Як ML-модель у п'ять разів підвищила конверсію меблевого ритейлера

Історія, яка може здивувати багатьох, почалася з консервативної компанії, що десятиліттями відправляла клієнтам традиційні листи. Меблі — товар, який купують раз на два-три роки, тож конверсія таких розсилок коливалася від 1% до 3%. Здавалося б, це не найкращий ґрунт для впровадження штучного інтелекту, адже в розпорядженні аналітиків була лише історія покупок, без жодних даних про веб-активність чи поведінку в застосунку.

Проте саме цей обмежений набір даних став основою для ML-моделі, яка мала визначити, кому з клієнтів варто надсилати листи. Розсилка залишилася такою ж — звичайні паперові листи поштою, — але тепер її отримували не всі підряд, а лише ті, кого відібрала модель. Це дало вражаючий результат: конверсія на тестовій вибірці зросла вп'ятеро.

Щоб переконатися, що успіх не був випадковістю, компанія провела паралельне тестування. Вона сформувала власну вибірку з 30 тисяч «перспективних» покупців за традиційними критеріями, а модель зі свого боку відібрала ще 30 тисяч. На перетині цих двох груп утворилися три сегменти: A — клієнти, які потрапили в обидві вибірки; B — ті, кого відібрали лише стандартним підходом; C — ті, кого помітила лише модель.

Усім трьом сегментам надіслали абсолютно однакову комунікацію та виміряли результати. Найкращим виявився сегмент C: конверсія 1,64% і середній чек 3386 євро. Це означає, що саме ті клієнти, яких традиційний аналіз «не бачив», але яких ідентифікувала ML-модель, принесли найвищий дохід.

Цей кейс демонструє, що перехід від здогадок до прогнозування можливий навіть у найконсервативніших галузях. Головне — не боятися експериментувати з даними, які вже є, і довіритися алгоритмам там, де людська інтуїція часто підводить. Бізнес, який наважується на такі кроки, отримує не просто збільшення продажів, а й розуміння, як працюють його клієнти насправді.