Персонализация клиентского опыта, которую клиенты не замечают

Компании вкладываются в рекомендательные технологии, чтобы сделать клиентский опыт персональным, но покупатель этих усилий часто не замечает. Согласно опросу Retail Rocket, 66% покупателей считают, что рекомендации редко или никогда не угадывают их ближайшие потребности. Возникает разрыв: бизнес уверен в персонализации, клиент не видит изменений.

Проблема не в самой идее, а в способе реализации. Одни компании ограничиваются именем в письме и случайными подборками «с этим покупают». Другие строят рекомендации на данных о реальном поведении. Первый подход клиент игнорирует. Второй меняет его решения и приносит бизнесу измеримый эффект.

Косметическая персонализация проходит мимо клиента

Формальная персонализация выглядит как забота о клиенте, но остается косметикой. Имя в теме письма, обращение «специально для вас», блок «с этим товаром покупают» — все подставляется по шаблону. Эти подсказки не учитывают, что человек действительно смотрел, искал и покупал. Клиент воспринимает такую подстройку как шум и проходит мимо.

Шаблоны расставлены по всем точкам контакта. На сайте показывают баннер «рекомендуем вам», в приложении шлют пуш со случайной скидкой, в поддержке читают скрипт с именем в первой строке. Каждый элемент имитирует индивидуальный подход, но построен по единому шаблону. Когда клиент несколько раз получает одни и те же нерелевантные подборки, доверие к бренду снижается — в итоге рассылки уходят в отписку.

Нерелевантные рекомендации портят впечатление о бренде, когда магазин предлагает уже купленный товар или чужую категорию. В такой момент формальная персонализация ухудшает клиентский опыт, вместо того чтобы его улучшать.

По данным того же опроса Retail Rocket, только 6% покупателей всегда обращают внимание на рекомендации. 19% смотрят на них часто, 31% — иногда, 20% игнорируют полностью. Авторы исследования называют ситуацию парадоксальной: ритейлеры вкладываются в технологии, но эти вложения не превращаются во внимание покупателя.

В свою очередь спрос на точную персонализацию высок. Глобальный отчет Twilio показывает: 88% покупателей охотнее совершают покупку при персонализированном взаимодействии в реальном времени. Но лишь 44% брендов работают на таком уровне. Разрыв тот же, что в России: клиент готов реагировать на точную персонализацию, а получает формальную.

Формальная персонализация против работы на данных

Разница между формальной и поведенческой моделью лежит в основе подбора. В первом случае подбор строится на демографии: пол, возраст, город покупателя. Во втором — на поведении пользователя: что человек смотрел, откладывал, покупал, в какое время и как часто, от каких товаров и услуг отказывался.

Демографический признак почти ничего не говорит о конкретной покупке. Два человека одного пола и возраста ведут себя по-разному и ждут разного. Поведенческая модель, напротив, рассчитывает вероятность интереса для каждого клиента и обновляет ее после каждого действия. Такую подсказку труднее отличить от совета знакомого, который в курсе привычек.

Разрыв заметен и по восприятию подборок. По тому же опросу Retail Rocket, 51% покупателей отмечают, что рекомендуемые товары лишь редко или иногда отвечают их потребностям. Формальный подбор попадает в потребность наугад и редко получает внимание клиента.

Альтернатива — сбор поведенческих данных из нескольких источников: истории заказов в CRM, действий на сайте и в приложении, обращений в поддержку, реакции на прошлые рассылки. Платформа клиентских данных и рекомендательный движок сводят эти следы в единый профиль пользователя и обновляют его почти в реальном времени. Сегментация здесь тоньше демографической: аудиторию описывает фактическое поведение, анкета почти ничего не добавляет. Обратная связь замыкает цикл: каждый клик, отказ или покупка уточняют следующую подборку. У формального подхода такого контура нет — он опирается на анкету, заполненную при регистрации.

На практике счет идет на сотни поведенческих сигналов по одному клиенту.

«Наша ML-модель оценки склонности к покупке самостоятельно анализирует каждого клиента по более чем 300 параметрам. В среднем прирост эффективности рекомендательных блоков достигает 20–25%, а в ряде сценариев — еще выше».

Андрей Скачек, руководитель департамента программ лояльности, целевых коммуникаций и клиентской аналитики «М.Видео»

Модель на трех сотнях параметров и подстановка имени в письмо решают одну задачу разными средствами. Именно средства определяют, увидит клиент персональный подход или нет и заплатит ли за него бизнес.

Что персонализация на данных дает бизнесу

Работа на данных окупается, когда конвертируется в финансы: прирост маржи, выручки и трат клиента. Восприятие клиентом и коммерческий результат при этом расходятся.

Для клиента ценность не в деньгах, а в опыте. Он складывается из всех взаимодействий с брендом: от первого захода на сайт до обращения в поддержку и повторной покупки. Персональный подбор меняет весь путь целиком: клиент реже сравнивает продукт с предложением конкурента и чаще возвращается. Так бизнес выстраивает длинные отношения вместо разовой продажи.

По данным глобального отчета Twilio, 75% компаний фиксируют рост трат клиентов от такого подхода. Только 45% потребителей чувствуют, что бренд их понимает. Компания зарабатывает чаще, чем клиент чувствует заботу. В том же отчете 71% покупателей бросают покупку, когда взаимодействие не оправдывает ожиданий. Цена формального подхода отражается прямо на выручке компании.

Персональное предложение увеличивает и выручку, и маржу, потому что попадает в момент, когда покупатель уже готов к покупке, и не требует сплошных скидок. В отличие от него массовая акция поднимает оборот, но снижает маржинальность. Адресное предложение, напротив, действует точечно и сохраняет прибыль.

Основной денежный эффект подбора на данных — в удержании. Клиент, которому регулярно попадают в потребность, возвращается чаще и реже уходит к конкуренту. Удержание обходится дешевле привлечения нового покупателя. Рост повторных покупок и снижение оттока прямо влияют на выручку — именно по этим показателям и оценивают окупаемость подбора: доля повторных покупок, отток и удовлетворенность клиентов. Такой подход повышает повторяемость и укрепляет лояльность.

Например, в крупном российском ритейле такой эффект уже измеряют. Сеть «Пятерочка» из X5 запустила CVM-платформу персональных предложений. Компания рассылает более 90 млн индивидуальных рекомендаций еженедельно и внедряет ИИ в маркетинговые кампании. По данным компании, подход дал прирост фронт-маржи почти до 2%, выручки — до 1,5% по категориям, на которые платформа влияет. Прирост компания подтвердила по итогам пилотных запусков.

Рекомендации точнее витрины бестселлеров

Топ популярных товаров предлагает всем одно и то же, а персональная модель считает подборку под конкретного клиента. Разница между ними заметна в конверсии. Витрина бестселлеров лишь имитирует персонализацию: она подстраивается под средний вкус аудитории и не учитывает потребности отдельного человека.

Например, рекомендательную систему для сети «ВкусВилл» разработал DataLab. В 2022 году команда сравнила рекомендательные модели между собой на реальных пользователях. По данным разработчика, конверсия лучших персональных моделей составила 9,2–10,1% против 2,9–3,8% у подборок из топа популярных товаров. Персональная модель превзошла витрину бестселлеров примерно втрое.

Способ проверки отделяет работающий подбор от формального. Команда «ВкусВилла» сравнила модели с базовой витриной на живом трафике и посчитала конверсию каждой. Формальный подбор обычно не измеряют: его включают и закрывают вопрос. Без таких показателей бизнес не знает, помогает подборка продажам или мешает.

Персональные подборки нужны в разных каналах: на витрине сайта, в пуш-уведомлениях, в письмах, в подсказках чат-бота и на кассе офлайн-магазина. Качественная модель держит подборку согласованной во всех точках контакта. Клиент получает один и тот же релевантный набор в каждом канале. Единое впечатление от бренда складывается из этой связности. Витрине бестселлеров такая согласованность не нужна — ей хватает одного общего списка.

Разрыв в конверсии показывает, за что клиент платит вниманием и покупкой. Он реагирует на подборку под свое поведение и проходит мимо усредненного списка, доступного любому посетителю.

Сначала данные, потом инструменты

Переход к работающему подбору начинается с данных, а не с покупки платформы. Платформа персонализации не приносит эффекта, если под ней нет качественных данных о поведении: истории покупок, просмотров, откликов на прошлые предложения. Сначала бизнес собирает и приводит в порядок эти данные, затем выстраивает стратегию подбора и выбирает инструмент под задачу.

Перед выбором инструмента стоит пройти путь клиента лично и отметить точки контакта, где подстройка уже формальна или отсутствует вовсе. Такой аудит выявляет, каких данных не хватает и какие сценарии дадут отдачу быстрее. Инструмент подбирают уже под найденные разрывы, а не наоборот.

На старте достаточно собрать несколько типов данных:

• историю покупок и средний чек по клиенту;
• поведение на сайте и в приложении: что смотрели, что откладывали, чем не воспользовались;
• реакцию на прошлые рассылки, отзывы и подсказки;
• каналы, через которые клиент чаще отвечает.

Отдача от таких вложений зависит от качества реализации. Диапазон широкий: итог определяет аккуратность внедрения.

«Существуют разные оценки эффективности рекомендательных сервисов, но все они демонстрируют существенную прибавку в продажах в онлайне: от 5% до 30% выручки интернет-магазинов. В офлайне повторные покупки увеличиваются на 20–27% при грамотной реализации».

Борис Агатов, независимый эксперт по инновациям и использованию ИИ в бизнесе

Одна и та же технология у одной компании приносит скромную прибавку к продажам, у другой — кратный рост. Разброс задают данные и настройка под клиента. Платформа только исполняет то, что в нее заложили. Работа на данных остается постоянным процессом: сигналы накапливаются, модель дообучается, команда сверяет гипотезы с аналитикой по клиентам.

Персонализация окупается там, где за ней стоят данные

Полезнее спрашивать, на каких данных построена персонализация, а не внедрена ли она вообще. Формальная персонализация остается заметной только бизнесу в отчете о запуске. Работающая строится на поведении клиента, поэтому меняет его решения. Она окупается там, где за ней стоят собранные и выверенные данные о клиентах. Сам клиент по-прежнему не думает про персонализацию — он просто видит, что предложения начали попадать в его потребности.