Как AI меняет путь к покупке в ритейле

Рассказывают Евгений Семин, директор департамента CVM и персонализации Магнит Плюс,


и Евгений Макин, руководитель управления машинного обучения и анализа данных Магнит Плюс. 

Старый путь к покупке больше не работает 

Раньше покупка начиналась с того, что покупатель мог заметить в магазине, на рынке, у прилавка. Когда появился еком, схема осталась той же: каталог, поиск, фильтры. Единственное различие: мы стали выбирать не вживую, а на экране.

Первый сдвиг случился с развитием больших данных: появилась возможность подбирать товары, офферы, контент под конкретного человека. Результаты оказались в разы лучше, чем у любого каталога: нужное предложение в нужный момент работает куда сильнее.

Но ручной поиск никуда не делся. Еще недавно технологий и вычислительных мощностей на всё не хватало, клиент всё равно шёл искать сам. Это означало, что персонализация работала наряду с поиском, а не вместо него. 

Сейчас баланс начинает смещаться в сторону персонализации. Модели стали точнее, и люди постепенно привыкают доверять рекомендациям. В медиа этот сдвиг уже хорошо виден: пользователи всё реже открывают каталог фильмов или музыки и всё чаще выбирают то, что предложил сервис. В ритейле происходит все то же самое, но медленнее. 

Первая волна: от экселя и SQL к ML и LLM 

Персонализация в ритейле прошла несколько этапов. Всё начиналось с Excel, потом SQL-запросов и ручной сегментации — «клиенты старше 35, покупающие молочку раз в неделю». Затем появились ML-модели: look alike, uplift, предсказание склонности к покупке, модели оттока. Тогда же стала развиваться возможность работать с микросегментами, пересечение которых давало почти что segment of one — каждый клиент был уникален с точки зрения попадания в кампании. 

Итогом первой волны стала персонализация коммуникаций — сегодня большая часть B2C-рынка умеет отправлять персональную смс, пуш, имэйл, подобрать оффер под сегмент. Это важный шаг, но он отвечает только на один вопрос: «что предложить клиенту, чтобы получить дополнительные продажи». Вопрос о том, как улучшить опыт клиента, остается открытым. 

LLM и генеративный AI появились позже персонализации коммуникаций, и даже сейчас они используются точечно для написания текстов коммуникаций, генерации офферов и автоматизации контента. Масштабировать эти технологии пока дорого: обогащать каждое взаимодействие с миллионами клиентов через большую языковую модель экономически непросто. 

Вторая волна: персонализация опыта

Следующий рубеж — перенести персонализацию внутрь самого клиентского опыта и персонализировать как можно больше точек взаимодействия: какие товары показать и в каком порядке, какую выгоду предложить, как выглядит приложение для конкретного человека. 

Это совсем другая задача. Если персонализация коммуникаций — это «выбрал оффер, выбрал сегмент, заработал дополнительные продажи», то персонализация опыта — это «придумай лучший продукт для этого клиента». Одно и то же приложение становится разным для разных людей и по содержанию, и по дизайну. 


@Freepik (лицензия INV-C-2024-8250540)

И это касается не только приложения: кассы самообслуживания, баннеры на рекламных площадках — везде, где можно дотянуться до клиента, опыт становится персонализированным. Получается, что мы движемся от персональных коммуникаций к персональному магазину для каждого.

За последний год добавилось ещё одно направление. Модели укрупняются: вместо десятков узких моделей под каждую задачу появляется одна большая, обученная на всей истории клиента — примерно как языковые модели учатся на тексте. Netflix уже перевёл рекомендации на такую архитектуру. Ритейл придёт к тому же, просто позже — истории покупок длиннее, а данных о поведении вне транзакций меньше.

Как это работает на практике

В Магните мы строим персонализацию как систему управления клиентской экономикой. Идея заключается в следующем: персонализируй каждую точку контакта и получишь инструмент, который растит ценность каждого клиента. А именно это позволит управлять общей экономикой бизнеса. 

Несколько примеров того, как это работает сегодня.

● Любимые категории. Клиент открывает приложение и сразу видит персональные выгоды в тех категориях, где он чаще всего покупает — модели подбирают их на основе истории. 

● Предложения для Вас. Каждый день клиент получает персональный набор предложений. 

● Next Best Offer & Mission. Мы предсказываем не только то, что купит клиент, но и зачем он пришёл: большая закупка на неделю, быстрый перекус, подготовка к празднику. Чем точнее система понимает контекст, тем выше конверсия.

И это далеко не всё, ведь баннеры и сторис в приложении подбираются под профиль клиента. Коммуникации учитывают, когда, в каком канале и как часто писать, чтобы попадать в момент, а не раздражать потребителя. Рекомендации строятся на истории покупок и поведении в приложении, а подписка предлагается тем, кто с высокой вероятностью её оценит. 

Каждая из этих фич персонализирована сама по себе. Следующий шаг — чтобы они работали не рядом, а вместе. Для этого мы строим единый движок клиентской выгоды: он видит все выгоды клиента и распределяет их по тем каналам и фичам, которыми клиент пользуется, так, чтобы максимизировать эффект и для клиента, и для бизнеса.

Это работает как единая система. Результат — растёт и удовлетворённость клиентов, и бизнес-метрики: частота покупок, средний чек, глубина использования фич. 


@Freepik (лицензия INV-C-2024-8250540)

Что это меняет в цифрах

Персонализированные механики конвертируют кратно лучше массовых промо-акций. Это результат замеров относительно глобальной контрольной группы, которая намеренно не получает персональные воздействия. Клиенты, которым показывают нужное в персональной подборке, реже уходят, чаще возвращаются, показывают выше средний чек и выше индекс удовлетворённости. 

При этом персонализация не означает «больше скидок»: на часть офферов дисконт ниже, чем в массовом промо, на часть — выше, там, где это действительно меняет поведение клиента. В целом маржинальность получается лучше: меньше бюджета уходит впустую, больше эффекта на вложенный рубль. Разрыв между персонализированным и массовым сценарием продолжает расти за счёт того, что модели обучаются и становятся точнее.

---

Читайте также: Как FMCG-компании выбрать ИИ-проект и спрогнозировать его реальный бизнес-эффект

---

Что нужно, чтобы персонализация работала

● Первое — данные, полноценный Customer 360: поведение в приложении, реакция на коммуникации, история офферов, контекст каждого визита. Здесь критически помогает CDP — платформа клиентских данных, которая собирает, хранит и делает весь профиль доступным для любой системы, принимающей решения. Без неё модели не реализуют весь свой потенциал. 

● Второе — инфраструктура принятия решений. Система выбирает оптимальное воздействие из тысяч вариантов, учитывая бюджеты, ограничения, бизнес-цели. Реакция на пуш, поведение в магазине, история офферов, активность в приложении — всё это учитывается вместе. 

● Третье — культура экспериментов и строгой оценки результатов. Без честных контрольных групп и нормального дизайна тестов невозможно отделить реальный эффект персонализации от корреляций. 

● Четвёртое — всё это должно работать как одна платформа, а не как набор отдельных команд и систем. Тогда результат каждого запуска сразу возвращается в модели, система учится на каждом решении, а персонализация масштабируется без пропорционального роста команды.

Большинство игроков сегодня находятся на первой волне персонализации — умеют персонализировать коммуникации, но не опыт. Те, кто строит платформу сейчас, получают преимущество, которое со временем всё труднее догнать. Чем больше данных и экспериментов, тем точнее модели. 


@Freepik (лицензия INV-C-2024-8250540)

Три точки зрения на то, куда движется рынок

Существует несколько точек зрения на то, что будет с поиском и каталогами через 5 лет: оптимистичная, реалистичная и скептичная.

● Оптимист считает, что в привычных категориях поиск исчезнет для большинства. Зачем вбивать «молоко 3,2%», если приложение знает, что ты берёшь его каждую пятницу, и покажет само — ещё и со скидкой именно для тебя. В идеальном сценарии оптимист видит AI-агента в роли личного секретаря: система не просто предложит — сама закажет всё необходимое, зная твои привычки, остатки дома и текущие акции. Покупка случится без единого поискового запроса.

● Реалист возражает: поиск останется для новых категорий, незнакомых товаров и нерегулярных задач. Но в регулярных покупках — продукты, товары для дома, базовая косметика — его роль будет уменьшаться. Персонализация закроет большую часть этих сценариев лучше любого поискового интерфейса.

● Скептик указывает на оборотную сторону: персонализация может создавать пузырь. Клиент видит то, что система считает для него нужным, и перестаёт открывать новое, застревает в паттернах потребления. Это риск и для клиента, и для бизнеса, которому надо развивать корзину. Хорошая персонализация должна уметь аккуратно расширять горизонт, а не только подтверждать привычки.

При этом все три сходятся в одном: персонализация уже необратимо меняет клиентское поведение и весь рынок. Клиент, привыкший к персонализированному опыту, к массовому возвращается с трудом. Это меняет ожидания, стандарты и конкурентную динамику независимо от того, насколько быстро исчезнет поиск.

Параллельно покупать начали агенты. ChatGPT и Gemini оформляют заказ прямо в диалоге, Walmart и Target подключили к ним свои каталоги, Visa и Mastercard выпустили протоколы оплаты для агентов. Если предложение будет читать агент клиента, а не сам клиент, оно должно быть машиночитаемым — с ценой и условиями, которые можно сравнить без человека. Что это меняет в самой персонализации, пока никто до конца не понимает. Но кажется, что побеждает оптимист.

Персонализация перестала быть конкурентным преимуществом, а стала базовым ожиданием, которое благодаря AI позволяет переходить к другой модели — управлять выгодой с помощью клиента. За счет этого персонализация — давно не просто маркетинговый инструмент, а то, что меняет модель бизнеса. 

Ручной поиск по каталогу никуда не исчезает, но и он становится каналом персонализации. Выдача, автокомплит, ранжирование результатов начинают учитывать профиль клиента. Разрыв между теми, у кого есть полноценный Customer 360, и теми, у кого его нет, будет определять конкуренцию в ритейле на следующие 5 лет.

Евгений Семин, 
директор департамента CVM и персонализации Магнит Плюс 

и Евгений Макин, 
руководитель управления машинного обучения 
и анализа данных Магнит Плюс. 

Для NEW RETAIL