Журнал / Кирилл Наумов
ИИ в программе лояльности: измеряйте дополнительную прибыль, а не списания
Как проверить, меняют ли персональные предложения с ИИ поведение покупателей и приносят ли магазину дополнительную ценность.
Автор: Кирилл Наумов ·
Восемь тысяч человек открыли сообщение, две тысячи воспользовались предложением. Отчёт выглядит бодро, но главный коммерческий вопрос остаётся: сколько покупок произошло именно благодаря акции? По числу списаний не понять, кто и так собирался купить, кто положил в корзину что-то ещё, а кто воспользовался скидкой, которая незаметно съела маржу.
Сначала решите, что должно измениться
Выберите один результат: дополнительный визит, вторая покупка, возвращение давно неактивного клиента, рост среднего чека или увеличение вклада в прибыль после расходов на бонусы. Заранее определите период измерения. Открытия, клики и списания полезны как показатели доставки и интереса, но сами по себе не доказывают дополнительный эффект.
Модель может предсказать, кто, скорее всего, воспользуется предложением. Но это не то же самое, что понять, чьё поведение можно изменить с выгодой для магазина. Если программа оптимизируется только по отклику, она может очень эффективно раздавать скидки людям, которые и без них собирались купить.
Сравнивайте с подходящей контрольной группой
Если позволяют данные и согласия, случайным образом оставьте часть подходящих участников без нового предложения и сравните их с группой, выбранной ИИ, за один и тот же период. Если не отправлять сообщение нельзя, сравните новый вариант с обычным сценарием. Заранее решите, как учитывать параллельные акции, отсутствие товара, возвраты и различия между каналами.
Для цифровых предложений может подойти сравнение на уровне участников. Если покупателя не всегда можно узнать на кассе, практичнее сравнить магазины или регионы. Важнее не конкретный метод, а то, чтобы до запуска было ясно, что именно показывает сравнение. Контрольная группа, придуманная после кампании, может помочь красиво объяснить цифры, но не установить, что вызвало результат.
Считайте расходы, которые модель сама не учтёт
Измеряйте дополнительный вклад в прибыль, а не только выручку. Учитывайте скидки и бонусы, расходы на выполнение заказа и обслуживание, возвраты и заметную стоимость самой кампании. Проверьте каннибализацию: не перенесли ли вы покупку на более ранний срок, не заменил ли клиент маржинальный товар более дешёвым и не получила ли скидку аудитория, которая и так купила бы по полной цене.
Условный пример. Допустим, выбранная группа потратила на 10 000 долларов больше сопоставимой контрольной. На бонусы ушло 4 000 долларов, ещё 2 000 составили дополнительные расходы на обслуживание и возвраты. Это не 10 000 долларов новой прибыли: условный дополнительный вклад — 4 000 долларов до прочих накладных расходов. В реальном расчёте нужны фактические маржа и затраты магазина.
ИИ может помочь сформулировать проверяемую гипотезу, выбрать предложение из утверждённого каталога и собрать результаты. Но ему не стоит поручать менять правила программы, придумывать условия или объявлять успех только по числу списаний. Необычные случаи и экономику следующей кампании должен проверить человек.
Проведите небольшой пилот с ясным вопросом
Выберите один момент в пути клиента — например, как помочь ему совершить вторую покупку. Определите подходящую группу и главную метрику; сравните предложение ИИ с контрольной группой или текущим сценарием; заранее зафиксируйте период, расходы и ограничения; затем оценивайте общие покупки и вклад в прибыль, а также жалобы, отписки и сложности для команды. Расширяйте пилот, только если результат убедителен для бизнеса и приемлем для покупателей.
Цель не в том, чтобы построить лабораторию, к которой прикрутили карту лояльности. Нужно не тратить бюджет бонусов на активность, которая выглядит бурной, а меняет мало. Если простое сообщение работает так же хорошо, это тоже полезный вывод. Практические применения ИИ в ритейле, продажах, обучении сотрудников и программах лояльности разбираем на AI for Retail workshop 7 ноября.
Подробнее об AI for Retail workshop → · Начать с диагностики
Материалы по теме: NIQ об оценке персональных предложений · Google Meridian о дизайне экспериментов.