Об эксперте: Руслан Ахмедов, CIO сервиса лояльности «Апельсин».
Искусственный интеллект активно трансформирует большинство бизнес-процессов, и программы лояльности не исключение. Одним из самых востребованных сценариев применения ИИ стала модернизация клиентского опыта за счет автоматизации и внедрения рекомендательных систем.
От ручных рекомендаций к машинному обучению
Когда-то персональные рекомендации были исключительно ручной работой менеджеров. Сегодня это задачи сложных рекомендательных систем на базе машинного обучения. Такие системы способны не только предлагать клиенту товары и услуги, соответствующие его текущим предпочтениям, но и глубоко анализировать историю его покупок, просмотров и запросов, выявлять скрытые закономерности и даже прогнозировать будущие потребности, о которых сам клиент еще не подозревает.
Эффективные рекомендации — основа стратегий дополнительных продаж. При этом не стоит ограничиваться привычными каналами вроде сайта или мобильного приложения: персонализация может успешно работать и через чат-боты, таргетированную рекламу и триггерные рассылки (например, напоминание о забытой корзине).
От сегментации аудитории к персонализации
Традиционно сегментация клиентов опирается на методологии, созданные человеком. Зачастую эти методологии строятся на общей статистике, бытовых гипотезах или личном опыте автора. В итоге выстраиваются стереотипные сегменты в разрезе уровней трат, частоты закупок, потребительских предпочтений. Например, экономные и состоятельные потребители, любители запасаться впрок и адепты частых и мелких закупок, любители здоровой и вредной пищи и так далее.
Эти сегменты делятся на подсегменты с неоднородными предпочтениями. Кроме того, один человек может принадлежать к разным сегментам. К тому же каждая покупка человека может быть отнесена в разные сегменты. Причин этому несколько. Во-первых, изменения в жизни самого покупателя: вступил в брак, стал родителем, завел собаку или купил машину. Во-вторых, картина потребления. В семье может быть один ответственный за покупку продуктов, а может быть, и несколько. В-третьих, внешние факторы. Так, например, пандемия стимулировала развитие сервисов доставки, а перестройка мирового рынка изменила ассортимент на локальных рынках. Все это приводит к тому, что работа с сегментацией и последующей персонализацией требует большой гибкости и скорости изменений.
Например, программа лояльности Lamoda Club — это пример перехода от традиционных механик лояльности к более гибким моделям, основанным на поведенческой персонализации. Система с помощью ИИ-алгоритмов анализирует покупательское поведение (например, долю выкупленных и возвращенных заказов) и формирует персональные условия — индивидуальный уровень скидки, который растет вместе с доверием к клиенту. Такой механизм мотивирует на более обдуманные покупки и одновременно снижает издержки ретейлера, повышая эффективность всей системы.
Персональные условия в программах лояльности
Классические скидки и акции перестают быть уникальным конкурентным преимуществом. Клиенты становятся более осознанными, выбирают долгосрочные выгоды и ожидают персонального подхода. Важно учитывать мотивацию и предпочтения каждого участника программы лояльности — кому-то комфортнее списывать баллы постепенно, а кто-то предпочитает копить их для крупного приобретения.
Персонализированная настройка условий и сроков действия баллов позволяет значительно повысить удовлетворенность клиента и увеличить эффективность программ лояльности, например:
- система видит, что конкретный клиент обычно использует баллы в течение трех месяцев, и может автоматически установить для него индивидуальный срок действия начислений не меньше этого периода. В противном случае баллы просто сгорят, не принеся пользы ни клиенту, ни бизнесу;
- персонализированный клиентский опыт как результат автоматической настройки под индивидуальные интересы и поведение пользователя позволяет клиенту чувствовать, что к его потребностям прислушались. Это влияет на уровень удовлетворенности программой лояльности.
Экосистемные и партнерские программы
Будущее программ лояльности — за комплексными экосистемными предложениями, которые закрывают сразу несколько потребностей клиента в рамках единой программы. Такие программы объединяют разные бизнесы (ретейл, телеком, финансы) и предлагают пользователям единые, понятные и выгодные условия использования накопленных баллов.
Эти программы объединяют компании из разных секторов для создания выгодных офферов. Это могут быть продукты питания, одежда, сотовая связь, финансы — все в рамках одной экосистемы. Например, пользователи «Апельсина» могут выбирать предложения брендов в разных категориях, чтобы повысить свой процент кешбэка на продукты. Предложения партнеров варьируются от универсальных, в виде перевыпуска сим-карты, до тематических: покупки одежды и украшений, оформления полисов или бронирования путешествий. Коллаборация брендов увеличивает общий кешбэк в сервисе и дает возможность охватить интересы разных аудиторий.
При этом модели могут быть как закрытыми, когда баллы тратятся внутри одной компании, так и открытыми, с расширением партнерской сети. В открытой модели важно грамотно выстроить единые условия и сбалансировать интересы участников, чтобы не пострадала маржинальность и клиентский путь оставался удобным. Хороший пример — в 2024 году компания «СДЭК» расширила свою программу лояльности, интегрировав в нее онлайн-магазин CDEK.Shopping, и запустил совместный с компанией OneTwoTrip портал для путешественников, где пользователи получают баллы за бронирование билетов и отелей.
Преимущества открытой модели:
- для клиентов — единая накопительная система и более широкие возможности использования баллов;
- для партнеров — приток новой аудитории и рост вовлеченности за счет кросс-промо и объединенной экосистемы.
Автоматизация обратной связи и клиентского опыта
Не менее важной частью работы с лояльностью является регулярный анализ удобства взаимодействия клиентов с сервисом. Для этого применяются современные технологии, такие как анализ конверсии через Process Mining (технология анализа и оптимизации процессов), а также прямые опросы пользователей. Именно по результатам таких опросов рассчитываются ключевые метрики удовлетворенности (например, NPS — индекс потребительской лояльности, CSI — индекс удовлетворенности клиентов) и учет трендов лояльности в мире, чтобы адаптировать свои программы под меняющиеся ожидания аудитории.
Любопытным примером нестандартного подхода в работе с клиентами является организация систем лояльности в штате Санта-Катарина в Бразилии. Здесь в продуктовых магазинах не используются привычные пластиковые карты лояльности: кассир не спрашивает номер телефона и не просит предъявить штрих-код или QR-код. Вместо этого все программы лояльности реализуются через банки — модель, которая активно используется в ряде регионов страны. Процесс выглядит так:
- все сервисы лояльности предоставляют банки;
- клиент выбирает банк, у которого подключено максимальное количество партнеров;
- во время покупки клиент вводит свой номер CPF (аналог российского ИНН) на кассе на устройстве оплаты;
- после оплаты клиенту приходит кешбэк частями — в зависимости от последующих трат по той же банковской карте. Чем больше и чаще тратишь, тем выше процент кешбэка за отчетный период.
Дело в том, что CPF в Бразилии является основным идентификатором гражданина, а номера телефонов люди часто меняют из-за условий телеком-операторов. Понимая и учитывая локальную специфику, торговые сети упрощают взаимодействие с клиентами и тем самым взращивают его лояльность. Задача технологий — успевать и предугадывать, как сделать участие клиента в лояльности оптимальным.
Использование ИИ в работе с данными и аналитикой
Сегодня любая бизнес-функция, особенно в маркетинге и лояльности, критически зависит от данных. Большинство решений внедряются после тщательного A/B-тестирования — метода, при котором две версии одного и того же решения, например рассылки, интерфейса или акции, показывают разным группам пользователей, чтобы сравнить эффективность и выбрать оптимальный вариант. Однако простых данных вроде поисковых запросов уже недостаточно — необходим полный профиль клиента, который формируется благодаря участию в программах лояльности.
Задача бизнеса — эффективно обрабатывать эти данные. Для этого необходима развитая data-платформа с инструментами хранения, интеграции, визуализации и структурирования данных. Именно скорость и качество обработки данных становятся ключевым фактором успеха, позволяющим бизнесу оперативно адаптироваться к изменчивым трендам и потребностям клиентов. Так, к примеру, в единой программе лояльности M.Club («М.Видео» и «Эльдорадо») используется глубокая интеграция аналитики и ИИ. Искусственный интеллект анализирует поведение каждого клиента: какие товары он просматривал, что покупал ранее, в какие месяцы тратил больше. На этой основе формируются персональные предложения — например, скидка на ноутбук в преддверии учебного года, если пользователь ранее интересовался техникой для студентов, или подборка кухонной техники с бонусами, если клиент недавно покупал холодильник. ИИ может даже предложить дополнительные аксессуары к ранее купленным товарам — скажем, кабель или защитное стекло, если вы недавно приобрели смартфон.
Также стоит уделить пристальное внимание совершенствованию доставки данных, то есть способов их получения от внешних систем (например, из CRM-систем, онлайн-магазинов, мобильных приложений, платежных платформ). Наконец, преобразование — процесс, при котором сырые, разрозненные данные очищаются, агрегируются, переводятся в стандартизированный формат и становятся пригодными для анализа. Речь идет о геолокации и устройстве, активности на сайте и т.д. Только после этого бизнес может интерпретировать информацию, выявлять инсайты и использовать их для персонализации — например, подбирать офферы, прогнозировать поведение, настраивать триггерные коммуникации и повышать вовлеченность клиентов.
Скорость работы с данными будет ключевым фактором успеха, в том числе из-за краткосрочных трендов. Клиент меняется очень быстро: в прошлом месяце он потратил в магазине у дома ₽10 тыс., в следующем — ₽15 тыс. — и уже в супермаркете.
И это не говоря о том, что искусственный интеллект также помогает готовить данные и для базовых маркетинговых активностей: сегментации аудитории по паттернам взаимодействия с брендом, работы с брошенными заказами, персонализированных скидок и динамического ценообразования.
Аналитика «Апельсина» показывает, что в ретейле средний чек клиентов, участвующих в программе лояльности, на 30% выше, чем у тех, кто в ней не участвует. С учетом постоянного роста стоимости привлечения новых клиентов стратегия работы с существующей базой, увеличение жизненного цикла клиента (LTV) — суммы, которую человек приносит компании за все время взаимодействия с брендом, — и развитие лояльности становятся приоритетом для бизнеса. Комплексное использование данных, персонализация и технологии автоматизации определяют будущее клиентского опыта.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.