На протяжении последних десяти лет целью был data-driven маркетинг. Собрать данные, построить дашборды, опираться на цифры при принятии решений. Большинство команд более-менее этого достигли. Они отслеживают события, сегментируют по поведению и могут назвать конверсию по каналам за прошлый квартал.
Затем появились AI-инструменты для маркетинга, и почти все начали ими пользоваться. Bain опросила 1397 руководителей и выяснила, что сегодня AI использует почти каждая маркетинговая организация, однако лишь 6% респондентов говорят о существенном влиянии на эффективность. В большинстве команд процесс принятия решений не изменился, несмотря на появление новых инструментов.
В этой статье разберем, что AI-driven маркетинг означает на практике, какие технологии лежат в его основе, как меняется работа маркетолога, где здесь место агентного маркетинга и какие четыре типа решений уже сейчас можно делегировать AI.
Краткий обзор
- AI-driven маркетинг означает, что модели принимают или рекомендуют индивидуальные решения для каждого клиента — с кем контактировать, что предложить, когда и через какой канал — в рамках целей и ограничений, заданных маркетологами, а затем оптимизируют эти решения на основе результатов.
- Data-driven маркетинг никуда не исчезает. Данные становятся основой для решений, а рутинные решения переходят от людей к моделям.
- Большее количество AI-инструментов в маркетинге еще не делает его AI-driven. Нужны, в частности, единый профиль клиента, общая бизнес-цель и замкнутый цикл обратной связи.
- Роль маркетолога все больше заключается в определении цели, ограничений, данных, метрики успеха и этапов, на которых необходимо согласование человека.
- Агентный маркетинг — наиболее автономная форма AI-driven маркетинга, которая опирается на те же основы.
Что такое AI-driven маркетинг?
AI-driven маркетинг — это операционная модель, в которой искусственный интеллект принимает или рекомендует ежедневные решения в работе с клиентами: с кем контактировать, что показывать каждому, когда отправлять сообщения и через какой канал. Люди определяют цель и границы. Модели рекомендуют или автоматизируют отдельные решения в этих границах и оптимизируют их на основе предыдущих результатов.
Это помогает отделить понятие от более широкого термина. AI-маркетинг охватывает любое использование AI в маркетинговой деятельности. Копирайтер, который готовит темы писем с помощью чат-бота, или дизайнер, который генерирует фоны для баннеров, — оба используют AI в маркетинге. Но такие применения не меняют того, кто решает, что именно получит клиент.
Быстрая проверка: представьте, что вы убрали AI-инструменты из своей системы. Если без AI кампании выходили бы медленнее, но не менялись бы по содержанию, это означает, что AI используется лишь для создания контента. Если же разные клиенты теперь получали бы другие товары, в другое время и через другие каналы, значит, AI принимал решения, и именно в этой части ваш маркетинг можно считать AI-driven.
Три уровня возможностей AI
- Автоматизация — система выполняет действия по заранее определенным правилам.
- Интеллект — система анализирует данные, делает прогнозы или оптимизирует решения.
- Автономность — система планирует и выполняет действия и принимает решения без участия человека в рамках заранее определенных параметров.
От data-driven к AI-driven маркетингу: что изменилось?
В data-driven маркетинге люди анализируют данные и сами принимают решения. Например, аналитик формирует отчет, маркетолог создает сегмент по правилам вроде “покупал за последние шесть месяцев, открывал письмо за последние пять недель”, а кампания отправляется всем, кто соответствует этим условиям.
У этой модели есть два реальных ограничения, которые нельзя устранить просто увеличением объема данных. Первое — масштаб. Опытная команда может создать десять сегментов и, возможно, пятьдесят триггерных кампаний. Но она не может ежедневно принимать индивидуальное решение для каждого из 500 000 клиентов. Второе ограничение — ориентация на прошлое. Правила описывают то, что клиенты делали в прошлом. Правило “покупал за последние шесть месяцев” помогает определить тех, кто был активен, но не тех, кто собирается купить в ближайшее время.
Оксана Вобяченко, CMO eSputnik
Парадокс data-driven маркетинга в том, что компании научились собирать значительно больше данных, чем реально могут использовать.
Например, CDP собирает сотни поведенческих сигналов, но маркетологи по-прежнему создают сегменты лишь по трем-пяти критериям. Значительная часть информации никогда не влияет на принятие решений. Иными словами, доступность данных больше не является главным ограничением.
Настоящий вызов — в том, какую часть этих данных компания реально может использовать для принятия решений и действий.
AI переносит принятие решений на уровень отдельного клиента и ориентирует его на будущее поведение.
Например, модель может оценивать для каждого контакта вероятность покупки, оттока или реакции, используя сотни сигналов, для которых никто не стал бы вручную прописывать правила, и обновлять эти оценки по мере поступления новых данных о поведении. Маркетолог все больше делегирует модели выбор аудитории и начинает определять, что именно модель должна оптимизировать и какие ограничения она не должна нарушать.
Так значит ли это, что теперь маркетинг должен быть только AI-driven, а data-driven подход остался в прошлом? Нет. Данные становятся еще важнее, ведь модель действует на их основе без проверки каждого решения человеком. Чистые first-party данные, собранные с разрешения пользователей, становятся предпосылкой для всего остального.
Но это существенно меняет сам подход к работе. До сих пор AI в маркетинге преимущественно повышал операционную эффективность: больше текстов, больше изображений, более быстрый выход на рынок. Однако возможности AI в маркетинге этим не ограничиваются. Исследование Bain показало, что маркетинговые лидеры в 3,7 раза чаще, чем отстающие компании, полностью перестраивали свои рабочие процессы вокруг AI. Команды, которые достигают лучших результатов, изменили то, кто и какие решения принимает, а инструменты уже подстроили под этот подход.
Как работает AI-driven маркетинг: технологии в его основе
Понять AI-driven маркетинг помогает упрощенный цикл принятия решений: данные формируют профиль клиента. Модели анализируют профиль и делают прогнозы. Уровень принятия решений превращает прогнозы в действия, каналы доставляют сообщения, а реакция клиента возвращается в систему как новые данные. Расширенный набор данных позволяет моделям делать еще более точные прогнозы.
Уровень данных: один профиль на каждого клиента
Customer Data Platform (CDP) собирает поведенческие данные — например, посещения сайта, просмотры товаров и события корзины, — добавляет транзакции и связывает все это с одним человеком на разных устройствах и в разных сессиях. Эти данные формируют единый профиль клиента 360°, который использует каждая модель. Неполные данные в профиле снижают качество решений, принимаемых на их основе, поэтому с появлением AI обогащение данных о клиенте становится еще важнее.
Уровень моделей: прогнозирование и генерация
Основную работу выполняют два типа моделей. Предиктивные модели — преимущественно классификаторы машинного обучения и нейронные сети — оценивают вероятности: кто купит в течение следующих 30 дней, кто склонен к оттоку, кто не откроет следующее письмо. Это предиктивная аналитика на уровне отдельных клиентов, которую часто называют propensity modeling — моделированием склонности.
Модели, работающие с последовательностью действий клиента, учитывают их порядок, а не только обобщенную информацию о них. Архитектуру трансформеров, которая лежит в основе каждой большой языковой модели, теперь используют и для товарных рекомендаций, ведь порядок имеет значение: клиент, который купил камеру, а затем неделю просматривал штативы, дает контекст, который список “с этим товаром покупают” может не учесть. Получая данные текущей сессии, такие модели могут обновлять подборку товаров прямо во время визита — именно так на практике работает персонализация в реальном времени.
Кроме того, генеративный AI работает с контентом. Он использует обработку естественного языка, чтобы создавать темы писем, тексты для push-уведомлений и описания товаров, а также генерировать варианты быстрее, чем это может сделать команда.
Уровень принятия решений: от прогноза к действию
Сам по себе прогноз ничего не меняет. Уровень принятия решений объединяет результаты моделей с бизнес-правилами: отправлять предложение, если вероятность покупки превышает заданный порог; рекомендовать только товары в наличии; никогда не давать скидку на новинки. В martech это называют AI decisioning — принятием решений с помощью AI. Оптимизация кампаний также может происходить непрерывно: адаптивный алгоритм тестирования еще во время эксперимента перераспределяет трафик в пользу более эффективных вариантов сообщений. Система определяет лучшее следующее действие для каждого клиента: товар, сообщение, момент взаимодействия или решение подождать.
Обратная связь: часть, которую часто недооценивают
Здесь сигналы взаимодействия клиента — открытия, клики, покупки, отписки — возвращаются в профиль. Система может использовать эту обратную связь для оптимизации следующих прогнозов и решений. Без такого обратного контура она продолжает делать те же предположения и не совершенствуется.
Как это работает на разных этапах жизненного цикла клиента
Такой подход к принятию решений можно применять на всех этапах жизненного цикла клиента, где на каждом этапе актуальными становятся разные сигналы и решения.
|
Этап жизненного цикла |
Решение, которое может принять AI |
Основные сигналы |
|---|---|---|
|
Первый визит |
Какие товары показать анонимному посетителю |
Поведение во время сессии, источник трафика |
|
Подписка |
Что включить в welcome-серию |
Просмотры до подписки |
|
От первой до второй покупки |
Лучшее следующее предложение |
Последовательность покупок, интерес к категориям |
|
Повторная покупка |
Когда клиенту понадобится пополнение запаса |
Индивидуальные интервалы между покупками |
|
Снижение активности |
Кто находится в зоне риска и стоит ли вообще отправлять сообщения |
Динамика вовлеченности, оценка риска оттока |
|
Потерянный клиент |
Окупится ли предложение для реактивации |
Прогнозируемая ценность, маржа |
Что делает маркетинг действительно AI-driven, а не просто набором инструментов
Посчитайте AI-функции в типичном martech-стеке — их легко наберется с десяток: ассистент для написания текстов, оценщик тем писем, алгоритм управления ставками в рекламе, виджет рекомендаций, чат-бот. Вместе они часто оптимизируют разные, а иногда и противоречивые цели. Email-инструмент оптимизирует открытия, виджет рекомендаций — клики, рекламная платформа — собственные атрибутированные конверсии. В результате клиент получает скидку в email, рекомендации по полной цене на сайте и ретаргетинговую рекламу товара, который купил вчера.
AI-driven маркетинг от просто набора AI-инструментов отличают три условия:
- Общий контекст: модели имеют доступ к согласованному и актуальному профилю клиента, поэтому решения в разных каналах учитывают один и тот же контекст.
- Общая цель: модели оптимизируют один бизнес-результат — например, маржу или пожизненную ценность клиента, — а канальные метрики служат сигналами.
- Замкнутый цикл: результаты влияют на следующие решения во всех каналах, поэтому то, что система узнала в email, учитывается в push и на сайте.
При этих условиях AI можно предоставить разный уровень автономности. Он может помогать, создавая черновик текста для дальнейшего редактирования человеком. Может рекомендовать сегмент для согласования. Может принимать решения в заданных границах — например, выбирать товары для каждого получателя в соответствии с правилами мерчандайзинга. На самом высоком уровне автономности AI может выполнять многоэтапные задачи: строить и запускать сценарий под заданную цель. Оптимальный уровень зависит от риска конкретного решения.
Агентный маркетинг: следующий шаг AI-driven маркетинга?
Агентный маркетинг — наиболее автономная форма AI-driven маркетинга. Агент получает цель, планирует шаги, использует инструменты и выполняет многоэтапные задачи с минимальным контролем. Поэтому он зависит от тех же основ, что и любое другое решение AI. Если агент работает с разрозненными данными без общей цели, он лишь автоматизирует уже существующую несогласованность. Большинство компаний пока на раннем этапе. По данным McKinsey, 40% крупных организаций уже масштабируют использование AI-агентов.
Этот термин охватывает два разных направления. Первое — агенты для маркетологов: строят сценарии автоматизации по запросу на естественном языке, проверяют настройки на наличие ошибок, собирают аналитику кампаний, массово редактируют шаблоны. Они экономят часы работы и остаются под контролем маркетолога. В нашем обзоре сценариев использования агентного AI для маркетологов это направление рассмотрено подробно.
Второе направление получает меньше внимания — агенты для клиентов, или agentic commerce. Уже сегодня AI-ассистенты для покупок сравнивают товары, читают условия возврата и выбирают варианты еще до того, как человек откроет письмо бренда. Когда ecommerce-агент клиента делает первый шаг, данные о товарах, ценах и политиках, которые предоставляет бренд, становятся частью его маркетинга. Чтобы попасть в перечень рекомендуемых вариантов, эти данные должны быть точными и машиночитаемыми.
Будущее AI-driven маркетинга: какие еще решения перейдут к AI?
Значительная часть дискуссий о будущем AI в digital-маркетинге сосредоточена на контенте, хотя его генерация уже стала привычной практикой. Более масштабные изменения происходят в решениях, которые до сих пор принимают люди:
- Индивидуальный уровень скидки. Скидки обычно задают на уровне кампании. AI может помочь оценить, нужна ли конкретному клиенту скидка вообще и какое предложение, вероятно, обеспечит дополнительные продажи без лишнего уменьшения маржи. Чтобы делать это надежно, нужно измерять инкрементальный эффект предложения, а не полагаться только на вероятность покупки.
- Частота коммуникации. Общий лимит в три письма в неделю, вероятно, заменит индивидуальная частота коммуникации, учитывающая реакции каждого клиента.
- Проектирование пути клиента. Агент создает полный сценарий жизненного цикла на основе цели (“увеличить количество вторых покупок среди клиентов, сделавших первый заказ”), а маркетолог его редактирует.
- Планирование тестов. Система предлагает, что тестировать дальше, исходя из того, где результаты самые слабые.
По мере того как AI берет на себя больше решений, работа маркетолога все больше сосредотачивается вокруг пяти вопросов. Прежде чем AI получит полномочия принимать определенное решение, на каждый из них нужно ответить.
Оксана Вобяченко, CMO eSputnik
Сам размер скидки — лишь часть задачи. Чтобы определить, нужна ли скидка вообще, следует оценить ее инкрементальное влияние на продажи, лояльность, удержание и окупаемость инвестиций, а не только вероятность покупки.
Какую бизнес-цель мы оптимизируем?
Модель оптимизирует именно тот показатель, который ей задают, и это не всегда совпадает с реальной бизнес-целью. Если поставить задачу максимизировать клики в email, модель может быстро определить, что скидки дают больше кликов, и постепенно приучить клиентов ждать следующей акции. Поэтому стоит выбрать основную бизнес-метрику — например, маржу, частоту повторных покупок или удержание клиентов, — а открытия и клики использовать лишь как вспомогательные показатели.
Какие ограничения AI не должен нарушать?
Зафиксируйте их как правила, которые система проверяет перед каждым действием: требования к соответствию сгенерированных текстов стандартам бренда, правила в отношении согласия и конфиденциальности данных, лимиты частоты, минимально допустимые скидки и категории, которые нельзя продвигать. Например, аптека исключает рецептурные препараты из всех блоков рекомендаций независимо от прогноза модели.
Какие данные он должен использовать?
First-party данные из прозрачных для клиента источников, собранные с его согласия и достаточно актуальные, чтобы отражать текущее поведение. Так же определите, какие данные использовать нельзя. Модель может точно определять чувствительные характеристики на основе просмотров, но это все равно может подорвать доверие клиента.
Что считать успехом?
Обычный коэффициент конверсии — слабый критерий, ведь AI часто находит людей, которые и так купили бы. Многие результаты AI-маркетинга оценивают именно так. Сравнивайте с контрольной группой, для которой применяют прежний подход, измеряйте инкрементальный прирост и учитывайте расходы на скидки и сообщения. Именно это показывает реальный ROI от AI.
Где все еще нужно согласование человека?
Если бы человек проверял каждое решение, автоматизация потеряла бы смысл. Вместо этого уровень согласования должен соответствовать риску:
|
Тип решения |
Роль AI |
Контроль |
|---|---|---|
|
Внутренние задачи: тегирование, сводки, отчеты |
Действует самостоятельно |
Периодические выборочные проверки |
|
Решения с низким риском, которые легко отменить: порядок товаров, время отправки |
Действует в заданных границах |
Лимиты и бизнес-правила |
|
Тексты для клиентов |
Готовит и отбирает варианты |
Человек согласовывает новые варианты |
|
Цены, скидки, утверждения, подпадающие под регуляторные требования |
Рекомендует |
Ответственный согласовывает |
|
Крупные изменения бюджета, необратимые действия |
Предоставляет информацию |
Решение принимает человек |
Оксана Вобяченко, CMO eSputnik
По мере того как AI берет на себя рутинные задачи — от построения сценариев до анализа результатов кампаний, — все большую ценность приобретают способность маркетолога находить нестандартные решения и его ответственность за бизнес-результаты.
Настоящий творческий вызов — находить неожиданные ракурсы, которые откликаются конкретной аудитории. Это может быть история на основе культурного контекста, своевременная реакция на новость или локальная шутка, которую поймут только ваши клиенты. AI может быстро генерировать идеи, но маркетологам все равно нужно определять, какие из них уместны для бренда и конкретной ситуации.
Ожидания в отношении навыков работы с AI меняются так же быстро. Еще несколько лет назад использование AI в работе могло вызывать сомнения в компетентности человека. Сегодня умение эффективно им пользоваться становится необходимым профессиональным навыком.
Чем больше решений мы делегируем AI, тем большую ответственность маркетологи должны брать за результат. AI может оптимизировать метрику, но именно мы должны понимать, способствует ли эта метрика росту бизнеса.
4 стратегии AI-driven маркетинга, которые стоит рассмотреть
Каждое сообщение клиенту сводится к четырем решениям: кто его получит, что оно будет содержать, когда поступит и через какой канал будет доставлено. Именно эти решения непосредственно влияют на доход и расходы. Делегируйте AI эти решения постепенно, одно за другим — для каждого задавайте цель, ограничения и способ измерения результата.
1. Кому отправлять: прогнозируйте намерение
Сегментация по правилам помогает выделить пользователей на основе их предыдущей активности. Предиктивная сегментация, напротив, определяет, кто с наибольшей вероятностью совершит определенное действие в будущем: например, купит товар или перестанет взаимодействовать с брендом. Для этого модель оценивает вероятность такого поведения для каждого контакта и обновляет прогноз по мере поступления новых данных. Такой подход особенно полезен в платных каналах, таких как SMS и мессенджеры, где можно сократить расходы, не отправляя сообщения контактам с низкой вероятностью реакции.
Вы определяете бюджет и баланс между размером сегмента и точностью. Сравнивайте рентабельность расходов с результатами сегмента, сформированного по правилам, для той же кампании при одинаковых прочих условиях. Следите за обучающими данными: чтобы модель могла прогнозировать отток, в истории должно быть достаточно примеров клиентов, которые перестали взаимодействовать.
2. Что отправлять: персонализируйте контент и предложения для каждого клиента
В рамках одной кампании рекомендательный алгоритм подбирает товары для каждого получателя на основе его поведения, генеративные модели создают варианты текстов, а непрерывное A/B-тестирование определяет, какие из них работают лучше всего. Так можно масштабировать персонализацию почти до уровня 1:1 без десятков сегментов: кампания одна, но товарный блок у каждого получателя свой. Это больше, чем правила динамического контента, где каждое условие все равно кто-то должен задать вручную.
Вы задаете правила мерчандайзинга для категорий, брендов, ценовых диапазонов и наличия товаров, а также tone of voice бренда и допустимые утверждения. Измеряйте доход на получателя и долю заказов, приходящих через персонализированный блок. Просматривайте новые сгенерированные варианты до того, как они попадут к клиентам.
3. Когда отправлять: подбирайте время отправки под индивидуальный цикл клиента
Фиксированные расписания маркетинговой автоматизации вроде «напоминание о повторном заказе через 30 дней» не могут одинаково хорошо работать для всех. Предиктивный выбор времени рассчитывает индивидуальный интервал покупки для каждого клиента и отправляет напоминание незадолго до того, как товар должен закончиться.
Оптимизация времени отправки работает по тому же принципу, но на уровне конкретного времени суток: каждое письмо отправляется тогда, когда получатель обычно читает почту. Оптимизация времени предполагает и возможность не отправлять сообщение вообще: исключение контактов с очень низкой вероятностью открытия защищает доставляемость и уменьшает расходы. Измеряйте конверсию на отправку и стоимость заказа.
4. Какой канал: выбирайте для каждого клиента
Среди этих четырех решений выбор канала автоматизируют реже всего. Большинство команд, даже продвинутых, используют каскадные сценарии: сначала email, затем push, если письмо не открыли, и SMS, если реакции до сих пор нет. Это хорошее правило, и именно так сегодня работает большинство омниканальных стратегий.
Следующий этап — оптимизация канала для каждого человека: модель определяет, через какой канал каждый клиент реагирует лучше всего и сколько стоит каждое сообщение, а затем каждый раз выбирает оптимальный канал. До тех пор важно правильно настроить каскадную логику и согласовать email- и SMS-маркетинг, чтобы все каналы работали с единой историей контакта. Измеряйте стоимость конверсии совокупно во всех каналах.
Как выстроить AI-driven маркетинг с eSputnik
Одно из ключевых направлений развития AI в eSputnik — ассистент маркетолога: маркетолог задает цель и входные данные, а система решает, с кем контактировать, когда и через какой канал. На практике это отдельные инструменты для сегментов, кампаний и контента, которые работают с общим профилем клиента и памятью, доступными через единый интерфейс.
Некоторые части этой системы уже доступны:
- Товарные рекомендации работают на трансформерной модели, усиленной LLM и мультимодальными возможностями, в email, триггерных сообщениях и на сайте.
- Предиктивные сегменты оценивают вероятность покупки каждого контакта в течение следующих 30 дней.
- Автоматизация “Регулярный спрос” прогнозирует, когда каждый клиент будет готов купить снова.
- Блок “Одно из многих” непрерывно тестирует варианты сообщений. Он также может генерировать новые варианты текстов, которые используются после согласования маркетологом.
- Агент для построения сценариев создает и редактирует сценарии автоматизации по запросу в чате и готовит тексты сообщений для каждого канала. Если направить его на существующий сценарий, он проверит логику и предложит улучшения, в частности дополнительные блоки и условия.
- MCP-сервер eSputnik подключает AI-агентов, таких как Claude и OpenAI Codex, к аккаунту eSputnik, чтобы они могли работать с шаблонами, сегментами, сценариями и аналитикой через запросы на естественном языке в рамках прав доступа подключенного пользователя.
Все эти инструменты работают на базе Customer Data Platform eSputnik и используют один и тот же профиль клиента. Когда AI-инструменты работают с профилями клиентов, доступ к данным и их изоляция становятся важной частью работы платформы.
Как eSputnik защищает данные ваших клиентов
Ваша компания остается контролером данных в соответствии с GDPR, а eSputnik выступает обработчиком и работает с данными клиентов от вашего имени.
eSputnik использует данные клиентов для персонализации и AI-driven маркетинга в вашем аккаунте. Данные клиентов из одного аккаунта не используются для улучшения кампаний других брендов или обучения их моделей.
AI-агенты, подключенные через MCP-сервер eSputnik, работают только в рамках прав доступа пользователя, который авторизовал подключение.
Алексей Данченко, COO и сооснователь eSputnik
Куда мы движемся — чего ожидать через год?
Сейчас AI в eSputnik не меняет структурные блоки, не работает с динамическими сегментами и обновляет аналитику лишь раз в день. Эти ограничения введены сознательно как дополнительная защита на этапе, когда доверие к системе еще формируется.
В течение следующего года большинство этих ограничений планируют постепенно снять: появятся динамические сегменты, более сложные возможности редактирования email и, самое важное, запуск кампаний под надзором человека.
Еще одно ключевое направление развития — переход от агента, который ждет запроса, к агенту, который может действовать проактивно.
При этом встроенные ассистенты постепенно выходят за рамки узких задач и превращаются в полноценных помощников с доступом ко всем подсистемам. Мы движемся к мультиагентной архитектуре: специализированные агенты — для сегментов, кампаний или контента — будут иметь общую основу с памятью и данными CDP, а доступ ко всему будет через единый интерфейс.
В этой модели маркетолог формулирует желаемый результат, а не настраивает техническую инфраструктуру вручную. Одно не изменится даже через год: человек и дальше будет участвовать в процессе согласования. В автоматизированной оптимизации система не запускает следующую итерацию, пока маркетолог не просмотрел предыдущую.
Уровень автономности повышается только там, где результат можно измерить, а изменения — отменить. Все остальное — не скорость, а риск.
Итоги
Data-driven маркетинг научил команды измерять. AI-driven маркетинг требует делегировать часть решений, а делегирование работает, когда условия четко определены. До сих пор AI в маркетинге преимущественно использовали, чтобы создавать больше контента. Настоящая отдача появляется тогда, когда AI помогает принимать лучшие решения.
