Как ИИ-консультант превращает посетителя в покупателя: опыт работы с данными в российском ecommerce

В прошлой статье я расписал, сбор каких данных гарантированно повышает прибыльность екома. Но не уточнил, что без применения ИИ в некоторых сценариях роста конверсий не видать. Сейчас расскажу, что и почему – с реальными примерами, разумеется.

Как вы уже поняли, без данных не получится сориентироваться в настоящем и тем более построить будущее вашей торговли. Особенно хорошо данные работают в связке с алгоритмами, способными анализировать и запоминать тысячи SKU, клиентских историй и сценариев – и безошибочно предлагать нужные каждому посетителю. Именно связка данные + ИИ и дает конкурентное преимущество: консультант-человек не в состоянии перебрать миллионы вариантов в базе и выдать ответ за пару секунд. А ИИ, даже самый красноречивый, останется тупым чат-ботом без нужных уникальных данных.

Приведу пример. В 2023 году один из наших клиентов – крупный интернет-магазин косметики – столкнулся с типичной проблемой: менеджеры физически не успевали обрабатывать растущий поток обращений. При этом конверсия падала, а стоимость привлечения клиента росла.

После внедрения AI-консультанта Molver результат первого квартала впечатлил: конверсия выросла на 32%, средний чек увеличился на 18%, а время обработки запроса сократилось с 15 минут до 30 секунд.

Секрет успеха был в том, что ИИ-консультант:

- мгновенно анализировал всю историю взаимодействия с клиентом;

- учитывал поведенческие паттерны похожих покупателей из базы CRM;

- адаптировал предложения в режиме реального времени, а не шел по скрипту.

После 8 лет работы с аналитикой в екоме я уверен: хорошо настроенный и обученный ИИ-консультант способен увеличить продажи магазина на 30-45% за первые полгода работы. Главное – дать ему правильные данные и научить их использовать. Расскажу, как мы это делаем на примере реальных кейсов.

Все те же, что и для “человеческого анализа” – самые важные поведенческие и транзакционные (см. предыдущую статью). Точный состав данных зависит от ваших коммерческих целей и проблем.

Вот типичные примеры использования ключевых метрик:

Интересный инсайт от нескольких наших заказчиков: их покупатели проводят втрое больше времени на страницах с подробным описанием состава и характеристик, чем на страницах с ценами. ИИ теперь делает акцент на технических деталях в своих рекомендациях. Точных данных по конверсии в покупку пока нет, но отвал посетителей на исследуемых товарных группах снизился вдвое за несколько месяцев. Они благоприятно реагируют на AI-консультанта и идут дальше по сценарию покупки.

AI Molver анализирует не только текущую сессию, но и предыдущие визиты, что позволяет делать более релевантные предложения.

Здесь ИИ обычно работает с историей покупок и любимыми категориями. Средний чек и частота заказов тоже анализируются, но уже в рассылках и персональных предложениях.

Конечно, весь спектр клиентских предпочтений – от демографии и гео до предпочитаемых устройств и способов оплаты – мы тоже “скармливаем” AI-консультанту. Здесь сценариев использования много, не буду на них заостряться сейчас. Подробнее могу ответить в комментариях.

Так или иначе, самое важное в дуэте “данные + ИИ-консультант” – это использование комбинированных и агрегированных метрик и источников. ИИ не смотрит одну метрику за другой по порядку, не изучает их по списку. Для каждой конкретной цели важно задать свою комбинацию.

- Страницы, которые посмотрел посетитель

- Товары в корзине

- Время на каждой странице

- Переходы между разделами

- Поисковые запросы на сайте

Пример: В магазине электроники AI-консультант видит, что посетитель 3 минуты изучает характеристики iPhone 15, затем смотрит более бюджетный iPhone 14. ИИ мгновенно включает сценарий работы с возражением по цене: рассказывает про рассрочку и сравнивает ключевые преимущества моделей.

- Прошлые покупки

- Брошенные корзины

- Предпочитаемые категории

- История общения с ИИ-консультантом

- Реакции на предыдущие предложения

- Типичные сценарии покупки

- Популярные комбинации товаров

- Частые вопросы и возражения

- Эффективные триггеры к покупке

- Оптимальные ценовые предложения

Но. Чуда не случится, если не связывать эту работу ИИ с комбинацией данных в последовательные шаги. Какие еще шаги? Приведу пример.

В 2023 году мы внедряли ИИ-консультанта в сеть магазинов домашнего текстиля. Изначально скепсис был огромный: "У нас специфический товар, нужен индивидуальный подход". Но давайте посмотрим на цифры:

До внедрения ИИ-консультанта:

- Конверсия из посетителя в покупателя: 2,3%

- Средний чек: 4800 рублей

- Время обработки заявки: 12 минут

- Доля повторных покупок: 15%

После 6 месяцев работы ИИ:

- Конверсия из посетителя в покупателя: 3,8%

- Средний чек: 6200 рублей

- Время обработки: 40 секунд

- Доля повторных покупок: 27%

Достичь таких результатов удалось за счет двух основных шагов.

ИИ научился анализировать типичные сочетания товаров. Например, заметил интересную закономерность: 70% покупателей, выбирающих постельное белье определенного дизайна, интересуются шторами в той же цветовой гамме. Теперь AI-консультант автоматически предлагает комплементарные товары, формируя готовые интерьерные решения.

Особенно интересный кейс из практики продаж детской одежды. ИИ анализирует:

- Возраст ребенка

- Сезонность предыдущих покупок

- Предпочитаемые бренды

- Ценовой диапазон

И за месяц до предполагаемой следующей покупки отправляет клиентам персональную подборку новинок нужного размера. Результат: 42% получивших такие рекомендации совершают покупку в течение двух недель.

Неважно, какую текущую цель вы реализуете, есть непременные вещи, без которых работа ИИ-консультанта будет, мягко говоря, бессмысленной. Пара примеров:

В магазине электроники ИИ научился распознавать и обрабатывать типичные сценарии отказа от покупки:

- "Дорого" - предлагает рассрочку или аналоги

- "Надо подумать" - отправляет сравнительный анализ с конкурентами

- "Нет нужного цвета" - ставит на уведомление о поступлении

- "Сомневаюсь в качестве" - показывает отзывы и обзоры

Например, многие западные решения не учитывают специфику российского покупателя или в принципе региональную специфику Россия + республики и страны СНГ. Мы научили ИИ работать с характерными для России и СНГ особенностями:

Региональная специфика, то есть

- Разная покупательская способность по регионам

- Сезонные различия спроса

- Локальные предпочтения брендов

Способы оплаты, а именно

- Популярность оплаты при получении

- Специфика работы с СБП

- Региональные платежные системы

Логистические нюансы:

- Работа с постаматами

- Расчет сроков доставки по регионам

- Учет особенностей СДЭК, Почты России и других служб

Теперь перейдем к конкретным сценариям взаимодействия ИИ-консультанта Molver и посетителя/клиента, ведь на каждом шаге ИИ должен что-то делать и как-то отвечать. Примеры – ниже.

Исходные данные:

- Посетитель 2 минуты на странице платья

- Просмотрел 3 модели похожего фасона

- Открыл размерную сетку

Действия консультанта:

1. Инициирует диалог: "У вас превосходный вкус, ведь платья ХХ сейчас в тренде. Помочь подобрать платье вашего размера?"

2. После ответа сразу показывает наличие размеров

3. Предлагает фильтрацию по цвету/длине

Результат: В магазине одежды конверсия из просмотра в покупку выросла с 1,8% до 3,2% через неделю после внедрения такого сценария.

Данные для анализа:

- Состав корзины

- Стоимость

- На каком шаге прервался заказ

- Предыдущие покупки

Действия ИИ:

1. Возвращается в диалог через 15 минут, если человек не закрыл вкладку/не прервал сессию

2. Предлагает персональную скидку

3. Упрощает процесс оформления

Кейс: В магазине детских товаров возврат к брошенным корзинам через ИИ-консультанта показал конверсию 23%, против 8% при стандартных email-рассылках.

Анализируемые параметры:

- Текущий состав корзины

- Популярные комбинации

- Ценовой диапазон клиента

- История покупок

Алгоритм работы, где AI-консультант:

1. Определяет потенциал увеличения чека

2. Предлагает дополняющие товары

3. Рассчитывает оптимальную скидку

Результат: В магазине домашнего текстиля средний чек при работе с ИИ-консультантом на 32% выше, чем без него.

Куда без них. Тоже коротко расскажу, потому что тема важная.

Решение: Начинайте сбор данных заранее, минимум за 3-6 месяцев до внедрения ИИ.

Решение: Регулярно проводите аудит данных, проверяйте их полноту и корректность.

Решение: Обеспечьте связь ИИ с CRM, складской системой и платформой аналитики.

CRM-система

- API с временем отклика < 100 мс

- Двусторонний обмен данными

- Автоматическое обогащение профиля клиента

- История всех взаимодействий

- Статусы и этапы сделок

Система товарного учета

- Остатки в реальном времени

- Резервирование товаров

- Информация о поставках

- История цен

- Статусы товаров (доступен/под заказ)

Платформа аналитики

- Интеграция с GA4/Яндекс.Метрика

- Отслеживание пользовательских сессий

- Данные о поведении на сайте

- Конверсионные воронки

- Источники трафика

История коммуникаций

- Все диалоги с ИИ-консультантом

- Переписка с менеджерами

- Email-коммуникация

- Обратная связь

- Претензии и возвраты

То есть цифры, которые показывают, насколько ваш ИИ хорош в деле и не пора ли его увольнять корректировать. Приемлемые для вас значения можно задать самостоятельно в зависимости от качества конверсий и конверсионных целей в целом

- % успешного распознавания запроса

- Точность ответов

- Скорость реакции

- Уровень удовлетворенности

- % передачи диалога человеку

- Конверсия из диалога в покупку

- Показатель допродаж

- Увеличение среднего чека

- Возврат к брошенным корзинам

- Повторные покупки

- Количество одновременных диалогов

- Среднее время до покупки

- % автоматически решенных вопросов

- Экономия на персонале

- ROI внедрения

Эти метрики и требования основаны на реальном опыте внедрения ИИ-консультантов в российских интернет-магазинах. Мы постоянно корректируем их на основе новых данных и результатов работы.

P.S. Все приведенные цифры и кейсы – из реального опыта внедрения в российских интернет-магазинах в 2023 году.