Какие технологии ИИ используют лидеры украинского ecommerce

Украинский ecommerce работает в условиях ограниченных бюджетов, высокой конкуренции, изменчивого спроса и высоких ожиданий аудитории. Команды постоянно ищут инструменты, которые позволяют эффективно развивать маркетинговую стратегию, привлекать и удерживать больше клиентов, сокращать операционные расходы, а также оптимизировать работу сотрудников.

Сегодня одним из таких решений является AI. Это не просто вспомогательный инструмент, а настоящий двигатель роста, который помогает оптимизировать маркетинг, качественно персонализировать и менять клиентский опыт, повышать лояльность клиентов и в результате усиливать позиции компании на рынке. По данным McKinsey, 78% бизнесов уже активно используют AI как минимум в одной из функций. По прогнозам, компании все больше будут интегрировать ИИ в разные структуры и процессы. Что касается направления привлечения и удержания клиентов — сейчас 56% маркетологов активно используют ИИ в своей работе, и это число продолжает расти.

В этой статье мы делимся практическими инсайтами о применении AI в маркетинге: от генеративных инструментов, которые создают персонализированный контент, до предиктивных моделей, прогнозирующих поведение и предпочтения клиентов. Приведенные в статье инструменты внедрены и поддерживаются платформой eSputnik, ими пользуются лидеры украинского рынка: Фокстрот, Dnipro-M, Prom.ua, Shafa, Stylus, adidas, PUMA и еще 4000 брендов с общей клиентской базой в 23 млн.

Влияние использования ИИ на ecommerce-маркетинг

Влияние искусственного интеллекта на бизнес во многом зависит от специфики отрасли, выбранных инструментов и глубины их интеграции. Компании, которые активно инвестируют в ИИ, не только выделяют на это ресурсы и готовы экспериментировать, но и, как правило, получают наибольший эффект. Согласно исследованию McKinsey, организации, применяющие ИИ, могут увеличить доходы на 3–15% и повысить рентабельность продаж на 10–20%.

ИИ открывает возможности для:

• Эффективного использования ресурсов команды. ИИ выполняет рутинные задачи, освобождая время маркетологов для стратегического планирования и тестирования новых идей.
• Оптимизации бюджета. ИИ обеспечивает актуальное взаимодействие с группами целевых клиентов, сокращает нерелевантные коммуникации и ускоряет окупаемость инвестиций.
• Снижения рисков ошибок. По сравнению с ручными процессами алгоритмы обладают большей точностью, минимизируют ошибки благодаря четким шаблонам и машинному обучению.
• Повышения конкурентоспособности. Глубокое понимание клиентов позволяет персонализировать общение на всех этапах воронки продаж, что способствует росту лояльности покупателей.
• Увеличения точности прогнозирования. ИИ выявляет тенденции и закономерности в поведении клиентов, позволяя точнее предсказывать их следующие действия, спрос на товары и эффективность кампаний.
• Снижения процента отказов от покупки. Алгоритмы идентифицируют барьеры, которые останавливают клиента, что дает маркетологу возможность скорректировать взаимодействие и настроить дальнейшие кампании.

Генеративный ИИ: создание контента и автоматизация

Генеративный AI используется для создания контента — текстов, изображений, аудио, видео — на основе входных данных и условий. Он формирует оригинальные материалы, которых ранее не существовало. Такой контент способствует росту интереса аудитории, улучшению восприятия бренда и автоматизации процессов, которые занимают 60–70% времени сотрудников.

Инструменты генеративного ИИ, которые сокращают рутину и обеспечивают высокое качество исходного контента:

1. Оптимизация текстов рассылок

С помощью AI можно быстро обрабатывать тексты и формулировать точные сообщения. Например, встроенный AI в email-редактор eSputnik позволяет создавать тексты, сокращать или расширять их, переводить на 10+ языков, проверять грамматику, менять tone of voice и совершенствовать темы с прехедерами.

Компании могут быстрее создавать тексты и адаптировать их под нужный сегмент, а глобальные бренды — дополнительно выполнять мгновенный перевод кампаний без потери смысла.

2. Автоматическое наполнение блоков в письмах

Генеративный AI автоматически обрабатывает контент из источников, заполняя модули. Достаточно перетащить модуль из библиотеки и вставить ссылку на страницу товара — AI самостоятельно наполняет блок: добавляет описание товара, изображение и ссылку, ускоряя создание письма до 50%.

3. Генерация mobile push

AI быстро создает заголовки и тексты для пушей на основе данных о мобильном приложении, которые автоматически подтягиваются из стора, и заданной темы сообщения, адаптируя их под сегменты для максимального вовлечения.

4. Генерация сценария и наполнение мобильных кампаний

AI создает целые кампании для сегментов (новые, активные, зарегистрированные пользователи), исходя из цели, которую указывает маркетолог (конверсия, вовлечение, удержание). В результате ИИ генерирует: описание кампании и ее продолжительность, пошаговый сценарий с текстами сообщений, пояснениями и бенчмарками для анализа эффективности.

5. Непрерывное A/B-тестирование

Классическое A/B-тестирование с фиксированными группами подходит для “чистых” экспериментов, но оно медленное: кампания должна отработать от нескольких дней до недель, чтобы маркетолог смог оценить результаты. За это время часть аудитории получает худший вариант.

Непрерывное тестирование, реализованное блоком “Одно из многих” в eSputnik, позволяет оптимизировать кампанию мгновенно. Система отправляет разные варианты рассылки на несколько сегментов (равные по количеству аудитории) → автоматически определяет лучший вариант → рассылает его дальше.

Маркетологи могут добавлять новые варианты сообщений в любой момент, а блок автоматически интегрирует их в тестирование. Кроме того, встроенный в редактор ИИ может самостоятельно создать сообщение, что дает возможность протестировать креативность маркетолога и искусственного интеллекта.

Это экономит время на подготовку кампаний, так как маркетологу не нужно вручную создавать отдельные ветки сценариев или останавливать процесс для анализа результатов.

Например, Prom.ua применил этот инструмент, чтобы сократить количество пользователей, которые просматривали товары через приложение, но не совершали покупку. Благодаря этому количество кликов по уведомлениям выросло на 26%, а конверсия продаж из mobile push — на 5%.

Похожая задача стояла у сети аптек АНЦ: увеличить конверсию среди пользователей, которые добавили товары в корзину, но не совершили покупку. Блок “Одно из многих” использовался для тестирования текстов в сообщениях и автоматического определения наиболее эффективного варианта. В результате они получили +23% к среднему чеку и удвоили трафик из мобильных пушей.

Предиктивный ИИ: прогнозирование будущих действий клиентов и их покупок

Предиктивный AI анализирует исторические данные для прогнозирования будущих событий, выявления зависимостей в поведении клиентов и обоснованного принятия решений. Это позволяет обеспечить качественный персонализированный опыт каждому пользователю, что в итоге приводит к увеличению количества продаж, среднего чека и удержания клиентов. По статистике, компании, которые используют персонализацию на основе ИИ, отмечают рост продаж на 25% по сравнению с теми, кто ее не применяет.

Рассмотрим эффективные инструменты персонализации, работающие на базе предиктивного ИИ:

1. Персональные товарные рекомендации: ИИ знает, что купят ваши клиенты

Сегодня, когда потребители перегружены выбором, 74% просто закрывают сайт, а неудачные покупки приводят к возвратам, затратам на логистику и потере лояльности. Худший сценарий — недовольные клиенты выбирают конкурента, который способен удовлетворить их потребности. Ведь 91% людей чаще покупают у компаний, которые персонализируют их опыт. Один из эффективных инструментов для этого — товарные рекомендации.

Цель товарных рекомендаций — предложить клиенту именно те товары, которые с наибольшей вероятностью его заинтересуют и приведут к покупке.

Как встроенным в CDP алгоритмам ИИ удается с точностью до 69% подобрать товары, которые захотят купить клиенты:

1. Сбор данных о действиях клиента с сайта, приложения, direct-каналов, офлайна.
2. Унификация информации и обогащение ею единого профиля контакта.
3. Обработка и анализ данных с помощью ИИ с глубоким обучением. Эта технология повышает точность и эффективность рекомендаций, выявляя скрытые связи между пользователями и товарами.
4. Генерация рекомендаций с учетом данных о:
   • поведении — как пользователь взаимодействует с продуктами (просмотры, клики, покупки);
   • клиенте — демография, геолокация, предпочтения (например, размер одежды, товары в избранном);
   • товарах — цена, категория, бренд.
5. Омниканальное применение готовых рекомендаций: на сайте, в приложении, в direct-каналах (email, push, App Inbox, Viber).

Чем больше данных о клиенте доступно алгоритмам и чем быстрее они обновляются, тем точнее будут рекомендации. А омниканальный подход обеспечит непрерывный опыт для клиента независимо от канала взаимодействия с брендом.

Новый уровень персонализации: трансформеры и большие языковые модели (LLM)

CDP eSputnik создает товарные рекомендации уже более 12 лет. За это время мы разработали и протестировали более 200 алгоритмов формирования рекомендаций и сделали их доступными в платформе. Обычно этот инструмент повышает конверсию сайта на 20–30%, а рекордный результат для одного из наших клиентов — +60%.

Мы постоянно работаем над улучшением функциональности, и обычный прирост показателей составляет +5–10% в год. Казалось, что существенно повысить эффективность алгоритмов уже невозможно. Однако два года назад произошел настоящий прорыв.

CDP eSputnik — одна из первых платформ в Украине, которая объединила трансформерную архитектуру нейронной сети (более известную как Chat GPT), Large Language Models и рекомендательные модели.

Использование трансформеров дает возможность глубже анализировать поведение пользователей и их предпочтения, а большие языковые модели добавили возможность анализа характеристик товаров: категории, бренда, цены, описаний.

Раньше алгоритмы ограничивались связями между товарами — например, чехол к смартфону или спортивная футболка к штанам того же производителя. Теперь ИИ анализирует весь путь клиента: каждый клик, просмотренную страницу, добавленный в избранное товар, уже совершенную покупку — все рассматривается в контексте действий пользователя.

Система понимает суть товара, а не только его SKU (Stock Keeping Unit): алгоритмы могут работать с ограниченными данными, например с новыми товарами или с теми, которые еще никто не покупал. Таким образом, система обеспечивает лучшее понимание и клиента, и товаров, поэтому может формировать максимально релевантные товарные рекомендации.

Первым протестировал обновленные алгоритмы крупнейший омниканальный ритейлер Украины “Фокстрот” и получил:

• +33% — рост CTR блоков рекомендаций;
• ×2,08 к трафику — по блоку “Персонально для вас”.

Обновленные алгоритмы показали впечатляющие результаты уже через несколько месяцев работы:

Но сайт — это не единственная точка взаимодействия с клиентом, где бизнес использует товарные рекомендации. Они доступны: в приложении, директ-каналах (email, App Inbox, Web Push, Mobile Push, виджеты, Viber, Telegram bot, SMS).

Некоторые клиенты пошли еще дальше, внедрив персональные товарные рекомендации в массовые рассылки. Поскольку такие письма имеют большое охват аудитории, включение кастомизированных подборок может в разы повысить конверсии.

Для маркетплейса по поиску медикаментов Liki24 внедрение персональных рекомендательных блоков в массовые кампании принесло +70,8% к конверсии, а для украинского бренда витаминов и диетических добавок Perla Helsa этот показатель увеличился на 106%, а доход из email-канала вырос на 34%.

ИИ — как категорийный менеджер для товарных рекомендаций

Даже с отличными результатами рекомендательных алгоритмов, eSputnik продолжает искать пути для увеличения продаж своих клиентов. Во время работы над внедрением трансформерной модели команда eSputnik заметила потенциал для улучшения инструмента для “Фокстрот”. ИИ не подбирал в рекомендации товары из одной категории, чтобы избежать дублирования. Это ограничивало кросс-продажи, когда внутри одной категории есть товары, которые логично дополняют друг друга.

Чтобы решить это, мы внедрили LLM-модель, которая автоматически уточняет подкатегории и формирует правильные рекомендации. Она анализирует категорийное дерево товаров, определяет функциональные связи и предлагает совместимые или дополняющие продукты, работая почти как опытный категорийный менеджер.

Например, в категории “Зубные щетки” есть щетки, насадки, футляры и аксессуары для ухода. Благодаря рекатегоризации теперь можно предложить клиенту логичные дополнения к покупке: насадку или футляр. Система сформирует релевантные пары товаров даже внутри одной общей категории, повышая качество персонализации и кросс-продаж.

Результаты блока “С этим товаром покупают” (период тестирования март–май 2025):

• +39% к CTR;
• рост продаж аксессуаров в 1,5 раза.

2. Предиктивная сегментация: ИИ знает, кто скоро совершит покупку

Предиктивная сегментация автоматически определяет группы клиентов по вероятности покупки или риску оттока. В отличие от ручной сегментации, которая ограничивается определенным количеством условий (обычно до 10), предиктивная вместо фиксированных правил анализирует тысячи закономерностей в поведении аудитории и прогнозирует, как пользователь будет действовать дальше.

Цель предиктивной сегментации — определить пользователей, которые наиболее готовы к покупке, чтобы маркетолог мог эффективно фокусироваться на перспективной аудитории и избегать затрат на нерелевантные коммуникации.

Как работает предиктивная сегментация на примере CDP:

1. Сбор и структура данных. Как и в случае с товарными рекомендациями — все начинается с данных. Система накапливает и объединяет информацию о поведении клиента, истории покупок и демографии в едином профиле.
2. Анализ закономерностей. ИИ выявляет паттерны поведения клиентов, которые уже совершали покупки, и сопоставляет эту информацию с данными о поведении других пользователей, тем самым предсказывая их готовность к покупке.
3. Прогнозирование вероятности. На основе выявленных закономерностей система классифицирует пользователей по уровню готовности к приобретению. В eSputnik мы разделили клиентов на четыре сегмента: потенциальные покупатели, гарантированные покупатели, маловероятные покупатели и те, кто не определился.
4. Постоянное обновление. Модель непрерывно обучается на новых данных, что позволяет своевременно адаптировать кампании и предлагать актуальные товары и акции тем, кто наиболее готов к действию.

Предиктивная сегментация помогает точнее нацеливать маркетинговые кампании и повышать их эффективность при меньших затратах. Viber или SMS-рассылка незаинтересованным пользователям приведет к потере бюджета, тогда как эти каналы дают отличные результаты, если отправлять сообщения гарантированным и потенциальным покупателям.

Например, украинский бренд одежды O.TAJE использовал предиктивную сегментацию и получил +310% ROMI от рассылок в Viber и +300% к коэффициенту конверсии.

Агентный AI и как он повлияет на маркетинг

Развитие ИИ в маркетинге происходило постепенно: от простой автоматизации на основе правил до предиктивной аналитики и генеративного искусственного интеллекта. Сейчас мы ожидаем следующий глобальный уровень ИИ — agentic AI. Это технология, которая, зная конечную цель кампании, может самостоятельно оценивать ситуации, формулировать стратегии и выполнять их без постоянного надзора.

Чтобы лучше понять влияние агентного ИИ, рассмотрим уровни работы маркетинга:

1. Стратегический. Руководители (CEO, CMO) определяют позиционирование бренда, цели роста и маркетинговый бюджет. Это требует глубокого понимания бизнеса, рынка и согласования с глобальными целями компании.
2. Тактический. Маркетинг-менеджеры превращают стратегию в планы: разрабатывают кампании, выбирают каналы и подходы к аудитории, распределяют ресурсы и бюджеты. На этом этапе необходимы стратегическое мышление и тактические навыки. Здесь будет полезен предиктивный ИИ: товарные рекомендации и предиктивная сегментация. Эти инструменты помогают определять наиболее перспективные сегменты клиентов, прогнозировать их поведение, в том числе товары, которые они захотят купить. Это позволяет эффективно распределять бюджет для максимального ROI.
3. Операционный. Команды реализуют планы: создают контент, визуальные материалы и запускают кампании. Генеративный ИИ помогает повышать продуктивность на этом уровне.

Генеративный ИИ ускоряет создание контента. Предиктивный — влияет на принятие решений. Агентный — не только анализирует и прогнозирует. Он поднимает уровень управления маркетингом еще на ступень выше, потому что предлагает действия, корректирует стратегию, оптимизирует процессы, самостоятельно запускает кампании и генерирует контент.

ИИ освобождает время маркетолога для большей креативности и стратегического мышления, где действительно формируется ценность бренда.

Выводы

ИИ уже сегодня повышает конверсию, AOV и ROMI, снижая расходы на неэффективные действия и кампании.

Ключевые технологии, которые активно применяются в украинском ecommerce для роста продаж:

1. Генеративный ИИ: автоматизация создания и улучшения контента — от оптимизации текстов рассылок и наполнения блоков в письмах до генерации mobile push, разработки сценариев мобильных кампаний и непрерывного A/B-тестирования.
2. Предиктивный ИИ: персонализированные товарные рекомендации на базе трансформеров и LLM, которые анализируют поведение клиентов, их предпочтения и характеристики товаров, а также предиктивная сегментация для определения клиентов с высокой вероятностью покупки или риском оттока.

Вскоре бизнес испытает возможности агентного ИИ — технологии, которая сможет самостоятельно формировать стратегии, оценивать ситуацию и выполнять маркетинговые задачи без постоянного контроля.

Технологий действительно много, и это может создавать ощущение неопределенности: что именно внедрять и с чего начать? Мы в CDP eSputnik работаем с AI уже более 12 лет и видим, как правильно подобранные инструменты приносят бизнесу максимальную отдачу.

Обращайтесь за консультацией, и наши ведущие эксперты помогут разобраться, какие AI-решения принесут наибольшую пользу именно вашей компании, и сделать первый шаг к устойчивому росту.

Special Request Inline