Digital Retail

когда ai что-то знает про отклонения kpi

AI-агенты vs. онлайн-реклама

Современные AI-агенты (например, голосовые помощники, чат-боты) всё чаще управляют поиском товаров и бронированием услуг вместо людей. Но традиционные баннеры и эмоциональные призывы, которые работают на людей, бесполезны для AI. Это может поставить под удар до 25% рекламных бюджетов к 2026 году, ведь AI-агенты уже сейчас обрабатывают миллионы запросов.

AI-агенты — это системы, которые сами «ходят» по сайтам, анализируют данные и принимают решения. Например, бронируют отель, сравнивая цены, рейтинги и наличие мест. В отличие от людей, они не обращают внимания на яркие картинки, но активно используют:

- Структурированные данные - цены, звёзды отеля, расположение
- Ключевые слова в тексте - «романтический ужин», «скидка на День святого Валентина»

Как работает

1. Анализ страницы - агент «видит» сайт через скриншоты или код (DOM-структуру). Например, OpenAI Operator обрабатывает пиксели экрана, как человек.
2. Принятие решений - модель (например, GPT-4o) оценивает, какие данные важны для задачи. Если нужно найти «романтический отель в Париже», агент фокусируется на упоминаниях Парижа, цене и словах вроде «люкс» или «ужин на день Святого Валентина».
3. Действия - клик по кнопке «Забронировать», заполнение форм.

Эксперимент

Исследователи создали тестовый сайт с рекламой:

- Баннеры с текстом «Специальное предложение на День святого Валентина»
- Нативная реклама, встроенная в список отелей
- Изображения с кнопками «Забронировать»

Результаты

- GPT-4o (OpenAI) чаще кликал на баннеры с явными ключевыми словами (например, «День Святого Валентина»), но игнорировал картинки без текста.
- Claude (Anthropic) активно использовал фильтры (цена, звёзды), но редко взаимодействовал с рекламой.
- Gemini (Google) показал низкую стабильность - часто выбирал разные отели при одинаковых запросах.

Выводы

1. Ключевые слова решают - реклама должна содержать четкие упоминания событий («Новый год», «распродажа») и структурированные данные (цены, характеристики).
2. Текст важнее картинок - AI-агенты плохо/дорого распознают текст на изображениях. Лучше использовать чистый HTML-код с описанием акций.
3. API вместо баннеров - для интеграции с AI-агентами эффективнее предоставлять данные через API

Что делать

- Адаптировать рекламные стратегии - меньше эмоций, больше фактов
- Оптимизировать сайты под «машинное чтение»: использовать семантическую разметку
- Тестировать рекламу с помощью ИИ-агентов, чтобы предсказать её эффективность

➗Распределение рекламных бюджетов между каналами

Ритейлеры и бренды ежедневно сталкиваются с задачей распределения рекламных бюджетов между множеством каналов (Google Ads, соцсети, баннеры и т.д.). Традиционные методы часто не успевают за резкими изменениями рынка: сезонные скачки спроса, реакция конкурентов, смена трендов. Результат - перерасход бюджета, низкая отдача от рекламы и упущенная прибыль.

Авторы статьи предлагают решение на основе комбинаторных бандитов - алгоритмов машинного обучения, которые тестируют разные комбинации рекламных каналов и бюджетов, чтобы найти оптимальную стратегию. Ключевые улучшения:

1. Самонастраивающийся механизм
- Использует насыщающуюся функцию среднего значения, которая автоматически ограничивает расходы на каналы, где дополнительные вложения уже не приносят роста (например, если аудитория Instagram-рекламы исчерпана).
- Целевое исследование: алгоритм фокусируется на проверке бюджетов выше текущего максимума эффективности, игнорируя заведомо слабые варианты.

2. Обнаружение изменений рынка
Встроенный детектор смены фаз (change-point detection) отслеживает резкие скачки в эффективности каналов (например, падение CTR после выхода конкурентной рекламы). При обнаружении - мгновенная перестройка стратегии.

Как работает

1. Симуляция реальных условий
Создана платформа, имитирующая многомесячные рекламные кампании с реальными данными (затраты, клики, конверсии). Учитываются нюансы: лимиты Google Ads («дневной бюджет может превышаться в 2 раза»), сезонные колебания.

2. Обучение с подкреплением
Каждый день алгоритм распределяет бюджет между каналами, как игрок в многорукий бандит:
- Фаза исследования: тестирует новые комбинации, но только в зонах с потенциалом роста.
- Фаза эксплуатации: вкладывает средства в текущие «убедительные» каналы.
- Гауссовы процессы прогнозируют эффективность каждого канала, учитывая историю и неопределенность.

3. Реакция на изменения
Если эффективность канала резко падает/растет (на 20%+), система перезапускает обучение, отбрасывая устаревшие данные.

Эксперименты

Данные: 5 реальных кампаний ритейлеров (включая онлайн-сервисы и товары) с бюджетами от 35 до 100+ млн/месяц.

Метрики: клики, стоимость за клик (CPC), regret - разница с идеальной стратегией.

Результаты:
- Новый алгоритм на 19% увеличил клики и снизил CPC на 5.8% по сравнению с ручным управлением.
- Превзошел классические методы (Thompson Sampling, UCB) на 12-30% в динамичных условиях.

Выводы

1. Динамические рынки требуют самообучения
Традиционные «статичные» алгоритмы проигрывают в условиях, где тренды меняются еженедельно.

2. Эффективность = данные + адаптивность
Использование симуляторов и комбинаторных бандитов позволяет тестировать стратегии без риска для реальных бюджетов.

3. Персонализация на уровне алгоритмов
Система учитывает специфику каждого канала (например, Display-реклама требует больших бюджетов для роста, чем Search).

Когда клиентский путь разветвляется на десятки онлайн и офлайн каналов, становится крайне сложно понять, что реально приносит продажи, а что - просто "шумит". От традиционных MMM (Marketing Mix Modeling) требуют невозможного: точно оценивать вклад каждого канала, учитывать сезонность, задержки эффекта, тренды и работать в условиях, когда персональные данные всё чаще недоступны.

Решение - вероятностный (Байесовский) подход к MMM. В статье Lemonade показана живая реализация: строится каскадная модель, которая учитывает и эффекты насыщения каналов, и временную динамику, и “несовершенство” данных. Вся математика работает на анонимных данных о расходах и продажах, при этом позволяет прогнозировать и оптимизировать бюджет без дорогостоящих A/B тестов.

Как работает

1. Сбор данных
Вся история маркетинговых активностей (траты по каналам, результаты, макроэкономические факторы, сезонность).

2. Моделирование нелинейных эффектов
- Эффект насыщения (reach): чем больше тратите на канал, тем меньше отдача с каждого следующего рубля (“затухание” ROI).
- Эффект запаздывания (carryover): реклама по TV часто работает с лагом, это фиксируется в модели.

2. Временные коэффициенты
Вместо "замороженных" коэффициентов (как обычно в регрессиях) - параметры динамические, зависят от времени: что было эффективным вчера, завтра может устареть.

3. Байесовский подход
Используются априорные знания (например, что TV даёт долгий эффект, а поиск - короткий). Модель считает не только “среднее по больнице”, но и неопределённость по каждому параметру.

4. Каскад моделей
- Первый слой: обучаемся выделять эффекты насыщения и запаздывания через PyMC-Marketing (MCMC-семплирование).
- Второй слой: на выходных данных строим модель с временными динамическими коэффициентами (KTR, variational inference).

5. Оптимизация
Строим прогнозы и “прокручиваем” сценарии перераспределения бюджета (SLSQP-оптимизация - позволяет накладывать бизнес-ограничения, например, не менять бюджет на канал более чем на 20%).

Эксперимент

На синтетических данных авторы моделируют маркетинговую активность Lemonade по двум каналам с разными лагами и насыщениями. Модель обучают по недельным числам трат и оценкам продаж, затем проверяют предсказания на отложенной выборке. Результаты сравнивают с классическими (наивными) методами.

Выводы

1. Байесовский MMM на стеке PyMC + KTR позволяет гораздо глубже “разобрать на детали” поведение каналов, чем стандарты рынка.
2. Технология даёт прозрачную логику по каждому каналу: можно объяснить, почему Search сегодня стал менее эффективным, а Social вырос на фоне тренда.
3. Вся архитектура построена без использования персональных данных - идеально под современные требования безопасности.
4. Модель не идеальна: пока не учитывает кросс-эффекты между каналами (например, влияние ТВ на поиск), но легко масштабируется и подходит под внедрение на уровне географий.
5. Оценки модели позволяют не только “разбирать прошлое”, но и строить рабочие сценарии для бюджетирования - вместо догадок и дорогостоящих экспериментов.

Поиск похожих товаров с помощью VLM и RAG

В ритейле задача тонкой классификации (Fine-Grained Classification, FGC) — это автоматическое различение максимально похожих товаров: зачастую отличаются только размер упаковки, вкус или бренд. Для таких задач компании традиционно используют сверточные нейросети, которые требуют регулярного дообучения — а это затраты времени, серверов и людей, особенно при постоянном обновлении ассортимента и продвижений.

В статье показана новая архитектура для ритейла — Visual RAG pipeline: это связка Retrieval Augmented Generation (RAG) и Vision Language Models (VLM). Главная фишка — системе не нужно переобучение на новые товары: достаточно добавить в базу несколько примеров. Система автоматически извлекает данные о товарах и акциях из рекламных буклетов и точно предсказывает GTIN, цену и скидку.

Как работает

1. Препроцессинг
- Загружается фото из буклета
- С помощью LangSAM c изображения выделяется только продукт (а не весь флаер)
- Из оставшейся части извлекается текстовое описание (без цен и спецдеталей) с помощью GPT-4o

2. Векторное хранилище (Vector Store)
- Полученные изображения и тексты переводятся в эмбеддинги (цифровые векторные представления) с помощью OpenCLIP, и сохраняются в базу (Chroma DB)

3. Поиск и классификация
- Для нового запроса считается похожесть изображения и текстов по косинусному расстоянию
- Система находит 5 ближайших “соседей” и определяет вероятный класс (GTIN, бренд, категория, вес, скидка)

4. Формирование промпта
- Генерируется промпт для VLM: задача, текущий пример, и “контекст” — несколько похожих товаров из базы с их свойствами и описанием

5. Финальный ответ
- VLM обрабатывает промпт и структурированно возвращает все ключевые параметры товара: GTIN, бренд, категорию, цену, скидку и т.д.

Эксперимент

В работе использовался открытый датасет из 4,7 тысяч изображений с разметкой по 367 классам. Сравнивались 4 подхода:

- ResNet50 (картинки) — 84.4% точности
- BERT (только тексты) — 74.5%
- CLIP (мультимодально, zero-shot) — 45.9%
- Visual RAG pipeline с GPT-4o-mini — 86.8% и структурированный многоцелевой вывод

Выводы

- Visual RAG pipeline обходит классические модели по точности и не требует переобучения на новые товары - достаточно 1-3 новых примеров в базу
- Подходит для динамичного ритейла, где ассортимент и акции меняются каждую неделю
- Удобная интеграция - можно расширять на любую аналитику: автоматизация мониторинга цен, каталогизация, индивидуальные рекомендации

Для цифровой трансформации в ритейле — это не просто новый подход, а реально рабочий инструмент, который сокращает косты на ML и ускоряет адаптацию к новым SKU на полках.