Маркетолог знает, что часть клиентов купила бы и без скидки, а часть рекламного бюджета уходит на посетителей, которые зашли на сайт случайно. Алгоритмы и автоматизация решают такие задачи без ручной работы. Ниже пять кейсов российских компаний: рекомендации в уведомлениях мобильного приложения, скидки по готовности к покупке, ставки в рекламе, автоматическая переоценка и размер скидки по маржинальности товара.

Как машинное обучение подбирает товары, скидки и ставки

ML (machine learning, машинное обучение) — алгоритмы, которые анализируют историю поведения клиентов и предсказывают, что их заинтересует и купят ли они. Такие модели часто встроены в CDP — платформу клиентских данных — и работают почти без участия маркетолога: их настраивают один раз при внедрении.

Рекомендации в пушах

Алгоритм персональных рекомендаций предсказывает, какой товар человек захочет купить. Он учитывает просмотры, заказы, добавления в корзину и избранное, а также поведение похожих клиентов. Пуш — короткое уведомление на экране смартфона.

В 2023 году сеть аптек «Вита» (2 500 аптек в 40 регионах) протестировала пуши с рекомендациями вместо массовых по популярным категориям. Алгоритм подбирал под каждого клиента категорию купона с повышенным кешбэком — возвратом части суммы покупки бонусами. Одна группа получала один пуш с рекомендацией в месяц, другая — обычные пуши по тем же категориям.

В среднем за четыре месяца ARPU — выручка на клиента — у пушей с рекомендациями оказался выше на 33%. Сентябрьское сравнение по трем категориям:

• обезболивающие: ARPU выше на 31,2%
• препараты для вен: ARPU выше на 48,7%
• препараты для суставов: ARPU выше на 0,99%.

В двух категориях из трех пуши с рекомендациями выиграли по кликам, конверсии и ARPU. В категории вен конверсия в заказ оказалась ниже на 0,05 п. п., и ее оставили на тестировании. Рекомендации доступны без дополнительной разработки.

Скидка только тем, кому она нужна

ML-модель оценивает вероятность покупки каждого клиента по поведению на сайте: просмотрам страниц, времени на сайте, интересующим категориям и частоте возвращений. Оценка от 1 до 100 автоматически запускает нужный сценарий рассылки.

Онлайн-ритейлер косметики hollyshop раньше отправлял скидку всем, кто просмотрел товар или оставил его в корзине. Вместе с агентством DataGrow и партнером Mindbox, компанией Segmel, магазин разделил аудиторию по оценке готовности к покупке:

• 0–39 баллов: оффер не отправляют
• 40–69 баллов: скидка 15%
• 70–89 баллов: скидка 10%
• 90–100 баллов: оффер не нужен, клиенты заказывают без него.

В тесте аудиторию разделили пополам: одна половина получала стандартные письма, другая — письма с персональным оффером. Тестовая группа показала по сравнению с контрольной:

• валовая прибыль выше на 18,48%
• конверсия в заказ выше на 13,98%
• средний чек выше на 16,35%.

Ставки в рекламе по вероятности покупки

Ретаргетинг — реклама для тех, кто уже заходил на сайт. ML-модель оценивает вероятность покупки каждого посетителя, и для групп с высокой вероятностью ставку в рекламном аукционе повышают, а для групп с низкой — снижают.

Бренд одежды Befree (268 магазинов в России и Беларуси) в апреле 2025 года подключил к сайту платформу Segmel, которая делит посетителей на 10 групп по вероятности покупки. Шестинедельный тест в июне и июле 2025 года показал в тестовой группе по сравнению с контрольной:

• стоимость заказа (CPO) ниже на 7%
• конверсия в заказ выше на 0,44 п. п.
• статистическая значимость — 95%.

В ноябре 2025 года ДРР — доля рекламных расходов в выручке — в ретаргетинге оказалась в тестовой группе ниже на 3 п. п. Есть и ограничение: кампания на «холодную» аудиторию по лучшим сегментам Segmel дала ДРР на 10 п. п. выше стандартной, и это был пробный запуск без теста.

Группы посетителей Befree по вероятности покупки и поправки к ставкам: −10% для групп 30–50, +10% для групп 60–90

Как автоматизация заменяет ручную работу

Автоматизация не всегда означает ML: цены меняют по правилам, настроенным один раз, а размер скидки подбирает ML-модель. Аналитику кампаний берет на себя встроенный в Mindbox ии для маркетинга — ассистент Mindbox AI. Он находит драйверы выручки и предлагает готовые гипотезы, входит в стоимость платформы и работает с обезличенными данными: название компании и персональные данные клиентов ему не передают. Рекомендации ассистента — отправная точка для решений, поэтому гипотезы проверяют тестом.

Переоценка товаров по правилам

PDP (Product Data Platform) от Mindbox раз в неделю анализирует продажи и остатки каждого товара и меняет цену по бизнес-правилам: медленно продающиеся товары дешевеют ступенями, хиты дорожают. В основе лежат правила, которые разработали категорийные менеджеры вместе с командой Mindbox.

Бренд обуви, сумок и аксессуаров Mario Berlucci (два магазина в Москве и онлайн-магазин) в 2025 году сравнил ручную переоценку с автоматической на 128 товарах. Правило для медленного товара выглядело так: скидка 5%, через неделю 10%, еще через неделю 15%. За шесть недель тестовая группа показала по сравнению с контрольной, которую переоценивали вручную:

• выручка выше на 23%
• маржинальность выше на 0,8 п. п.
• продажи в штуках выше на 25%.

Размер скидки по маржинальности товара

ML-модель решает не только, кому дать оффер, но и какой: размер скидки подстраивают под цену и маржинальность товара, который клиент скорее всего купит.

Омниканальный ритейлер бытовой техники и электроники М.Видео (85 млн клиентов в базе) начинал с массовых акций: 1 000 бонусных рублей всем клиентам. ROI — окупаемость — таких акций составлял 80%: компания получала 80 копеек с каждого вложенного рубля. С 2024 года акции персонализировали в три этапа:

1. RFM-сегменты. Офферы зависят от давности, частоты и суммы покупок, ROI вырос до 124%.
2. ML-модель склонности к покупке. Оффер получают клиенты, которые без него не купили бы, ROI вырос до 208%.
3. Размер оффера по маржинальности. Скидка зависит от цены и маржи товара, ROI вырос до 248%.

Единая скидка в 1 500 бонусных рублей весит по-разному:

• для чехла за 5 000 ₽ она составляет 30% цены
• для стиральной машины за 300 000 ₽ — 0,5%.

Поэтому модель подбирает размер скидки под товар. Тест проводили на онлайн-трафике: клиентов каждого сегмента делили пополам, и контрольная группа офферов не получала. В тестовой группе конверсия в покупку выросла на 2,6–3,9 п. п. в зависимости от сегмента. Модель не стали сразу масштабировать на всю базу: 20% клиентов оставили без офферов, чтобы продолжать измерять эффект.

Карточка товара М.Видео: клиент сразу видит персональную цену с учетом скидок

С чего начать

Во всех пяти кейсах результат сравнивали с контрольной группой — клиентами или товарами, которых изменение не затронуло. Поэтому внедрение начинают с трех шагов:

1. Одна задача. Подойдет рутинная и повторяющаяся: скидка в брошенной корзине, пуш с категорией товара, ставка в рекламе или переоценка залежавшихся товаров.
2. Часть аудитории. Решение запускают на части клиентов или товаров и сравнивают с контрольной группой: у hollyshop аудиторию делили пополам, у М.Видео 20% клиентов остались без офферов, у Mario Berlucci в тест вошли 128 товаров.
3. Метрика под задачу. Для рассылок смотрят конверсию и средний чек, для рекламы — стоимость заказа и ДРР, для цен — выручку и маржинальность.