«Группа Лента» внедрила систему оптимизации маркетинговых предложений для покупателей на базе решения CM Ocean Optimum, которая повышает эффективность и упрощает процессы управления ценностью клиентов (Customer Value Management, CVM). Новая архитектура позволяет выбирать подходящий оффер среди множества доступных в матрице релевантных предложений и определять канал доставки с учетом его пропускной способности и бюджета кампании. Полученное решение обеспечивает переход от «традиционного» сегментного подхода к так называемому segment of one, когда задача релевантности предложения, максимизации конверсии и доходности решается для каждого клиента индивидуально, а не на уровне клиентских групп. О реализации проекта рассказывают Галина Кардаева, директор по маркетингу торговой сети «Гипер Лента», и Владимир Носиков, директор платформы CVM-маркетинга CM Ocean в компании Data Sapience, – номинанты на премию Data Award.

- Почему «Лента» пришла к необходимости оптимизировать маркетинговую работу с клиентами?

Галина Кардаева: По мере роста объема коммуникаций и каналов ключевым фактором эффективности становилась не только проработка отдельных сценариев, но и их согласованность на уровне клиента. Мы наблюдали, что добавление новых кампаний не всегда давало пропорциональный эффект, а в ряде случаев приводило к каннибализации: все большую роль играло распределение коммуникаций с учетом ограниченного ресурса клиента — его внимания и частоты контактов. В этих условиях фокус сместился к управлению коммуникациями как единой системой и их оптимизации на уровне каждого клиента.

- Какие задачи требовалось решить?

Г.К.: Нам нужно было перейти от логики конкуренции кампаний за канал и внимание клиента к системному управлению коммуникациями как единым портфелем. При этом важно отметить, что на момент старта уже использовались продвинутые инструменты персонализации, включая модели отклика и прироста (uplift), а также продвинутые техники сплит-тестирования (A/B) для оценки инкрементального эффекта. Следующим шагом стало обеспечение выбора оптимального предложения для каждого клиента с учетом ценности на уровне всей системы коммуникаций. При этом было важно одновременно учитывать все ограничения — бюджеты, емкость каналов, контактную политику и обязательства по отдельным предложениям — и масштабировать этот подход на всю клиентскую базу. Отдельной задачей было сделать управление этими сценариями доступным для бизнеса без постоянного вовлечения ИТ.

- Какой подход выбрали для реализации проекта?

Владимир Носиков: Мы изначально выстраивали проект как совместную работу трех команд — «Ленты», GlowByte и Data Sapience. Это было важно, потому что проект находился на стыке бизнеса, данных, моделей и промышленной ИТ-архитектуры. На старте мы сознательно выбрали подход с запуском минимальной версии (MVP-подход): задачей было быстро собрать первый рабочий контур, проверить ключевые гипотезы и подтвердить, что оптимизационный подход применим к реальному процессу управления ценностью клиентов «Ленты». Первый этап включал аудит доступных данных и используемых моделей, сбор и формализацию бизнес-требований, а также согласование оптимизационной задачи. Параллельно мы проектировали архитектуру так, чтобы она позволяла не только быстро запустить первый боевой сценарий, но и масштабировать решение дальше. Для нас это был принципиальный момент: у «Ленты» сильная ИТ-команда и высокая внутренняя экспертиза, поэтому решение внедрялось с расчетом на его дальнейшее развитие собственными силами заказчика. После этого мы развернули платформу, настроили первый боевой сценарий, оценили его эффективность и перешли к следующему этапу масштабирования.

- Какое решение было выбрано и почему?

Г.К.: Мы выбрали CM Ocean Optimum, поскольку это промышленное решение, изначально ориентированное на задачи маркетинговой оптимизации с учетом бизнес-ограничений. Для нас было важно, что система позволяет работать не на уровне отдельных кампаний, а решать задачу оптимального распределения коммуникаций с учетом каналов, предложений и целевой функции. Дополнительным фактором стала скорость внедрения: от старта проекта до промышленной эксплуатации прошло около трех месяцев. При этом решение изначально рассчитано на масштабирование и не требовало разработки логики с нуля. В совокупности это сделало выбор наиболее рациональным с точки зрения как скорости получения эффекта, так и дальнейшего развития.

- Что представляет собой созданная платформа с технической точки зрения?

В.Н.: Решение развернуто в контуре «Ленты» и работает в Kubernetes-кластере, что позволяет встроить его в корпоративную ИТ-среду и масштабировать вместе с ростом нагрузки. По сути, CM Ocean Optimum — это вычислительный слой, который получает на вход пространство допустимых коммуникаций: рассчитанные персональные предложения, доступные каналы, историю контактов и прогнозные оценки эффекта коммуникаций и отклика по доступным каналам. В проекте платформа встроена в новый бизнес-процесс оптимизации: после подготовки входных данных и настройки сценария система рассчитывает итоговый план коммуникаций и возвращает его в контур целевого маркетинга. На выходе бизнес получает уже не набор отдельных гипотез, а готовый список коммуникаций — кому, какое предложение и по какому каналу отправлять — с учетом целевой функции и всех заданных ограничений.

- Как устроено оптимизационное ядро решения?

В.Н.: В основе платформы лежит математическая оптимизация. Пользователь задает сценарий как набор бизнес-ограничений, правил отбора и целевую функцию — например, максимизацию суммарного прироста РТО, выручки, прибыли, откликов (или, наоборот, минимизацию затрат). После этого сценарий преобразуется в формальную математическую постановку, и система решает задачу смешанного целочисленного программирования. Если упростить, платформа должна выбрать из очень большого массива строк «клиент — оффер — канал» такой набор, который даст наилучшее значение целевой функции при одновременном соблюдении всех ограничений: по клиенту, по каналу, по офферу, по бюджету, по контактной политике и другим бизнес-параметрам. В случае «Ленты» расчет опирался на прогнозы моделей прироста и бизнес-правила для тех предложений (офферов), где моделей нет. Такой подход позволяет не просто ранжировать предложения, но и формировать математически обоснованный план коммуникаций на всей клиентской базе сразу. На текущем объеме данных требуется не более 10 минут для обработки более чем 10 млн предложений для клиентов. И это не предел: архитектура свободно масштабируется под необходимое количество данных. Решение способно выполнить оптимизационную задачу до 600 млн строк входных данных за 2,5 часа.

- Что в ходе проекта было самым сложным?

В.Н.: Самым сложным было корректно перевести бизнес-логику в формальную оптимизационную постановку так, чтобы математическая модель действительно отражала реальные приоритеты бизнеса, но при этом сохраняла фокус на клиенте и позволяла находить такой баланс коммуникаций, который одновременно создает ценность для бизнеса и остается релевантным для самого клиента. В логике CVM одновременно действуют разные требования: где-то важно максимизировать отклик, где-то — выручку или маржу, где-то — соблюсти лимиты по каналам и контактную политику, а где-то — выдержать обязательные объемы по отдельным предложениям. Вторая сложность — подготовка качественных входных данных и прогнозов эффекта, потому что именно они определяют прикладную ценность оптимизации. Третья сложность — встроить решение в рабочий процесс команды управления отношениями с клиентами так, чтобы результат оптимизации был не только точным, но и управляемым с точки зрения бизнеса.

- Какие результаты уже достигнуты?

Г.К.: Внедрение оптимизатора позволило существенно улучшить ключевые бизнес-метрики: конверсия выросла на 11%, дополнительный товарооборот — на 12%, маржинальность — на 10%, при этом затраты на коммуникации снизились на 24%. Таким образом, мы достигли одновременного роста доходности и снижения затрат за счет более точного управления коммуникациями.

На операционном уровне был создан промышленный контур оптимизации, позволяющий формировать план коммуникаций с учетом целевой функции и ограничений в прозрачной и воспроизводимой логике.

- В чем роль проекта для бизнеса компании?

Г.К.: Проект обеспечил переход от сегментного подхода к управлению клиентскими коммуникациями на уровне каждого клиента – segment of one. Для каждого клиента определяется оптимальная связка «предложение — канал — момент контакта», что позволяет более точно управлять клиентской ценностью и эффективнее распределять маркетинговые инвестиции.

- В каких направлениях будет развиваться проект?

Г.К.: Следующий этап развития связан с переходом к управлению клиентской ценностью на уровне каждого клиента и всей базы одновременно. Мы видим потенциал в расширении применения оптимизации: подключении новых каналов, увеличении числа предложений и развитии сценариев взаимодействия. При этом меняется роль моделей. Если ранее они использовались для оценки отклика и инкрементального эффекта отдельных коммуникаций, то теперь становятся частью единого контура принятия решений, обеспечивая управление коммуникациями на уровне клиента.

Дополнительно мы видим потенциал использования подходов на основе больших языковых моделей для более гибкого управления контентом, персонализацией сообщений и адаптацией коммуникаций под контекст клиента. Ключевым направлением является углубление персонализации — переход от выбора отдельных предложений к управлению всей совокупностью взаимодействий, включая частоту, последовательность и сочетание коммуникаций. В перспективе это позволяет перейти на новый уровень, где система не только подбирает релевантные предложения, но и управляет клиентским опытом и ценностью в динамике. Наша задача — сделать оптимизацию базовым механизмом принятия решений, обеспечивающим системное управление клиентской ценностью и более эффективное распределение маркетинговых инвестиций.