питомцев и т.д.

• Предпочтения: какие товары и категории наиболее значимы для клиента, какие блюда клиент готовит из данных товаров и т.д.

• Одновременно фиксируются обоснования: какие категории товаров и паттерны поведения ^[5] привели модель к тем или иным гипотезам. Полученные ответы по товарам и категориям проходят через обязательный мэтчинг с продуктовым каталогом компании.

Нормализация и разрешение конфликтов

Анализируются конфликтные значения, полученные в разных вопросах (промптах) к клиенту, и применяются правила их разрешения — выбираются наиболее частотные и логически обоснованные версии атрибутов.

Если нет преобладающей версии, атрибут помечается как «неизвестно», чтобы не вводить систему в заблуждение.

Формирование итоговой таблицы профиля

Для каждого клиента строятся две таблицы:

• о выявленных атрибутах клиента;

• о выявленных предпочтениях клиента к товарам и категориям.

Итоговые данные экспортируются для дальнейшей аналитики и использования в бизнес-процессах, а именно — для запуска рекламных кампаний.

Проблемы исходных данных и зачем тут вообще ИИ

Реальные клиентские профили в ретейле далеки от идеала:

• Анкетные данные могут быть неполными или неверными (ошибки ^[6] при заполнении, намеренные искажения).

• Покупки по одной карте могут совершать несколько человек, например, члены семьи или друзья.

• Исторические данные могут содержать шум и редкие нестандартные покупки, которые не отражают реальное поведение.

Классические подходы к сегментации и даже машинное обучение ^[7] не всегда хорошо справляются с такими «грязными» профилями. 

Большая языковая модель, обученная понимать контекст и причинно-следственные связи, позволяет извлечь из тех же чеков больше смысла: понять, кто с какой вероятностью стоит за этими покупками, как устроено домохозяйство и где находятся скрытые точки роста выручки.

Результаты пилота

В рамках пилотных запусков CVM-кампаний с использованием цифрового клона в «Гипер Ленте», охвативших более 1 миллиона активных клиентов, были достигнуты следующие результаты:

• Рост товарооборота порядка 15%;

• Рост маржинальности порядка 11%;

• До +30% отклика на клиентские коммуникации по сравнению с базовыми сценариями.

Полученные результаты показывают, что использование языковых моделей дополняет классические ML- и uplift-модели, усиливая их за счет повышения релевантности взаимодействия с клиентом.

Почему это важно для ретейла сейчас

Рынок ретейла становится всё более конкурентным, а покупатель — всё чувствительнее к нерелевантному шуму. Использование больших языковых моделей для построения цифровых клонов клиентов позволяет не просто улучшить метрики отклика, но и глубже понять структуру спроса и реальное поведение домохозяйств.

Дальнейшее развитие подхода — масштабирование на большую клиентскую базу и расширение круга задач, которые можно решать через «расспрос» цифрового клона.

А вы пробовали использовать LLM для персонализации в своих продуктах? С какими неожиданными проблемами столкнулись?