Как «Лента Тех» с помощью GenAI создала 1,5 млн цифровых клонов клиентов и получила 30+ млн рублей допвыручки

Почему проблему не решил классический ML

Часть этих издержек снимает машинное обучение. Uplift-модели оценивают целесообразность коммуникации и отсекают клиентов, которые совершат покупку и без дополнительной скидки.

Этот подход эффективен, но требует глубокой истории продаж и больших ресурсов дата-сайентистов. В «Ленте» ML-модели покрывали только 10% самых ходовых категорий, а остальные 90% ассортимента продолжали работать по базовым правилам.

Отсюда родилась гипотеза: применить AI-подход к тем 90% категорий, которые машинным обучением не покрыты. LLM способна находить неявные сценарии потребления (например, набор продуктов под домашний борщ) и подбирать точечные офферы без разработки отдельной ML-модели под каждую категорию.

Перед «Лента Тех» стояла задача перевести маркетинг от веерных рассылок к персональным коммуникациям и получить измеримый рост товарооборота. Плановый ориентир на пилот составлял 15 млн рублей.

Первоначальная идея казалась простой: создать цифрового двойника покупателя, найти с его помощью интересные гипотезы и отправить рассылку. На практике между созданием клона и получением выручки потребовалось построить сквозной процесс из четырех этапов:

Решение построено на трех сервисах: подготовка данных, обогащение профиля клиента и запуск рекламных кампаний.

1. Сервис подготовки данных

Система собирает данные покупателя из программы лояльности и анализирует его чеки. На этом этапе команда столкнулась с техническими ограничениями LLM: размером контекстного окна и скоростью обработки. Экспериментально установили оптимальные параметры: модель получает историю транзакций не более чем за 6 месяцев.

Цифровой клон — это структурированный промт, содержащий историю покупок клиента и один конкретный вопрос. Чтобы составить полную картину, на одного покупателя создают несколько клонов. Каждый из них отвечает за свою тему: якорные товары, кулинарные предпочтения, психотип или сценарии потребления.

2. Сервис обогащения профиля

Опрос клонов проходит пачками по 300 запросов через движок vLLM. На весь пилот потребовалась всего одна видеокарта NVIDIA H200.

Ответы модели проходят два этапа обработки:

• Нормализация ответа. Если модель возвращает неполный или некорректный ответ, система приводит его к единой структуре.
• Мэтчинг с каталогом. Языковая модель часто формулирует названия товаров произвольно (например, вместо точного артикула пишет «сыр с плесенью»). Чтобы связать ответ модели с конкретным SKU из базы «Ленты», разработали модуль сопоставления на эмбеддингах.

На выходе формируется обогащенный профиль клиента, готовый для работы маркетинга.

3. Сервис запуска рекламных кампаний

Здесь начинается ручной процесс: результаты передавали бизнес-заказчику, он разбирал ответы клонов, находил клиентов со схожими потребностями и заводил на них кампании. Работали двумя механиками: скидка на категорию или на конкретные товары. После согласования с категорийной службой начинался этап рассылки.

Клоны отвечали на десятки вопросов: от психотипа до любимого бренда. Однако общие описательные характеристики не дали коммерческого эффекта. Финансовый результат принесли два сценария: определение якорных товаров и реконструкция домашних блюд.

Сценарий 1. Якорные товары: +5% к конверсии

Якорный товар — это позиция, ради которой клиент выбирает конкретный магазин, например, свежий хлеб из собственной пекарни.

• Как работала модель: LLM анализировала историю чеков, находила товары с регулярным циклом покупки и оценивала, насколько клиенту трудно их заменить. Изначально модель выдавала пять якорных позиций на человека, но маркетологам было сложно обрабатывать такой объем. В итоге выдачу сузили до одного главного товара.
• Формат ответа: ID клиента, уровень уверенности модели и конкретный SKU.
• Механика акции: персональная скидка 20% на категорию, в которой найден якорный товар (например, на выпечку собственной пекарни).
• Результат: пилот охватил 1,3 млн клиентов. Прирост конверсии в покупки оказался на 5 процентных пунктов выше, чем при стандартной сегментации по бизнес-правилам.

Сценарий 2. Реконструкция домашних блюд: +12% к конверсии

Убедившись в эффективности подхода, команда пошла глубже и попробовала восстановить кулинарные сценарии покупателей.

• Как работала модель: модель анализировала сопутствующие товары в чеках и определяла, какое блюдо человек планирует приготовить дома. Ответ модели сопоставляли с базой рецептов «Ленты».
• Механика акций: персональные бонусы на покупку недостающих ингредиентов для конкретного блюда (например: «200 баллов на ингредиенты для вашего борща»).
• Результат: из-за сложности гипотезы этот сценарий протестировали на меньшей выборке в 127 000 клиентов. Эксперимент показал рекордный результат: прирост конверсии составил 12%.

Бизнес рассчитывал получить 15 млн рублей допвыручки. По факту пилот принес более 30 млн рублей дополнительного товарооборота за ограниченный тестовый период.

Команда успела обработать 1,5 млн клиентов с четко выявленными потребностями. Потенциально охват мог быть больше, но система уперлась в скорость расчетов. Сейчас решение готовят к масштабированию и расширяют под него вычислительные мощности.

Несмотря на итоговый успех, в процессе пилота команда «Лента Тех» столкнулась с четырьмя ограничениями:

1. Низкая скорость генерации. На старте расчеты шли в 10 раз медленнее, чем планировалось. Инженерам пришлось применить максимум оптимизаций vLLM, чтобы обработать поток данных на 1,5 млн человек.
2. Рутина в маркетинге. Чем точнее персонализация, тем больше уникальных акций нужно заводить. Анализ ответов клонов, сборка сегментов и согласование кампаний пока остаются ручными. Именно поэтому выдачу якорных товаров пришлось сузить с пяти позиций до одной.
3. Длительная отладка промтов. На ранних этапах качество ответов не устраивало команду. Промты долго дорабатывали, а точность вывода проверяли на реальных покупках сотрудников «Ленты».
4. Слепая зона: нелояльные клиенты. Если человек совершает покупки редко, у модели не хватает данных для анализа, и она начинает галлюцинировать.

Пока 90% категорий каталога живут на жестких бизнес-правилах, ритейлер переплачивает за скидки тем клиентам, которые совершили бы покупку и без них. «Лента Тех» доказала, что гипотезу с LLM можно запустить быстро и с минимальными ресурсами: для пилота потребовались одна видеокарта NVIDIA H200, качественный промпт-инжиниринг и сильная команда.