5 способов использовать ИИ для трансформации своих маркетинговых кампаний. С кейсами и рекомендациями

Представьте себе мир, в котором ваши маркетинговые предложения и кампании попадают точно в цель,. Как бы утопично это ни звучало, но такие возможности дает применение искусственного интеллекта в маркетинговых активностях. В этой статье эксперты Сбер Бизнес Софт рассмотрят 5 кейсов применения ИИ для повышения эффективности маркетинговых активностей и разви

1. Скоринг вероятности конверсии

Как бы было замечательно, если бы маркетологи могли понимать, о чем думают потенциальные клиенты, и знать, кто из них уже готов купить, кто сомневается и нуждается в стимуле, а кто просто изучает ассортимент. Что ж, вручную маркетологи такое сделать в реальном времени и с каждым отдельным посетителем на сайте не могут, но ИИ вполне способен с этим помочь.

Например, вычислить вероятность конверсии в реальном времени может предиктивный ИИ-скоринг. Данная технология оценивает особенности поведения покупателей на сайте, а после сопоставляет их с большими данными, которые свидетельствуют о том, как часто совершали покупки пользователи со схожим поведением. Предиктивный скоринг может быть встроен в различные CRM-системы или применяться отдельно в рамках решений для оптимизации конверсии.

В результате такого скоринга можно поделить посетителей на условные сегмента: «готовы к покупке», «сомневаются» и «не собираются покупать». Для каждого из них ИИ может подобрать оптимальную стратегию: какие кампании показывать, когда и стоит ли вообще это делать. В итоге вы будете точно знать, какие маркетинговые кампании стоит распространить на клиента, и сможете избежать лишних расходов.

Кейс

Как такая система может работать на практике? Разберем пользу технологии на примере одного крупного автомобильного бренда.

Сайт компании выполняет больше имиджевую историю, ведь редкий покупатель покупает автомобили онлайн. Тем не менее компания предлагает запись на тест-драйв авто в своих дилерских центрах через сайт. При этом сталкивается с двумя проблемами: низкий уровень конверсии на сайте с целью записи на тест-драйв и низкое качество лидов. Поэтому перед маркетологами встала задача генерацие максимального числа лидов с высокой конверсией в покупку, а также сокращение издержек. В итоге компания решила обратиться за помощью к скоринговой технологии на основе ИИ.

Проведя анализ, скоринговая технология присвоила оценки для потенциальной конверсии. Например, 1 балл — это минимальная вероятность конверсии, а 100 — максимальная. Оценка попадает в один из трех возможных интервалов, который обозначает определенную вероятность конверсии:

• От 1 до 50: низкая вероятность конверсии. Вряд ли купят что-то, можно не делать этой категории посетителей дополнительных предложений.
• От 51 до 80: средняя вероятность конверсии. Эти посетители сомневаются, им можно предложить скидку или бесплатную доставку.
• От 81 до 100: высокая конверсия. Посетители купят в любом случае. Чтобы мотивировать их к действию, можно предложить скидку, действительную в течение нескольких часов.

Модель скоринга обучалась, в основном, на следующих данных о посетителе:

• время, проведенное на главной странице;
• количество посещений;
• местоположение;
• просмотренные модели авто на сайте;
• количество посещений сайта;
• просмотренные страницы (помимо продуктовых).

Для тех, посетителей, которые попадали по скорингу в сегмент «раздумывающих о покупке», всплывал персонализированный виджет с предложением записаться на тест-драйв интересующей его модели авто. Другим сегментам такие предложения не показывались.

Что дал такой эксперимент компании? Во-первых, они выполнили свой KPI — количество лидов почти удвоилось (+98%). Во-вторых, они лучше изучили поведение своих потенциальных покупателей. А главное — сэкономили время для внутренних команд и партнерских дилерских центров.

2. Оптимальное время отправки рассылок и SMS

Хотя бы раз каждый маркетолог размышлял, пытаясь прикинуть идеальное время отправки рассылки. Наверняка вам хотелось бы знать, когда отправлять email-рассылки или смс-уведомления, чтобы вовлеченность была максимальной, как и возврат инвестиций на ваши кампании. К тому же объединить удачное время рассылки и индивидуально адаптированный контент для каждого клиента — это действительно крутое комбо.

С применением ИИ-технологий гадать уже нет необходимости, ведь с их помощью сейчас возможно рассчитать скоринг и определить оптимальное время взаимодействия с теми или иными типами контента. Да, уже существуют CRO-платформы (CRO — оптимизация конверсии), которые включают разнообразный функционал для увеличения ваших показателей конверсии, в том числе на основе ИИ.

У каждой платформы на рынке есть, возможно, своя запатентованная технология или метод работы с данными, но принцип все-таки часто сходится. Алгоритмы определят зависимости с учетом того, как часто и когда открывал смс-сообщения один пользователь, или когда и как часто взаимодействовал с электронными письмами другой. Также могут учитываться географическое положение и даже сезонные события.

Фото: Сбер Бизнес Софт

Представьте себе мир, в котором ваши маркетинговые предложения и кампании попадают точно в цель,. Как бы утопично это ни звучало, но такие возможности дает применение искусственного интеллекта в маркетинговых активностях. В этой статье эксперты Сбер Бизнес Софт рассмотрят 5 кейсов применения ИИ для повышения эффективности маркетинговых активностей и развития долгих партнерских отношений с клиентами.

1. Скоринг вероятности конверсии

Как бы было замечательно, если бы маркетологи могли понимать, о чем думают потенциальные клиенты, и знать, кто из них уже готов купить, кто сомневается и нуждается в стимуле, а кто просто изучает ассортимент. Что ж, вручную маркетологи такое сделать в реальном времени и с каждым отдельным посетителем на сайте не могут, но ИИ вполне способен с этим помочь.

Например, вычислить вероятность конверсии в реальном времени может предиктивный ИИ-скоринг. Данная технология оценивает особенности поведения покупателей на сайте, а после сопоставляет их с большими данными, которые свидетельствуют о том, как часто совершали покупки пользователи со схожим поведением. Предиктивный скоринг может быть встроен в различные CRM-системы или применяться отдельно в рамках решений для оптимизации конверсии.

В результате такого скоринга можно поделить посетителей на условные сегмента: «готовы к покупке», «сомневаются» и «не собираются покупать». Для каждого из них ИИ может подобрать оптимальную стратегию: какие кампании показывать, когда и стоит ли вообще это делать. В итоге вы будете точно знать, какие маркетинговые кампании стоит распространить на клиента, и сможете избежать лишних расходов.

Кейс

Как такая система может работать на практике? Разберем пользу технологии на примере одного крупного автомобильного бренда.

Сайт компании выполняет больше имиджевую историю, ведь редкий покупатель покупает автомобили онлайн. Тем не менее компания предлагает запись на тест-драйв авто в своих дилерских центрах через сайт. При этом сталкивается с двумя проблемами: низкий уровень конверсии на сайте с целью записи на тест-драйв и низкое качество лидов. Поэтому перед маркетологами встала задача генерацие максимального числа лидов с высокой конверсией в покупку, а также сокращение издержек. В итоге компания решила обратиться за помощью к скоринговой технологии на основе ИИ.

Проведя анализ, скоринговая технология присвоила оценки для потенциальной конверсии. Например, 1 балл — это минимальная вероятность конверсии, а 100 — максимальная. Оценка попадает в один из трех возможных интервалов, который обозначает определенную вероятность конверсии:

• От 1 до 50: низкая вероятность конверсии. Вряд ли купят что-то, можно не делать этой категории посетителей дополнительных предложений.
• От 51 до 80: средняя вероятность конверсии. Эти посетители сомневаются, им можно предложить скидку или бесплатную доставку.
• От 81 до 100: высокая конверсия. Посетители купят в любом случае. Чтобы мотивировать их к действию, можно предложить скидку, действительную в течение нескольких часов.

Модель скоринга обучалась, в основном, на следующих данных о посетителе:

• время, проведенное на главной странице;
• количество посещений;
• местоположение;
• просмотренные модели авто на сайте;
• количество посещений сайта;
• просмотренные страницы (помимо продуктовых).

Для тех, посетителей, которые попадали по скорингу в сегмент «раздумывающих о покупке», всплывал персонализированный виджет с предложением записаться на тест-драйв интересующей его модели авто. Другим сегментам такие предложения не показывались.

Что дал такой эксперимент компании? Во-первых, они выполнили свой KPI — количество лидов почти удвоилось (+98%). Во-вторых, они лучше изучили поведение своих потенциальных покупателей. А главное — сэкономили время для внутренних команд и партнерских дилерских центров.

2. Оптимальное время отправки рассылок и SMS

Хотя бы раз каждый маркетолог размышлял, пытаясь прикинуть идеальное время отправки рассылки. Наверняка вам хотелось бы знать, когда отправлять email-рассылки или смс-уведомления, чтобы вовлеченность была максимальной, как и возврат инвестиций на ваши кампании. К тому же объединить удачное время рассылки и индивидуально адаптированный контент для каждого клиента — это действительно крутое комбо.

С применением ИИ-технологий гадать уже нет необходимости, ведь с их помощью сейчас возможно рассчитать скоринг и определить оптимальное время взаимодействия с теми или иными типами контента. Да, уже существуют CRO-платформы (CRO — оптимизация конверсии), которые включают разнообразный функционал для увеличения ваших показателей конверсии, в том числе на основе ИИ.

У каждой платформы на рынке есть, возможно, своя запатентованная технология или метод работы с данными, но принцип все-таки часто сходится. Алгоритмы определят зависимости с учетом того, как часто и когда открывал смс-сообщения один пользователь, или когда и как часто взаимодействовал с электронными письмами другой. Также могут учитываться географическое положение и даже сезонные события.

Кейс

Маркетологи одного книжного онлайн-магазина поставили себе цель увеличить вовлеченность на сайте, а также стимулировать продажи.

Один из клиентов постоянно покупает в этом магазине книги, а компания регулярно присылает рассылки и СМС. Рассылка отправляется поздним вечером, когда клиент наиболее часто открывает письма и кликает по ним. В письме — персонализированная подборка серии книг, которые часто покупают вместе. Затем в самое удобное время для клиента (заботливо рассчитанное ИИ-алгоритмами) клиент получает СМС с промокодом на подборку в ранее присланной рассылке. Он вспоминает про книги, открывает рассылку, применяет промокод и покупает их.

В результате онлайн-магазин поднял продажи на сайте на 36% благодаря ИИ, поощряя к новым покупкам лояльного покупателя.

3. Прогнозирование возвратов заказов

Для интернет-магазинов крайне невыгодной историей являются два случая возврата:

• покупка большого количества товаров, затем возврат большей части из них;
• покупка товара, единоразовая носка и затем возврат.

Это все чревато потерями: дополнительные траты на логистику или даже порча товара.

Прогнозирование и сегментирование такого «возвратного» поведения позволяет работать на сокращение уровня реальных возвратов товара, а также увеличить прибыльность, исключая таких клиентов из всех маркетинговых активностей, направленных на рекламу, ретаргетинг, удержание и вовлечение.

Кейс

Бренд модной женской одежды запустил масштабные кампании по ретаргетингу (возврату покупателей для повторного заказа) через социальные сети и с помощью платной рекламы. Для этого маркетологи бренда сегментировали аудиторию с использованием предиктивной аналитики и определили проблемный сегмент — «высокая вероятность возврата». С помощью этой информации они исключили сегмент из плана ретаргетинга, чтобы не тратить маркетинговые усилия и бюджеты.

В результате компания сократила издержки почти на 24%.

4. Персонализированные товарные рекомендации

Персонализация — это тренд последних нескольких лет, и это не просто так. Персонализированный подход позволяет вам проявить заботу о клиенте, вовлечь посетителя вашего сайта или приложения, а также положительно повлиять на конверсию.

С помощью персонализированных товарных рекомендаций вы можете не только помочь посетителю с навигацией по вашему товарному каталогу, но и сделать шопинг более приятным и увлекательным. Ведь если посетителю предлагать только товары, которые потенциально могли бы ему понравится, то покупать он будет с большим энтузиазмом. Безусловно, это задел на более высокие показатели конверсии и средние чеки.

Например, онлайн-сервисы для увеличения конверсии на сайте позволяют интегрировать на сайт персонализированные умные ленты рекомендаций, за счет чего подборки и рекомендации можно делать как вручную на основе товарного каталога («Новинки», «Модно в этом сезоне»), так и с помощью ИИ («Только для вас», «Это будет вам интересно»).

Пример

Например, покупатель, который занимается дайвингом и ранее покупал ласты, сейчас ищет новые очки для ныряния на сайтах спортивной экипировки. В таком случае, алгоритмы ИИ вполне могут распознать его интерес в подобных профессиональных товарах (в том числе на основе исторических и поведенческих данных) и сначала показать ему на главной странице сайта подборку очков для дайвинга вместо пляжной обуви, которая его вряд ли заинтересует.

5. Чувствительность к скидкам

Чтобы ваши скидки и акции действительно приносили пользу, полагаться на интуицию недостаточно. Нужно принимать решения на основе данных и информации о восприимчивости того или иного сегмента посетителей к скидкам, промоакциям и другим предложениям.

Алгоритмы ИИ вполне могут определить сегменты с высокой чувствительностью к скидкам и низкой восприимчивостью к промо на основе данных об их прошлых покупках и поведении. Имея информацию о двух сегментах, вы можете оптимизировать ценообразование и стратегию промо, при этом увеличивая прибыльность промоакций.

Кейс

Компания, продающая элитную парфюмерию столкнулась с проблемой низких показателей отклика на предложения и акции. В таком случае может помочь работа с сегментами «высокой чувствительности к скидкам» и «низкой восприимчивости».

План был такой: для первого сегмента подготовить промоакцию, «неделю диких скидок» или дать временный промокод на 48 часов, а второму, например, прислать рассылку с описанием новых ароматов и подробным разбором всех нот. Таким образом, каждый сегмент получает то, что ему интереснее, а прибыльность растет: продажи компании из примера удалось увеличить на 17%.

Как реализовать работу технически

Чтобы использовать описанные выше возможности на практике, важно правильно организовать техническую инфраструктуру и процесс. Ключевым элементом будет загрузка больших массивов информации — исторических данных о покупателях, их поведении или реакциях на маркетинговые кампании.

Одним из вариантов такой реализации является загрузка через API непосредственно в ИИ-модель, например, в ChatGPT. Это позволит анализировать массивы сырых данных, а затем использовать ИИ для создания персонализированных рекомендаций или прогнозов.

Предположим, у вас есть массив информации о покупательской активности за последние три месяца, включающий данные о покупках и возвратах. Примером промпта (запроса к нейросети) может быть такой:

«На основе данных за последние три месяца спрогнозируй, какие товары будут наиболее востребованы следующей зимой среди покупателей категории X и какие действия следует предпринять для увеличения конверсии в этой группе».

Система проанализирует эти данные и сможет предложить не только рекомендации, но и конкретные шаги для оптимизации кампаний.

Тем не менее важно помнить о некоторых технических ограничениях. Например, есть лимиты на объем загружаемых данных через API. На текущий момент, модели ChatGPT могут обрабатывать ограниченное количество токенов за один запрос (около 4-8 тысяч). Если массив данных слишком велик, его необходимо предварительно разбить на части или использовать методы сокращения.

Чтобы решить проблемы, связанные с лимитами, можно развернуть собственную ИИ-архитектуру или использовать внешние решения. В первом случае потребуется создать системы для управления базами данных, их анализа и обработки, а также модели машинного обучения. Здесь ограничения будут зависеть от производительности созданной инфраструктуры: ее гибкости и возможностей наращивать вычислительные мощности. Из плюсов — полный контроль над данными и независимость от внешних поставщиков.

Если компания хочет использовать готовые решения, она может интегрировать внешние ИИ-инструменты и облачные платформы. Тогда все технические вопросы останутся на стороне поставщика, а лимиты будут зависеть от его возможностей. Этот подход значительно увеличивает скорость интеграции, уменьшает затраты на разработку и поддержку, обеспечивает масштабируемость. Модели и инфраструктура уже настроены, что позволяет быстро внедрить ИИ в маркетинговые кампании.

Выбор между внутренней реализацией и использованием внешних инструментов зависит от приоритетов компании, ресурсов и необходимого уровня контроля над данными.

В заключение можно сказать, что многие до сих пор считают, что ИИ-платформы — это дорогие решения, порой недоступные для малого и среднего бизнеса. Отчасти это так, если мы говорим о решениях для крупнейшего бизнеса или «самописных» продуктах. Однако на рынке есть доступные ИИ-инструменты, которыми важно научиться грамотно пользоваться, чтобы повысить результаты рекламных кампаний.