ИИ в электронной коммерции — это использование машинного обучения и генеративных моделей в процессе совершения покупок и связанных с ним операционных процессах. Для покупателей это означает рекомендации товаров, поиск и подбор, восстановление брошенных корзин и сеансов просмотра, персонализированные сообщения по разным каналам, разговорных помощников для покупок, а также постпродажное обслуживание и пополнение запасов. В фоновом режиме ИИ поддерживает прогнозирование спроса, динамическое ценообразование и обнаружение мошенничества.

Поскольку термин «ИИ» охватывает очень многое, полезно разделить его на два типа. Генеративный ИИ создает контент, такой как описания товаров, варианты рекламных кампаний, изображения и ответы на вопросы покупателей. ИИ-выбор определяет, какой именно опыт получит конкретный пользователь, основываясь на наблюдаемых результатах. В этом руководстве показано, где каждый тип ИИ помогает в конкретных сценариях, приведены реальные результаты брендов, методы измерения эффективности и рекомендации по первоочередным шагам.

Кратко

ИИ в электронной коммерции — это использование машинного обучения и генеративных моделей в процессе совершения покупок и связанных с ним операционных процессах, от рекомендаций товаров до обнаружения мошенничества.
Генеративный ИИ создает контент, такой как описания товаров, варианты рекламных кампаний и изображения. ИИ-выбор, также называемый ИИ-принятием решений, определяет, какой клиент получит какую версию, по какому каналу и когда, основываясь на наблюдаемых результатах.
Шесть сценариев использования, ориентированных на клиента: рекомендации товаров, поиск и подбор, восстановление брошенных корзин и сеансов просмотра, ИИ-персонализация по каналам, торговые помощники и разговорный ИИ, а также постпродажное обслуживание и пополнение запасов.
Оценивайте ИИ по контрольному показателю конверсии, отслеживайте конкретный коэффициент для каждого сценария и используйте контрольные группы, чтобы показать, что именно стало результатом работы ИИ.
Начинайте там, где ваши собственные данные (first-party data) наиболее полные, добавляйте выбор там, где объем данных поддерживает обучение, а затем переходите к разговорному ИИ и пилотным проектам с агентами, установив четкие ограничения.

Что такое ИИ в электронной коммерции?

ИИ в электронной коммерции — это использование машинного обучения и генеративных моделей в процессе совершения покупок и связанных с ним операционных процессах. Со стороны клиента ИИ рекомендует товары на основе того, что каждый покупатель просматривает и покупает, интерпретирует поисковые запросы, восстанавливает брошенные корзины и сеансы просмотра, персонализирует сообщения в email, push-уведомлениях, SMS и внутри приложений, а также управляет торговыми помощниками, которые отвечают на вопросы в диалоге. Со стороны операций ИИ прогнозирует спрос, чтобы складские запасы соответствовали тому, что клиенты, скорее всего, купят, корректирует цены в ответ на спрос и уровень запасов, а также помечает подозрительные транзакции.

Это руководство охватывает весь спектр применения, а затем подробно рассматривает уровень взаимодействия с клиентами, где ИИ решает, что каждый покупатель видит и слышит на сайте, в приложении и в сообщениях.

Примеры ИИ в электронной коммерции: сценарии использования, которые увеличивают доход

ИИ в электронной коммерции, ориентированный на клиента, может помочь покупателю с момента первого поиска до повторной покупки, и следующие шесть сценариев охватывают этот путь. Вы увидите, что запускает или питает каждый пример, как способствуют генеративный ИИ и ИИ-выбор, и каким брендам лучше всего подходит каждый из них. Это упрощает оценку того, что подходит вашему бизнесу и что нужно подготовить в первую очередь.

Там, где клиенты Braze опубликовали результаты, бренд указан и приведена ссылка. Там, где опубликованных результатов в электронной коммерции еще нет, представлен краткий сценарий, показывающий, как это будет работать для розничного бренда.

Поиск и подбор

Что это такое: Поиск на базе ИИ интерпретирует то, что имеет в виду покупатель, сопоставляет это с каталогом и ранжирует результаты. Подбор применяет тот же подход к страницам категорий, лентам новинок и товарам, представленным в сообщениях.

Что запускает или питает это: Поисковые запросы, клики по результатам, покупки после поиска и данные каталога. Качество атрибутов здесь имеет большое значение. Товар, помеченный цветом, фасоном, материалом и поводом, может соответствовать гораздо большему количеству запросов, чем товар, у которого есть только название и цена.

Где помогает генеративный ИИ: Он заполняет и стандартизирует атрибуты и описания товаров в больших каталогах, что дает поиску больше данных для сопоставления. Он также обеспечивает поиск на естественном языке, когда покупатель вводит полный запрос, например: «красная водонепроницаемая куртка для походов весной, размер 14».

Где помогает ИИ-выбор: Ранжирование — это проблема выбора: решение о том, какие товары каждый покупатель увидит первыми, основываясь на том, что заставляло похожих покупателей кликать и покупать. Вне поисковой строки выбор определяет, какие категории или новинки показывать каждому человеку в сообщениях и на сайте.

Пример: Два покупателя на сайте модного ритейлера могут искать «черное платье» и видеть разные результаты первыми. Одна покупательница раньше покупала товары премиальных дизайнерских брендов, поэтому эти стили ранжируются для нее выше. Другая обычно покупает товары со скидкой, поэтому уцененные модели возглавляют ее результаты. Генеративный ИИ может заполнить недостающие детали товара, такие как повод или ткань, что дает ранжированию больше данных для работы.

Лучше всего подходит для: Брендов с большими каталогами и покупателями с высокой степенью намерения совершить покупку, таких как электроника, товары для дома, продукты питания и мода, где люди часто знают, что им нужно, но не знают, как это называется.

Восстановление корзины и просмотров

Что это такое: Пути восстановления корзины возвращают покупателей, которые оставили товары в корзине или просматривали продукты, не совершив покупку. Восстановление просмотров работает так же, на один шаг раньше в воронке продаж. Чтобы глубже изучить процесс принятия решений в этой области, посмотрите, как ИИ-принятие решений помогает розничным брендам выйти за рамки электронных писем о брошенной корзине.

Что запускает или питает этот процесс: Корзина без покупки по истечении установленного времени, просмотр товара без добавления в корзину или изменение товара, к которому покупатель проявил интерес, например, снижение цены или низкий уровень запасов. События в реальном времени и данные каталога обеспечивают точность этих сообщений, поэтому покупателю не напомнят о товаре, который уже распродан.

Где помогает генеративный ИИ: Он создает варианты напоминаний, включая темы писем, тексты push-уведомлений и различные тональности, чтобы у команд было более одного шаблона для тестирования.

Где помогает ИИ-управляемый выбор: Выбор определяет для каждого покупателя, стоит ли вообще отправлять напоминание, какой канал использовать, когда его отправить и нужно ли предлагать стимул. Некоторые покупатели возвращаются после простого напоминания, в то время как другие реагируют только на специальное предложение. BrazeAI Decisioning Studio™ учится на результатах, какой подход работает для каждого человека, помогая не предлагать скидки тем покупателям, которые совершили бы покупку и без них.

Пример: Розничный продавец товаров для дома может отслеживать брошенные просмотры, когда цена на просмотренный покупателем товар падает. Снижение цены запускает сообщение, а ИИ-управляемый выбор решает, получит ли каждый покупатель его по электронной почте или через push-уведомление, и когда, основываясь на том, как они реагировали ранее.

Лучше всего подходит для: Брендов, продающих товары, требующие тщательного обдумывания, или товары с ограниченным запасом, такие как предметы роскоши, мода, товары для дома и электроника, где покупатели часто проводят исследование перед покупкой.

ИИ-персонализация в электронной коммерции по разным каналам

Что это такое: Каждый клиент получает сообщения, адаптированные лично для него, через электронную почту, push-уведомления, SMS, WhatsApp и внутри приложения, с динамическим контентом, каналом, временем и частотой, установленными на индивидуальном уровне. Для реализации такого сценария использования см. руководство по персонализации в электронной коммерции.

Что запускает или питает этот процесс: Первичные данные (first-party data) профиля клиента, включая историю покупок, поведение при просмотре, заявленные предпочтения и взаимодействие с прошлыми сообщениями по каждому каналу.

Где помогает генеративный ИИ: Он создает объем контента, необходимый для персонализации, например, варианты текста для разных аудиторий, локализованные версии и варианты изображений. Каждый из них все равно требует проверки на соответствие рекомендациям бренда перед отправкой.

Где помогает ИИ-управляемый выбор: Выбор определяет, какой из этих вариантов получит каждый человек. BrazeAI Decisioning Studio™ может определять канал, сообщение, креатив, предложение, время, день и частоту для каждого человека.

Пример: Розничный продавец косметики, запускающий новую коллекцию, может позволить системе выбора решить, как каждый участник узнает об этом. Участник, который обычно взаимодействует с push-уведомлениями по утрам в будние дни, получит анонс в это время через push. Участник, который взаимодействует только с электронной почтой, получит его по почте с вариантом темы письма, который с наибольшей вероятностью найдет у него отклик. Маркетологи устанавливают цель и ограничения, а система корректирует действия по мере изменения поведения и результатов каждого участника.

Лучше всего подходит для: Брендов с большой аудиторией, активной по нескольким каналам, таких как магазины косметики, модной одежды и мультибрендовые ритейлеры, с достаточным объемом рассылок для обучения системы на результатах, а также ритейлеров с присутствием как в офлайн-магазинах, так и в электронной коммерции.

Помощники по покупкам и разговорный ИИ в электронной коммерции

Что это такое: Разговорный ИИ в электронной коммерции ведет двусторонние диалоги с покупателями на сайте, в приложении или через такие каналы, как SMS и WhatsApp. Скриптовые чат-боты следуют фиксированным деревьям решений, в то время как ИИ-помощник по покупкам может отвечать на вопросы о продуктах, рекомендовать товары и выполнять задачи, такие как оформление заказа, без необходимости переключения покупателя между каналами.

Что запускает или питает этот процесс: Собственные слова покупателя, а также данные каталога, история заказов и данные профиля, что позволяет помощнику давать ответы, специфичные для этого человека.

Где помогает генеративный ИИ: Это область, где генеративный ИИ выполняет свою наиболее заметную работу: чтение сообщения покупателя на естественном языке, понимание того, что он хочет, и написание ответа. Ответы о цене, наличии или совместимости должны браться непосредственно из данных каталога, чтобы помощник не мог их выдумать.

Где помогает ИИ-управляемый выбор: Выбор определяет, какие продукты рекомендовать в ходе разговора и каких клиентов приглашать к диалогу, например, кто получит двусторонний запрос после покупки и по какому каналу.

Пример: Розничный продавец бытовой электроники может позволить покупателям отвечать на сообщение о запуске продукта по SMS. Если покупатель спрашивает, работают ли новые наушники с их телефоном, ИИ-агент проверяет совместимость в каталоге, рекомендует правильную модель и аксессуары, а также завершает заказ внутри переписки, как только покупатель подтверждает покупку.

Лучше всего подходит для: Брендов, чьи продукты вызывают вопросы перед покупкой, таких как электроника, косметика и мебель, и которые уже используют двусторонние каналы, такие как SMS или WhatsApp.

Послепродажное обслуживание и пополнение запасов

Что это такое: Послепродажные пути охватывают то, что происходит после заказа: подтверждения, контент по настройке и уходу, перекрестные продажи, запросы на отзывы и напоминания о пополнении запасов для продуктов, которые заканчиваются.

Что запускает или питает этот процесс: Завершенная покупка, подтверждение доставки или типичное время, необходимое для использования продукта. История покупок и данные каталога, такие как размер упаковки и цикл использования, определяют время.

Где помогает генеративный ИИ: Он пишет вспомогательный контент, включая руководства «как сделать», советы по использованию и тексты напоминаний, адаптированные к тому, что купил каждый клиент.

Где помогает ИИ-управляемый выбор: Выбор определяет, кому нужен стимул для повторного заказа и в каком размере. BrazeAI Decisioning Studio™ может выбирать предложение и стимул для каждого отдельного человека, поэтому клиент, который и так бы сделал повторный заказ, получает простое напоминание, а тот, кто теряет интерес, получает более вескую причину вернуться.

Пример: Бренд по уходу за кожей может заменить одну общую рассылку о пополнении запасов на многоуровневый подход. Клиенты, наиболее склонные к повторному заказу, получают напоминание без скидки, другие получают небольшой стимул, а те, кто наименее склонен к ответу, получают более выгодное предложение или вообще не получают сообщения. Система выбора принимает эти решения индивидуально для каждого человека и учится на том, что клиент делает дальше.

Лучше всего подходит для: Брендов, продающих расходные материалы или продукты с естественным циклом повторного заказа, такие как косметика, средства по уходу за кожей, товары для домашних животных и продукты питания.

Генеративный ИИ в электронной коммерции против ИИ-управляемого выбора

Генеративный ИИ создает контент, с которым работает команда электронной коммерции, включая описания товаров, темы писем и другие варианты рекламных кампаний, изображения товаров и лайфстайл-фото, а также ответы на вопросы покупателей. Для ритейлеров с большими каталогами это означает написание и обновление текстов для тысяч товаров или создание нескольких версий кампании для разных аудиторий и рынков гораздо быстрее, чем это могла бы сделать команда вручную.

ИИ-подбор, также известный как ИИ-принятие решений, определяет, какой именно человек получит тот или иной вариант контента, через какой канал и в какое время, основываясь на наблюдаемых результатах. Например, один клиент может получить сообщение о новинках через push-уведомление в выходные утром, а другой — версию со скидкой по электронной почте в середине недели, потому что именно на такие форматы и время каждый из них реагировал ранее. Каждая отправка дополняет знания системы о каждом клиенте, поэтому подбор улучшается по мере накопления результатов. ИИ, встроенный в платформу, работает с тем же профилем клиента, который используют каналы коммуникации, что устраняет разрыв между инсайтом и действием.

Эти два типа зависят друг от друга. Генерация дает подбору более широкий спектр вариантов для выбора, а результаты, которые фиксирует подбор, показывают, какой контент стоит производить чаще.

У каждого из них есть свои ограничения. Сгенерированный контент требует проверки человеком и соблюдения правил бренда, таких как утвержденные заявления о товарах и правила тональности, прежде чем он попадет к клиентам. Подбору необходим объем трафика и наблюдаемые результаты для обучения, поэтому ритейлер, продающий небольшое количество дорогостоящих товаров, будет ждать надежных решений дольше, чем тот, кто обрабатывает тысячи повседневных заказов в неделю. Пока данных недостаточно, правила и протестированные настройки по умолчанию должны брать на себя большую часть нагрузки. И ни один из них не исправит каталог с плохими данными. Отсутствующие атрибуты, устаревшие цены и неточные уровни запасов могут попасть в сгенерированный текст и в варианты, из которых выбирает система. В результате покупатели видят неверные данные или получают ссылки на товары, которые не могут купить, что стоит компании и продажи, и доверия к последующим сообщениям. Подбор также учится на этих неудачных отправках, поэтому ошибки переносятся и в будущие решения.

Куда движется агентный ИИ в электронной коммерции

Агентный ИИ переводит использование технологий от принятия решений к выполнению действий от имени человека. В электронной коммерции это происходит с обеих сторон транзакции: с помощью агентов на стороне покупателя, которые ищут и покупают, и агентов на стороне бренда, которые проводят кампании и ведут диалоги в рамках заданных человеком ограничений.

На стороне покупателя агенты ищут товары у разных ритейлеров, сравнивают цены и совершают покупки в пределах лимитов, одобренных покупателем. Внедрение находится на ранней стадии, но растет. Согласно обзору Braze 2026 Retail Customer Engagement Review, 19% опрошенных потребителей заявили, что в настоящее время используют ИИ-посредников во взаимодействии с брендами, а 46% сказали, что либо уже делают это, либо планируют начать до конца года — так что ситуация меняется быстро. Однако покупатели хотят сохранять контроль. Только 10% позволили бы ИИ-агентам действовать независимо при взаимодействии с брендом. Для ритейлеров это означает, что все больше покупок будет начинаться с того, что программное обеспечение считывает данные об их товарах, поэтому полная и точная информация в каталоге теперь напрямую влияет на продажи.

На стороне бренда агенты могут вести двусторонние диалоги с клиентами. В здравоохранении, смежной отрасли, компания Aeroflow Health использовала ИИ-агентов, созданных в BrazeAI Agent Console™, чтобы превратить односторонние SMS-напоминания о повторном заказе в двусторонние диалоги для своего подразделения Mom & Baby, которое помогает беременным и кормящим матерям получать медицинские устройства, покрываемые страховкой, такие как молокоотсосы. Когда клиент отвечает, запрашивая другой размер своими словами, агент интерпретирует запрос, сопоставляет его с каталогом и оформляет заказ прямо в текстовой переписке. По сравнению с предыдущим подходом программа обеспечила рост конверсии повторных покупок на 8,8%. Тот же шаблон может применяться к повторным заказам расходных материалов в электронной коммерции, от косметики до кормов для домашних животных.

Агенты также берут на себя часть работы по кампаниям. BrazeAI Decisioning Studio™ использует агентов, которые проводят непрерывные эксперименты и адаптируются по мере изменения поведения клиентов, при этом результаты измеряются в сравнении с контрольными группами. Маркетолог задает цель, варианты и ограничения, а агенты определяют, что именно стоит попробовать в этих рамках.

С обеих сторон роль человека смещается в сторону установления границ и контроля. Команды решают, какие действия агент может предпринимать без одобрения, какие предложения ему разрешено делать и в какой момент человек должен вмешаться. В случае с агентами на стороне покупателя влияние бренда проявляется раньше — через качество данных в каталоге и то, насколько четко изложены правила ценообразования, возврата и доставки.

В этом руководстве агентная коммерция рассматривается подробно, показывая, как бренды электронной коммерции могут подготовиться к работе агентов с обеих сторон покупки: от стандартизации данных о товарах до обеспечения доступности для ИИ-систем.

Как измерять эффективность ИИ в электронной коммерции

За 12 месяцев по сентябрь 2026 года средние показатели конверсии в электронной коммерции варьировались от менее 1% посетителей для сегментов роскоши и ювелирных изделий до более 5% для косметики и товаров личной гигиены, согласно бенчмаркам Dynamic Yield. Используйте бенчмарк, будь то ваши собственные данные или отраслевой источник, подобный этому, в качестве точки отсчета и оценивайте ИИ-программу в электронной коммерции по тому, насколько она повышает конверсию относительно этого показателя. Метрики активности, такие как количество отправленных сообщений или показанных рекомендаций, лишь говорят о том, что ИИ работает.

Коэффициент конверсии показывает общий результат, но не может сказать, какая именно часть вашей ИИ-программы принесла результат. Для этого измеряйте каждую часть отдельно. У каждого коэффициента есть знаменатель — число, на которое вы делите, и именно оно определяет, что именно показывает коэффициент. Коэффициент конверсии делит количество покупок на всех посетителей сайта, в то время как коэффициент конверсии в оформление заказа делит их только на тех покупателей, которые начали процесс оформления, поэтому эти два показателя дают очень разные цифры. Сопоставляйте знаменатель с теми людьми, которых ИИ действительно охватил:

Поиск и открытие товаров

Выручка на сессию (RPS): Сколько выручки в среднем приносит каждое посещение вашего сайта или приложения.

Расчет: RPS = Выручка на сессию = общая выручка ÷ общее количество сессий за тот же период

Восстановление корзины и просмотров

Коэффициент восстановления брошенной корзины: Доля брошенных корзин, которые после напоминания превращаются в завершенные заказы.

Расчет: Коэффициент восстановления брошенной корзины = (восстановленные корзины ÷ общее количество брошенных корзин в рамках окна атрибуции программы восстановления) X 100

ИИ-персонализация в электронной коммерции по каналам

Коэффициент конверсии: Доля людей, которые получили сообщение и совершили действие, на которое оно было направлено, например, покупку.

Расчет: Коэффициент конверсии = (конверсии ÷ уникальные получатели) X 100

Помощники по покупкам и разговорный ИИ в электронной коммерции

Показатель удержания — это доля разговоров, которые ИИ решает самостоятельно, не передавая клиента человеку.

Расчет: Показатель удержания = (количество разговоров, полностью решенных ИИ ÷ общее количество разговоров, обработанных ИИ) × 100

Удовлетворенность клиентов (CSAT) — это доля клиентов, которые оценивают свой опыт как удовлетворительный или очень удовлетворительный.

Расчет: CSAT = (количество удовлетворительных ответов ÷ общее количество ответов в опросе) × 100

Покупка после совершения заказа и пополнение запасов

Показатель повторных покупок — это доля клиентов, которые покупают у вас более одного раза в течение определенного периода.

Расчет: Показатель повторных покупок = (количество клиентов, совершивших более одного заказа ÷ общее количество клиентов за тот же период) × 100

Эти показатели показывают, что изменилось, но не то, что вызвало это изменение, поскольку некоторые покупатели все равно бы совершили покупку. Группа контроля — это случайно выбранная доля подходящих клиентов, которые не получают конкретный опыт, основанный на ИИ. Сравнение показателя конверсии этой группы с показателем клиентов, которые его получили, показывает, что этот опыт добавил. Глобальная контрольная группа делает то же самое для всей вашей программы, удерживая небольшую долю всех пользователей от каждой кампании, чтобы вы могли увидеть общее влияние ваших сообщений с течением времени.

Как начать работу с ИИ в электронной коммерции: что построить первым

Вам не нужно запускать каждый сценарий использования сразу. Начните с того, где ваши данные уже находятся в хорошем состоянии, затем добавляйте больше по мере совершенствования ваших данных и каналов. Вот разумный порядок действий с указанием того, что вам нужно иметь в наличии перед каждым этапом.

Начните с того, где ваши собственные данные уже сильны

Рекомендации по продуктам и восстановление корзины работают на основе данных, которые большинство ритейлеров уже собирают: просмотры продуктов, добавления в корзину, покупки и детали каталога. Это делает их самым быстрым местом для демонстрации измеримого возврата. Предварительное условие — чистые данные каталога и последовательное отслеживание событий на сайте и в приложении, привязанное к единому профилю клиента.

Добавьте ИИ-управляемый выбор там, где объем данных поддерживает обучение

Как только эти процессы запустятся, пусть выбор определяет канал, время и предложение для каждого клиента. Выбор учится на результатах, поэтому он лучше всего работает в процессах с достаточным количеством клиентов и конверсий, чтобы быстро учиться. Перед началом убедитесь, что у каждого процесса есть такой объем, а также группа контроля, чтобы вы могли измерить, как выбор сравнивается.

Внедряйте разговорный ИИ там, где установлены двусторонние каналы

Разговорный ИИ нуждается в клиентах, которые уже отвечают вам, поэтому начните с программ SMS или WhatsApp, у которых есть заинтересованная, подписавшаяся аудитория. Ассистенту также нужны точные данные каталога и заказов, чтобы извлекать ответы. Четкая передача дела человеку для вопросов, которые он не может решить, должна быть установлена перед запуском.

Проводите пилотные испытания агентов в процессах с четкими ограничениями

Агенты, которые совершают действия от имени клиента, лучше всего тестируются в узких процессах, где возможные действия ограничены и легко обратимы, такие как повторные заказы. Предварительное условие — определенный набор правил, охватывающий, что агент может сделать без одобрения, какие предложения он может сделать и когда человек вступает в дело. Расширяйте только после того, как эти ограничения выдержали проверку на практике.

Если вы сравниваете платформы для поддержки этого плана, начните с того, что предлагает Braze ритейлерам и брендам электронной коммерции.

Посмотрите, как потребительские бренды используют ИИ-управляемое взаимодействие через электронную почту, push-уведомления, SMS и в приложениях на Braze.

Готовы начать?