01 сентября 2025
24
24 мин
0.00

Опыт Фокстрот — как увеличивать продажи в эру AI
Фокстрот — первая украинская сеть магазинов электроники и бытовой техники. Один из крупнейших омниканальных ритейлеров страны, который постоянно развивает персонализацию клиентского опыта для 13 миллионов клиентов и внедряет новые инструменты и механики.
В 2014 году Фокстрот укрепил это направление, выбрав eSputnik в качестве надежного маркетингового партнера, с которым удобно расти, а каждая идея быстро воплощается в жизнь.
На RAU Expo 2025 Олег Никольский, CMO “Фокстрот”, и Олег Лесов, CPO eSputnik, поделились опытом успешного сотрудничества ритейлера с платформой клиентских данных. Они рассказали, как инновации в персонализации и товарных рекомендациях способствовали росту продаж, помогают удерживать клиентов и повышать лояльность.
В этой статье мы собрали ключевые тезисы: от первых email-рассылок до продвинутых AI-решений и планов на будущее.
Как начиналось сотрудничество Фокстрот и eSputnik
С 2014 года Фокстрот развивает персонализированный маркетинг в партнерстве с eSputnik — платформой, которая может поддержать масштаб и цели ритейлера. Именно тогда был запущен первый канал коммуникации — email, который быстро доказал свою эффективность. Со временем Фокстрот масштабировал взаимодействие с клиентами, добавляя новые каналы и функциональность:
За 11 лет сотрудничества с eSputnik Фокстрот:
- интегрировал 8 каналов коммуникации (email, виджеты, web push, mobile push, App Inbox, In App, Viber, Telegram);
- настроил более 77 триггеров, 15 из которых — кастомные, адаптированные под уникальные потребности ритейлера;
- внедрил персональные товарные рекомендации на сайте и расширил их на директ-каналы, офлайн и call-центр.
Так ритейлер обеспечил миллионы клиентов качественным персонализированным опытом — и не собирается останавливаться на достигнутом.
“eSputnik — это максимально профессиональная команда: у нас есть персональный customer success-менеджер, безупречная аналитика и отчетность, в том числе по нашим кастомным решениям. От идеи до разработки, тестирования и внедрения — мы получаем полный фулфилмент,” — подчеркивает Олег Никольский, CMO Фокстрот.
Единое представление о клиенте
Единый клиентский профиль в CDP — это не просто список покупок и контактные данные. Это полноценная хронология взаимодействия с брендом, собранная в одном месте. Именно такой профиль помогает Фокстроту персонализировать коммуникацию с каждым клиентом.
В одной карточке контакта система объединяет данные о:
- взаимодействии с рассылками: доставка сообщений, открытия, клики, отписки, жалобы на спам;
- поведении на сайте и в мобильном приложении (длительность сессии, просмотры, поиск, добавление в корзину), офлайн-данные из CRM (покупки, обращения в кол-центр, параметры заказов);
- демографии: возраст, пол, город и т.д.
Единый взгляд на клиента обеспечивает актуальность и точность коммуникаций бизнеса с потребителем.
Например, Яков просматривает планшеты на сайте — CDP знает о нем следующее:
- демографические данные — 37 лет, г. Мюнхен и т.п.;
- история покупок — два месяца назад он приобрел смартфон;
- поведение — последний переход на сайт был из промо-email; просматривал товары из категории Х.
Система понимает, что Яков интересовался планшетами конкретного бренда из среднего ценового сегмента, поэтому предлагает ему рассмотреть модели, которые он, возможно, сам не заметил, но которые с высокой вероятностью его заинтересуют — ведь они соответствуют его запросам. Поскольку клиент хорошо реагирует на email-канал, дальнейшая коммуникация будет вестись в первую очередь именно через него.
Благодаря тому, что CDP объединяет все каналы, клиент получает бесшовный опыт во всех точках взаимодействия с брендом. Такой подход помогает Фокстроту не только увеличивать продажи, но и формировать долгосрочную лояльность клиентов.
Как использовать клиентские данные для увеличения продаж?
Триггеры — автоматизированное персональное сопровождение клиента
360-градусное понимание клиента позволяет бизнесу отправлять сообщения в нужный момент и через подходящий канал (email, Viber, push, App Inbox), чтобы вернуть клиента и подтолкнуть к покупке.
Чтобы автоматизировать точное взаимодействие с миллионами клиентов, ритейлер разработал обширную карту триггеров, где каждый сценарий срабатывает при конкретном действии со стороны клиента.
Каждый из используемых PRO-триггеров играет важную роль для ритейлера, а самые эффективные из них:
- По CTR — группа о снижении цены. Львиная доля успеха этих триггеров зависит от команды Фокстрот, которая настраивает скидки, регулярно их обновляет и добавляет логику с промокодами. Все это в сочетании с автоматизацией дает высокий CTR.
- По конверсии:
- Брошенная категория: напоминание о просмотренных товарах.
- Снижение цены на товар в корзине: уведомление об акциях на товары, оставленные в корзине.
- Брошенная корзина: призыв завершить покупку.
Как видим, разные триггеры показывают лучшие результаты по CTR и CR. Все зависит от их направленности: одни сценарии работают на увеличение трафика на сайт, другие — на рост покупок.
Обратите внимание
В eSputnik триггеры тарифа Professional усилены товарными рекомендациями, которые подбираются персонально для каждого клиента.
“Лучшие результаты дает комплексная система: на всех этапах воронки продаж используйте соответствующие цепочки в разных каналах коммуникации”, — Олег Лесов, CPO eSputnik.
Какие триггеры нужны вашему бизнесу?
Товарные рекомендации 2.0: трансформерная модель + LLM
Два года назад eSputnik совершил прорыв в товарных рекомендациях, перейдя на трансформерную модель, усиленную большими языковыми моделями (LLM). Такой подход кардинально изменил персонализацию по сравнению с предыдущими алгоритмами и обеспечил заметный рост ключевых метрик.
Как раньше работали рекомендации?
До 2019 года Фокстрот использовал коллаборативную фильтрацию, основанную на сходстве между товарами и поведением пользователей.
Например, если клиент покупал телевизор, система рекомендовала аксессуары (например, саундбар) или похожие модели, которые часто покупали вместе с этим товаром. Алгоритм анализировал исторические данные: если два товара часто просматривали или покупали вместе, они считались связанными.
Но у такого подхода были ограничения: он не учитывал контекст действий клиента и не справлялся с новыми товарами, у которых еще не было истории продаж.
Как работает трансформерная модель?
В 2019–2020 гг. eSputnik внедрил трансформерную модель, которая анализирует последовательность действий клиента — от просмотров и поисков до добавления в корзину и покупок, как онлайн, так и офлайн. Эта архитектура глубокого обучения позволяет системе “понимать” не только отдельные действия, но и их контекст и взаимосвязи.
С 2024 года большие языковые модели (LLM) усилили трансформерную модель, добавив ИИ возможность анализировать характеристики товаров: категорию, бренд, цену, описания.
Важно:
Новая модель позволяет формировать рекомендации, которые “понимают” суть товара, а не просто его ID.
Раньше система видела только поведение пользователей: если два товара часто кликали вместе, они считались похожими. Теперь же ИИ понимает, что это за товар, его сущность — и предлагает более точные и релевантные рекомендации.
Ключевые преимущества Трансформерной модели + LLM:
- Анализ последовательности действий: учитывает порядок и длительность взаимодействий.
- Контекстуальное понимание: система определяет, ищет ли клиент товары по акции или интересуется премиум-сегментом.
- Глубокие связи: предлагает совместимые товары (к кофемашине — капсулы, к телевизору — саундбар).
- Обработка новых товаров: система может рекомендовать позиции, недавно добавленные в каталог.
- Работа с минимальными данными: ИИ подбирает рекомендации даже для товаров без истории продаж, анализируя их характеристики.
- Релевантная замена товара: подбирает максимально аналогичные товары тем, которых нет в наличии.
Как это выглядит на практике?
Клиент просматривает игровую консоль, затем ищет геймпады, а ранее интересовался VR-очками. Коллаборативная фильтрация могла бы предложить популярную игру, которую часто покупают вместе с консолью. А трансформерная модель фиксирует интерес к интерактивным развлечениям и рекомендует специализированный VR-контроллер — даже если такую комбинацию раньше не покупали.
Благодаря тому, что LLM дополнительно анализирует описания товаров, система может предлагать новинки без истории продаж, эффективно решая проблему холодного старта.
Результаты обновления алгоритма:
- +33% — рост CTR рекомендательных блоков
- ×2.08 к трафику — в блоке “Персонально для вас”
“Нужно отметить, что это был не холодный старт — рекомендации у Фокстрот работают уже 8 лет: система давно обрабатывает огромные объемы данных о поведении клиентов. При этом смена алгоритма значительно улучшила пользовательский опыт,” — подчеркивает Олег Лесов.
Какие алгоритмы доступны в системе eSputnik?
Товарные рекомендации 3.0: умная категоризация товаров
Казалось бы, рекомендации уже работали отлично, но команда eSputnik заметила, что ритейлер упускает возможности из-за слишком широких товарных категорий. Ранее ИИ просто не подбирал товары из одной и той же категории, чтобы избежать дублирования в рекомендациях. Это ограничивало кросс-продажи, особенно когда внутри одной категории есть функционально разные товары, которые логично использовать вместе.
Чтобы решить эту проблему, eSputnik внедрил LLM-модель, которая самостоятельно уточняет подкатегории товаров и формирует более точные и уместные рекомендации.
Как это работает?
LLM-модель анализирует категорийное дерево (десятки тысяч товаров) и определяет функциональные связи. Она уточняет подкатегории и предлагает совместимые или дополняющие продукты. Это автоматизирует подбор — аналогично работе категорийного менеджера.
Например, в категории “Зубные щетки” находятся самые разные товары: сами щетки, аксессуары по уходу, насадки, подставки, дорожные футляры и т.д. В классической логике блока “Покупают вместе” система не рекомендовала бы товары из той же категории, чтобы избежать нерелевантных пар (например, две одинаковые щетки).
Благодаря рекатегоризации теперь можно предлагать клиенту логичные дополнения к покупке — например, насадку или футляр. Система формирует релевантные товарные пары даже внутри одной общей категории, повышая качество персонализации и уровень кросс-продаж.
Результаты блока “С этим товаром покупают” (март–май 2025):
- +39% к CTR
- рост продаж аксессуаров в 1,5 раза
О результатах сотрудничества
“Мы очень довольны партнерством. Эта LLM-модель добавляет огромную ценность нашим предложениям. Мы увеличили LTV и доход, сократили использование маркетингового бюджета и трудозатрат. Мы повысили retention, количество повторных покупок, а по отдельным триггерам — удвоили конверсию.
eSputnik — наш ключевой стратегический партнер в направлении удержания клиентов, и мы с удовольствием движемся навстречу друг другу,” — Олег Никольский.
Что дальше?
Фокстрот планирует максимизировать персонализацию пользовательского опыта. Ключевые направления:
- Развитие карты триггеров: продолжение создания детализированных сценариев для всех этапов клиентского пути.
- Предиктивная сегментация: прогноз потребностей клиентов с помощью AI, например — вероятность покупки товаров из определенной категории.
- Улучшение рекомендаций: доработка моделей с учетом сезонности и рыночных трендов.
- Расширение в мобильном приложении: больше персонализированных предложений там, где клиенты проводят большую часть часу.
Какие инструменты нужны вашему бизнесу для роста дохода?
Полное видео выступления смотрите на нашем YouTube-канале!
Итоги
Партнерство Фокстрот и eSputnik — наглядный пример того, как стратегическое сотрудничество и передовые технологии обеспечивают качественный маркетинг в ритейле. За 11 лет ритейлер прошел путь от простых email-рассылок до персонализации нового уровня. При том, что у Фокстрот есть все возможности для собственной разработки любой функциональности, компания осознанно выбирает eSputnik как готовое решение. Ведь работа с CDP экономит время и ресурсы, а все идеи ритейлера развивает и реализует опытная команда платформы.
Совместная робота с eSputnik позволила сформировать единый взгляд на 13 миллионов клиентов, обеспечить качественный клиентский путь с помощью триггеров и инновационных алгоритмов товарных рекомендаций.
Приведенные успешные кейсы внедрения трансформерной модели + LLM, а затем и рекатегоризации, демонстрируют, как развитие AI-технологий в связке с CDP eSputnik помогает ритейлеру увеличивать продажи и вовлеченность клиентов.
Для Фокстрот eSputnik стал не просто платформой, а полноценным партнером, с кастомными решениями под задачи клиента, аналитикой и постоянной поддержкой — от идеи до внедрения и оценки результативности. В планах ритейлера — еще более глубокая интеграция AI для предиктивной сегментации и расширения персонализации в мобильном приложении, что открывает новые горизонты для роста.
Хотите масштабировать маркетинг и достигать ощутимых результатов, как Фокстрот? Забронируйте консультацию с экспертами eSputnik — и узнайте, как превратить данные в прибыль и лояльность клиентов.