Как маркетологи, мы любим видеть, как работает кампания. Нет ничего лучше ощущения, когда мы можем сказать: «Эта кампания выглядит одной из самых сильных в квартале».
Уровень отклика превышает контрольные показатели. Конверсии растут. Тысячи клиентов воспользовались предложением. Слайд с результатами практически пишет себя сам: кампания сработала. Но так ли это?
Представьте, что бренд электронной коммерции отправляет скидку 20% на сумму корзины покупателю, который уже собирался оформить заказ. Или стриминговый сервис предлагает бесплатный месяц подписчику, который уже планировал продлить подписку. Или банк дает кэшбэк клиенту, который в любом случае собирался воспользоваться своей кредитной картой.
Клиент принимает предложение и совершает конверсию. Система засчитывает это как конверсию, вызванную кампанией.
Но если они собирались совершить конверсию в любом случае, действительно ли стимул что-то изменил?
Факт в том, что маркетинг не стимулировал эти конверсии. Он оплатил результат, который и так с высокой вероятностью произошел бы, приписал себе заслугу и при этом потерял часть маржи.
Это обнажает важное «слепое пятно» в том, как маркетологи традиционно подходят к персонализации. Мы научились очень хорошо предсказывать, кто с высокой вероятностью совершит действие, но не обязательно то, на кого маркетинг может повлиять.
Это и есть переход от склонности к приросту (uplift) — и он меняет то, как маркетологи таргетируют клиентов, распределяют стимулы, измеряют эффективность и доказывают свой вклад в прибыль (P&L).
Большинство стратегий таргетинга сегодня начинаются со склонности: кто с наибольшей вероятностью совершит конверсию?
Модели склонности помогают маркетологам выявлять клиентов, которые с большей вероятностью совершат покупку, продлят подписку, перейдут на более дорогой тариф или вернутся, основываясь на их прошлом поведении. Это делает их чрезвычайно полезными для приоритизации аудиторий и фокусировки маркетинговых усилий там, где конверсия более вероятна.
Но есть одна вещь, которую модель склонности не может нам сказать: действительно ли маркетинг изменил решение клиента?
Рассмотрим двух подписчиков, которые, по всей видимости, готовы продлить подписку. Один уже решил остаться, потому что ему нравится сервис, в то время как другой еще не определился, и правильный «толчок» мог бы действительно убедить его остаться. Один и тот же стимул может быть излишним для первого и решающим для второго.
И именно здесь модель склонности терпит неудачу: она фокусируется только на вероятности продления. Поэтому маркетолог может предложить стимулы обоим подписчикам и засчитать каждое последующее продление как успех маркетинга, делая показатели эффективности маркетинга более здоровыми, чем они есть на самом деле.
Результатом является скрытая неэффективность. Стимулы достаются клиентам, которым они были не нужны, сообщения достигают людей, которые не нуждались в убеждении, а маржа постепенно сокращается. Тем не менее, высокие показатели конверсии и использования предложений могут маскировать эти затраты, которые могут стать заметными только позже в отчетах о прибылях и убытках или квартальных бизнес-обзорах. Фундаментальная проблема заключается в том, что маркетинг измеряет то, что произошло после вмешательства, а не то, что изменилось благодаря ему.
Прирост (uplift) преодолевает это ограничение, фокусируясь на том, изменит или повлияет ли вмешательство на поведение клиента. Вместо вопроса «Кто с наибольшей вероятностью совершит конверсию?», uplift задает вопрос: какое действие, если таковое вообще потребуется, сделает этого клиента более склонным к действию, чем он был бы в противном случае?
Он оценивает «инкрементальное воздействие» маркетингового вмешательства, которым может быть стимул, рекомендация, другой канал, более удачный момент — или отсутствие каких-либо действий.
Это дает маркетологам гораздо более полезный способ мышления об аудиториях. По сути, это отделяет клиентов, которые совершат действие в любом случае, от клиентов, чьи решения маркетинг действительно может изменить. Некоторые клиенты будут действовать независимо от маркетингового вмешательства. Некоторых можно убедить. Некоторые вряд ли отреагируют на что бы то ни было. А для других еще одно сообщение может даже ухудшить ситуацию.
Понимание инкрементального воздействия
Это поднимает очевидный вопрос: как мы узнаем, действительно ли маркетинг изменил поведение клиента?
В идеале это потребовало бы от нас анализа двух версий одного и того же клиента: того, кто получает маркетинговое вмешательство, и того, кто его не получает. Затем мы могли бы сравнить результаты.
Конечно, это невозможно. Поэтому мы можем использовать следующее лучшее решение: рандомизированную контрольную группу.
Перед началом кампании небольшая группа подходящих клиентов случайным образом выбирается для того, чтобы не получать никакого вмешательства, в то время как остальные получают опыт, выбранный ИИ. Затем мы сравниваем результаты. Разница показывает нам, что именно маркетинг добавил сверх того, что клиенты, скорее всего, сделали бы в любом случае.
Возьмем 100 000 клиентов, подходящих для кампании. Предположим, 90 000 получают опыт, выбранный ИИ, а 10 000 случайно выбранных клиентов не получают ничего. Поскольку группы были разделены случайным образом, их результаты дают нам полезное сравнение.
Теперь допустим, что 10% клиентов, получивших вмешательство, совершили конверсию, то есть 9 000 клиентов. На первый взгляд, маркетинг мог бы заявить об этих конверсиях как о победе. Но затем мы смотрим на контрольную группу и обнаруживаем, что 8% совершили конверсию, вообще ничего не получив.
Это меняет историю.
Кампания не создала полный уровень конверсии в 10%. Поскольку 8% вероятно совершили бы конверсию в любом случае, это дает оценочный прирост в 2 процентных пункта, который можно отнести на счет вмешательства.
Применительно к 90 000 клиентов, получивших вмешательство, мы получаем:
Клиенты, совершившие конверсию после получения вмешательства ИИ (10% от 90 000): 9 000
Клиенты, которые совершили бы конверсию в любом случае (8% от 90 000): 7 200
Разница (9 000 – 7 200): 1 800 — это дополнительная конверсия, созданная вмешательством.
Именно эти 2 процентных пункта имеют значение. Они представляют собой оценочный инкрементальный прирост, созданный вмешательством — конверсии, на которые маркетинг действительно повлиял.
Для директоров по маркетингу (CMO) это меняет разговор о рентабельности инвестиций (ROI). Вместо вопроса «Сколько клиентов совершили конверсию?» они могут спросить: «Сколько дополнительных клиентов совершили конверсию благодаря тому, что мы сделали, и стоила ли эта инкрементальная ценность того, что мы потратили на ее создание?»
Это гораздо более прочная основа для принятия решений о том, куда направлять стимулы, медиа, сообщения и маркетинговые технологии.
Однако это говорит нам о среднем инкрементальном воздействии по всей группе. Это еще не говорит нам о том, на каких конкретных клиентов действительно было оказано влияние, или создало бы другое предложение, сообщение, канал, момент или отсутствие действий больше ценности для каждого из них.
Это следующий шаг: переход от измерения прироста к использованию его для обоснования самого решения.
Чтобы сделать прирост (uplift) практически применимым, требуется ИИ-ориентированная персонализация в реальном времени 1:1
В то время как базовая модель прироста рассматривает сравнение «воздействие против отсутствия воздействия», взаимодействие с клиентами представляет собой гораздо более широкое пространство решений. Для каждого клиента платформа должна выбирать между различными сообщениями, предложениями, рекомендациями, опытом, каналами, моментами или отсутствием действий. Каждый вариант может иметь разное инкрементальное воздействие на одного и того же человека.
Вопрос становится таким: какое действие с наибольшей вероятностью изменит результат для этого человека?
Именно здесь кроется ключевая возможность — сделать инкрементальное воздействие частью процесса принятия решений для каждого взаимодействия с клиентом. Это и есть персонализация Live 1:1. Цель состоит не просто в том, чтобы определить действие, на которое клиент с наибольшей вероятностью отреагирует. Цель — определить, какое действие с наибольшей вероятностью изменит поведение клиента в сторону достижения бизнес-цели, исходя из того, что он делает прямо сейчас.
Представьте покупателя, который часто реагирует на скидки и добавляет в корзину последний доступный товар. Модель склонностей может порекомендовать очередную скидку, поскольку покупатель исторически ими пользовался. Модель принятия решений на основе прироста (uplift decisioning) может определить, что покупка и так вероятна, так как товар последний, и выбрать вариант без поощрения, сохранив маржу без ущерба для конверсии.
Точно так же представьте банковского клиента, который ранее проявлял большой интерес к кредитным картам. Однако после зачисления зарплаты он начинает изучать возможность досрочного погашения ипотеки. Модель склонностей может продолжать отдавать приоритет предложению по карте. Модель принятия решений на основе прироста сравнивает, какое из доступных действий с наибольшей вероятностью повлияет на клиента сейчас — например, инвестиционный совет, вариант досрочного погашения, другое сообщение или отсутствие вмешательства — при соблюдении критериев приемлемости и политик компании.
В каждом случае ключевой вопрос звучит не так: «Что этот клиент, вероятно, сделает?». Он звучит так: «Какую разницу внесет каждое возможное действие по сравнению с альтернативами?»
Ответ на этот вопрос в моменте требует платформы взаимодействия с клиентами, изначально созданной на базе ИИ, где история клиента, текущие намерения, ИИ-решения, выбор контента и предложений, исполнение и обучение работают вместе на одной платформе. Исторические данные обеспечивают начальный контекст. Текущее поведение определяет релевантное действие, которое наиболее важно прямо сейчас. Механизм принятия решений ранжирует доступные действия в соответствии с бизнес-целью, агентная оркестрация выполняет выбранный сценарий, а результат определяет дальнейшие шаги.
Таким образом, анализ прироста (uplift) не может оставаться лишь упражнением по измерению, проводимым после завершения кампании. Он должен стать частью самого процесса принятия решений, помогая платформе оптимизировать инкрементальное воздействие — для каждого клиента и в каждый конкретный момент времени.
Отсутствие действия может быть лучшим действием
Это подводит нас к важной дискуссии о том, что является лучшим действием. Традиционно платформы взаимодействия с клиентами создавались для отправки чего-либо: сообщения, предложения, рекомендации или напоминания. Анализ прироста вводит не менее важный вариант — решение не предпринимать никаких действий.
Отсутствие действий может сохранить маржу, когда клиент и так готов совершить покупку. Это может предотвратить усталость от коммуникации, когда очередное сообщение снизило бы вовлеченность. Это позволяет избежать нерелевантных кросс-продаж после того, как текущие сигналы изменили потребности клиента. Это также создает четкую базу для сравнения, что улучшает будущие решения.
Это не означает, что нужно меньше взаимодействовать с клиентами в качестве общей стратегии. Это означает вмешательство там, где оно имеет положительный ожидаемый эффект. Стандарт меняется с «Конвертируется ли этот человек?» на «Улучшит ли это решение результат по сравнению с альтернативами?»
Роль маркетолога: определить результат до того, как ИИ его оптимизирует
На платформе взаимодействия с клиентами, основанной на ИИ, ИИ оптимизирует то, что мы просим его оптимизировать.
Если цель — повышение уровня отклика, у модели есть все основания выбирать клиентов, наиболее склонных к ответу, включая тех, кому не требуется вмешательство. Если цель — увеличение валовой конверсии, она может отдавать предпочтение агрессивным скидкам, которые увеличивают количество заказов, но снижают маржинальную прибыль.
В обоих случаях модель может работать именно так, как задумано. Проблема в том, что цель отражает видимый результат, но не обязательно созданную ценность.
ИИ может определить, как лучше всего преследовать цель. Маркетологи остаются ответственными за то, чтобы эта цель представляла ценность, к которой стоит стремиться.
Другими словами, маркетологи должны определять успех в терминах бизнес-результата, на который взаимодействие должно инкрементально влиять — как можно более четко и точно. В зависимости от сценария использования это может означать прибыльную конверсию, инкрементальную выручку, завершение онбординга, устойчивое удержание или снижение затрат на обслуживание.
Но определение правильного результата — это лишь половина работы маркетолога. Маркетологи также должны определить границы (guardrails), в рамках которых ИИ может его достигать. Они устанавливают, что система может и чего не может делать в своих усилиях по обеспечению инкрементального воздействия. Это включает в себя установление ограничений на затраты на поощрения, частоту контактов, критерии приемлемости клиентов, использование каналов, клиентский опыт, риски и другие бизнес-ограничения. Результат говорит ИИ, как выглядит успех, а границы определяют приемлемые способы его достижения.
Как CleverAI™ превращает анализ прироста в действие
CleverAI™, интеллектуальный уровень нашей платформы взаимодействия с клиентами на базе ИИ, делает анализ прироста частью решения, а не просто метрикой, просматриваемой после кампании. Маркетологи определяют бизнес-результат и границы, в то время как CleverAI™ объединяет долгосрочную историю клиента с текущими намерениями, чтобы понять, что важно для каждого клиента прямо сейчас.
Его встроенный механизм принятия решений оценивает и ранжирует доступные сообщения, предложения, рекомендации, каналы, сценарии и вариант отсутствия действий на основе их ожидаемого инкрементального воздействия. Затем агентная оркестрация выполняет выбранное действие, пока момент еще актуален.
Каждый результат питает цикл обучения, а сравнения с контрольными группами помогают отличить поведение, вызванное вмешательством, от поведения, которое произошло бы в любом случае. Это позволяет CleverAI™ постоянно улучшать решения, которые создают дополнительное поведение клиентов, а не просто предсказывают его.
Измеряйте разницу, которую создает маркетинг
Модели склонностей останутся ценными, потому что они помогают маркетологам понять, что клиенты, вероятно, сделают. Но конверсия, которая произошла после вмешательства, не обязательно является конверсией, вызванной им. Анализ прироста вводит это недостающее различие и смещает фокус с поиска вероятных респондентов на создание инкрементальных результатов.
Для маркетологов это означает определение бизнес-результата, на который стоит влиять, установление границ, в рамках которых ИИ может действовать, и измерение эффекта по сравнению с тем, что произошло бы в противном случае. Иногда правильным вмешательством будет предложение, сообщение, рекомендация или сценарий. Иногда это будет отсутствие действий. Важно то, изменило ли решение результат настолько, чтобы оправдать его стоимость.
Поскольку ИИ принимает все больше решений на уровне клиентов, стандарт успеха должен расти вместе с ним. Вопрос больше не звучит просто: «Сколько клиентов откликнулось?». Он звучит так: «Сколько клиентов откликнулись иначе, потому что маркетинг принял правильное решение?»
Последнее обновление: 22 сентября 2026 г.
