Сравнение
Четыре ИИ-модели SWiP
для возврата, удержания
и роста повторной выручки
SWiP использует ИИ-модели для возврата уходящих покупателей, активации редких покупателей, роста среднего чека и измерения результата по кассе для HoReCa и ритейла.
Покажем логику моделей на ваших кассовых данных — бесплатно и без обязательств.
Как улучшить работу маркетолога?
Подключить SWiP ИИ — он сделает его сильнее.
Вы задаёте стратегию и рамки — остальное собирает ИИ: каждому покупателю свой повод, товар и момент по истории покупок. Вручную по всей базе так не сделать. Результат — точные акции без рутины.
ручная рассылка «всем»
ИИ-кампания SWiP
Одна и та же база, один и тот же канал. Данные тестирования моделей SWiP на возврате и активации; считаем фактические покупки, а не открытия писем.
Ручной маркетинг
Маркетолог вручную собирает списки, задаёт одну скидку и один текст сразу на всех.
- – Шаблонный оффер для всех — покупатели отключают уведомления
- – Низкая конверсия
- – Ручной труд, который не приносит нужный результат
- – Тяжело измерить результат в деньгах
SWiP ИИ
Модель смотрит на покупки, частоту визитов, любимые товары и риск ухода — и подбирает каждому свой повод и время.
- ✓ Каждому покупателю — персональная акция, которая работает именно на него
- ✓ ИИ предлагает ровно ту скидку, которая мотивирует вернуться, — с меньшим риском переплатить скидкой
- ✓ ИИ понимает вкусы каждого по чекам и предлагает нужное в подходящий момент
- ✓ Видно заранее, кто из постоянных давно не заходил, — и можно вовремя предложить то, что ему нравится
1 000 покупателей? 100 000 покупателей?
У каждого своя программа.
SWiP ИИ создаёт для каждого покупателя свою программу лояльности: его товары, его уровень скидки.
Возврат ушедшего
- Любит пасту Карбонара (4 заказа за квартал)
- Был 3 недели назад — высокий риск невозврата
- Заказывает в 19:00–20:00
Покупатель уходит. Скидка 15% на любимое блюдо — повод вернуться. Срок 7 дней.
Повышение активности
- Ходит 1 раз в две недели — редкий покупатель
- Любит капучино (берёт каждый раз)
- Реагирует на пакетные предложения
Редкий покупатель, любит капучино. 4 скидки 15% в течение 20 дней на любимый напиток — приятный повод заглянуть.
Примеры на условных данных. Имена, товары и цифры иллюстративны.
Почему SWiP сильнее обычной CRM и массовой рассылки
Другие решения требуют постоянного вовлечения человека и ручного анализа — без какой-либо персонализации. В SWiP — полная автоматизация и персонализация в каждой ИИ-кампании.
| Решение | Обычная CRM / рассылка | SWiP ИИ |
|---|---|---|
| Кого вернуть | Сегменты собираете вручную | Нейросеть сама выбирает, кого вернуть |
| Чем вернуть | Одно предложение на всех | Свой товар и повод под каждого покупателя |
| Когда отправить | Момент — на глаз | Момент оттока и покупки считает модель |
| Сколько дать скидки | Одна скидка всем — маржа тает | Минимальная скидка, при которой сработает |
| Результат | Открытия и клики | Выручка и покупки по кассовым чекам |
SWiP — это CDP, которая не просто собирает данные, а действует за вас
Обычные CDP строят профили покупателей, но оставляют всю работу вам: анализировать, решать, запускать. SWiP идёт дальше: она анализирует сотни поведенческих сигналов — частоту покупок, средний чек, корзину, паузы, реакцию на предыдущие акции — и на их основе сама принимает решение и запускает кампанию. Результат: данные превращаются в решения для повторных продаж — быстрее, точнее и с контролем скидочной нагрузки.
Каждая модель закрывает свою потерю в деньгах.
Не одна универсальная кнопка: на каждую задачу — своя модель со своей математикой. Сначала простыми словами, что делает и что приносит заведению. Ниже — как устроена внутри.
Возврат уходящих покупателей
Замечает, когда покупатель не приходит дольше своего обычного периода между визитами, и возвращает персональным предложением — пока он не ушёл окончательно.
Удержание и рост среднего чека
Подсказывает, что покупатель охотно докупит, и держит скидку на минимуме, при котором она работает.
Активация редких покупателей
Находит тех, кто заходит 1–2 раза в месяц, и готовит им предложение, чтобы увеличить частоту покупок — до 4 раз.
Рекомендации по схожести вкусов
Находит покупателей с похожими вкусами и рекомендует товар, который уже любят похожие на них. Так растёт средний чек.
В вашей базе — пять типов покупателей. SWiP работает с каждым.
Лояльным — процессинг лояльности, остальным четырём — своя ИИ-модель. Переключайте, чтобы увидеть каждую.
Лояльных удерживает процессинг лояльности. Остальными занимаются четыре ИИ-модели:
ИИ понимает, что действительно нравится каждому покупателю, и предлагает именно то, что ему нужно.
Параметры под каждого покупателя свои: размер скидки в заданном коридоре, время и дата отправки, срок действия акции и число касаний. Модели 1–3 работают с одним товаром, модель 4 рекомендует связку по вкусам похожих.
Возврат покупателей на опережение.
Чем длиннее пауза, тем выше стоимость возврата. SWiP обнаруживает уходящих покупателей на ранних стадиях и автоматически запускает персональное предложение, пока контакт ещё не потерян.
Ключевое отличие подхода: мы не пользуемся упрощённой классификацией «активный / неактивный». Модель строит индивидуальный прогноз для каждого покупателя:
- вероятность самостоятельного возврата;
- предполагаемый срок до следующей покупки;
- кто уже не вернётся без внешнего стимула.
Именно для последней группы система подбирает оффер с высокой точностью: не просто скидку, а то, что сработает именно для этого человека — товар, сумма, канал и время.
Используемый класс моделей (анализ выживаемости) применяется в медицине для прогноза исходов лечения. У нас та же математическая строгость, но цель коммерческая — возврат покупателя в воронку.
Научная основа
- Анализ выживаемости — оценивает, когда и с какой вероятностью конкретный покупатель вернётся, а не просто делит базу на «активных» и «неактивных».
- Нейросети на временных рядах и градиентный бустинг — читают историю покупок и её динамику.
- Компонента излечения — отделяет тех, кто уже не вернётся сам, от тех, кого ещё можно вернуть.
Математический аппарат
- Параметрические модели времени до события — описывают разные сценарии поведения: ранний уход, пик и спад, долгий «хвост» возврата.
- Метрики качества — индекс конкордации (C-index), оценка Брайера, кривые Каплана–Мейера.
Растим прибыль за счёт точных скидок, а не щедрости.
Массовые скидки съедают маржу. Правильная стратегия — предлагать не просто «подешевле», а то, что человек и так возьмёт, и ровно настолько дешевле, чтобы он сказал «да».
SWiP решает 3 задачи одновременно:
Кого удержать? Те же модели прогноза оттока и uplift, что и в возврате, — определяют покупателей с наибольшим риском ухода и потенциалом роста.
Что предложить? Рекомендательная система анализирует корзину и подбирает дополняющие товары: к латте — сырник, а не второй латте.
С какой скидкой? Персональная скидка рассчитывается на минимально эффективном уровне — ровно столько, чтобы покупатель откликнулся, но не больше.
Общий движок: кому и когда предложить
- Прогноз оттока (анализ выживаемости) и uplift-моделирование — те же модели, что в возврате и активации, определяют, кому и когда предложение действительно будет уместным.
Рекомендательная система — что предложить
- Двухбашенная сеть (Two-Tower) — сопоставляет покупателя и товар по обучаемым векторным профилям.
- Классификатор ассортимента на трансформере — приводит товары из чеков разных касс к единому виду.
- Метрики рекомендаций — подъём (lift), уверенность (confidence) и полнота выдачи (Recall@K).
Персональная скидка — во всех кампаниях
- Nova — базовый уровень: размер скидки по формуле.
- Quasar — продвинутый уровень: размер скидки подбирает ML-модель.
- В обоих случаях скидка держится на минимуме, при котором покупатель ещё откликается; значимость эффекта подтверждается статистическим тестом.
Только тем, кто действительно откликнется.
Редкие покупатели — не потерянные. Они просто покупают нечасто. Но среди них есть те, кто вернётся и без скидки, и те, кому предложение действительно поможет увеличить частоту покупок. Раздавать скидку первым — значит терять маржу.
SWiP с помощью uplift-моделирования находит тех, кому предложение действительно нужно, чтобы вернуться:
- оценивает инкрементальный эффект для каждого редкого покупателя;
- предлагает оффер только тем, для кого он по-настоящему полезен;
- остальных не беспокоит — зачем платить за то, что случится само?
При ограниченном бюджете модель ранжирует редких покупателей по ожидаемой прибыли и выбирает первых. Каждый рубль скидки приносит новую выручку, а не оплачивает покупку, которая произошла бы и так.
Научная основа
- Uplift-моделирование — оценивает индивидуальный эффект предложения: насколько оно влияет на решение конкретного покупателя, а не просто «купит / не купит».
- Нейросети и градиентный бустинг — основа этих оценок на ваших данных.
Математический аппарат
- CATE — индивидуальный эффект воздействия: τ(x) = µ₁(x) − µ₀(x).
- Дважды робастная оценка (DR / AIPW) — устойчивая оценка эффекта, стандарт причинно-следственного вывода.
- Отбор top-k — при ограниченном бюджете предложение идёт покупателям с наибольшим ожидаемым эффектом.
Рекомендуем покупателю то, что уже любят похожие на него.
Например, многие берут капучино вместе с ванильным сырником. Среди тех, кто пока покупает только капучино, модель по схожести вкусов находит тех, кому сырник тоже зайдёт, — и рекомендует именно им.
Как модель находит, что предложить:
- ищет покупателей с похожими вкусами и историей покупок;
- смотрит, что уже любят похожие, но чего пока нет у этого покупателя;
- рекомендует товар, который ему с большой вероятностью понравится.
Это не обязательно «второй товар». Если одни берут три позиции, а похожие на них — только две из трёх, модель предложит третью: ту, что с большой вероятностью понравится. Средний чек растёт на том, что покупателю и так по вкусу — без лишних скидок.
Научная основа
- Двухбашенная сеть (Two-Tower) — сопоставляет покупателя и товар по обучаемым векторным профилям.
- Правила совместных покупок (co-purchase) — какие товары чаще берут вместе.
- Классификатор ассортимента на трансформере — сводит товары из чеков разных касс к единому виду.
Метрики качества
- Подъём (lift), уверенность (confidence) и полнота выдачи (Recall@K).
ИИ-сегментация покупателей и RFM.
Чтобы каждая модель попадала в нужного покупателя, базу нужно правильно разделить. SWiP делает сегментацию покупателей автоматически — нейросеть на чистых данных о чеках.
Сегменты, которые обновляются сами
ИИ разбивает базу на группы по поведению — как часто, на какую сумму и когда покупают. В том числе по модели RFM (Recency, Frequency, Monetary). RFM-сегментация вручную занимает часы и быстро устаревает; ИИ строит и пересчитывает сегменты сам и подбирает предложение под каждый.
Точность зависит от чистых данных
На идентифицированных чеках персонализация работает: после ИИ-пуша покупают около 57 из 100 покупателей. На обезличенных данных сегментация покупателей скатывается к массовым рассылкам. Чем выше доля идентифицированных чеков в ритейле и HoReCa, тем точнее сегменты и тем меньше вы переплачиваете скидкой.
Три способа запускать кампании — вы выбираете свой.
ИИ работает сам, но управление за вами: вы задаёте стратегию и рамки — модель действует внутри них. Маркетинг перестаёт быть ручным марафоном.
ИИ сам готовит и запускает
Настроили один раз — кампании возврата и активации идут без вашего участия, 24/7.
ИИ готовит — вы решаете запуск
Модель собирает кампанию и сегмент, маркетолог одобряет отправку одной кнопкой.
Полный ручной контроль
Классический сценарий: маркетолог собирает сегменты и push вручную, когда это нужно.
ИИ работает за вас
- ✓ Возвращает уходящих покупателей в кассу
- ✓ Средний чек растёт, скидки не размывают маржу
- ✓ Работает 24/7, без ручной рутины
Вы управляете ИИ
- ✓ Лимиты и диапазон скидок задаёте вы
- ✓ Товары-исключения и правила — под контролем
- ✓ Условия кампаний меняются в любой момент
7 лет, научная команда и данные по кассе — не обещания.
7 лет в рознице и HoReCa
Семь лет мы строим лояльность для кофеен, кафе, ресторанов, пекарен, магазинов и сетей — и переносим лучшие практики розницы и общепита в модели ИИ. Считаем не клики, а выручку по кассе.
Инфраструктура и интеграции
Работаем на собственных серверах в России. Интеграции с кассами и учётом:
Показатели 550+ брендов, 100+ городов и 1,5 млн+ установок — по данным платформы SWiP; уточняются на демо.
Мы считаем результат по кассе и проверяем его статистикой.
Рост легко перепутать со случайностью или сезоном. Поэтому мы измеряем прибавку выручки по чекам и проверяем двумя независимыми тестами — как в науке, чтобы исключить совпадение.
Разница между выручкой до и после предложения статистически значима (p ≪ 0.05). Прирост не случаен: система показывает новую выручку систематически.
Второй независимый тест подтверждает тот же вывод: средняя выручка после персонального предложения значимо выше, чем до него.
Кейсы: сколько заработали на своей базе.
Реальные бренды в рознице и HoReCa. Прибавка выручки посчитана по кассе; полные разборы — по ссылкам.
Где лежат данные, кто ими владеет и как их забрать.
Вопросы ИТ и безопасности мы закрываем до внедрения — не после. Ниже коротко о главном; детали, DPA и модель доступа разбираем на демо.
Данные — в России
Хранение и обработка — на собственных серверах на территории РФ.
В рамках 152‑ФЗ
Персональные данные обрабатываются по согласию покупателя, в соответствии с 152‑ФЗ. Политика конфиденциальности и формы согласий — в подвале сайта.
Ваша база остаётся вашей
Вы — владелец базы покупателей. Выгрузка базы и сегментов — по запросу.
Доступ под контролем
Данные каждого бизнеса изолированы. Ролевой доступ сотрудников, ограничения по точкам и брендам.
Пока база не работает сама, вы платите за новых покупателей — вместо тех, кого уже привлекли.
Покажем модели на ваших кассовых данных, посчитаем, сколько можно вернуть, и подберём тариф. Бесплатно, без обязательств — свяжемся в течение 15 минут.
Ответы на частые вопросы
Коротко отвечаем на то, что обычно спрашивают про ИИ-модели SWiP.
Что такое ИИ-модели лояльности SWiP и зачем они нужны?
ИИ-модели SWiP — это четыре модели для повторных продаж: возврат уходящих покупателей, удержание и рост среднего чека, активация редких и рекомендации по схожести вкусов. Каждая закрывает свою потерю в деньгах, а результат считается по кассовым чекам. Систему создала команда учёных.
Чем ИИ-кампания отличается от ручной рассылки «всем»?
При ручной рассылке одно предложение уходит на всех — по данным тестирования моделей SWiP покупают около 3 из 100. ИИ смотрит на покупки, частоту визитов, любимые товары и риск ухода и подбирает каждому свой повод и момент — покупают до 35 из 100. Одна и та же база и канал, разница в точности.
Какие научные методы лежат в основе моделей?
В основе — анализ выживаемости (survival analysis) для оценки риска ухода, uplift-моделирование для выбора тех, кому предложение действительно нужно, и рекомендательные системы для рекомендаций по схожести вкусов и подбора товаров. Это стандартные методы data science, применённые к данным о покупках.
Как ИИ решает, кому и когда отправить предложение?
Модель анализирует историю покупок, частоту визитов, любимые товары и риск ухода конкретного покупателя и подбирает персональный повод вернуться и момент отправки. Вручную сделать это для каждого покупателя невозможно — модель делает это для всех сразу.
Как измеряется результат ИИ-моделей?
Результат считается по кассовым чекам — по фактическим покупкам после кампании, а не по открытиям писем, и проверяется статистикой. Ориентиры по данным точек SWiP: возвращается более 35% ушедших покупателей, кампании дают +10–15% к выручке, а расходы на скидки снижаются на 30–50%. Это ориентиры — фактический результат зависит от ниши и качества данных и считается на ваших чеках.
Что такое платформа лояльности с ИИ?
Платформа лояльности с ИИ — это система, где искусственный интеллект (нейросети) сам анализирует чеки, подбирает подходящее время и запускает персональные кампании возврата и удержания вместо ручных рассылок «всем». Обычная программа лояльности начисляет бонусы одинаково, а платформа с ИИ решает, кому, что и когда предложить, на основе истории покупок каждого покупателя. На платформе SWiP ИИ подбирает каждому его товар и приемлемый уровень скидки, и, по данным точек SWiP, конверсия ИИ-пуша в оплату достигает 35% и выше, в отдельных сетях — 52–59% при идентифицированной базе; эффект зависит от качества данных. Это переносит лояльность со «скидки всем» на точные предложения, которые возвращают покупателя и берегут маржу.
Как ИИ (нейросеть) возвращает и удерживает покупателей?
ИИ находит покупателей, которые перестали приходить или вот-вот уйдут, и автоматически отправляет им персональный повод вернуться. Система смотрит на частоту и суммы покупок каждого, понимает его вкусы и вовремя предлагает то, что ему нравится, — без ручной работы маркетолога. По данным точек SWiP конверсия такого ИИ-пуша в оплату достигает 35% и выше, в отдельных сетях — 52–59% при идентифицированной базе (эффект зависит от качества данных); а удержать текущего покупателя в общепите и рознице, по отраслевым оценкам, в 6–7 раз дешевле, чем привлечь нового. Поэтому автоматизацию выгоднее всего начинать именно с возврата «редких» — он окупается первым.
Что такое ИИ-сегментация покупателей и RFM?
ИИ-сегментация — это автоматическое разделение базы покупателей на группы по поведению (как часто, на какую сумму и когда покупают), в том числе по модели RFM (Recency, Frequency, Monetary). Вручную сегментировать базу долго и неточно, а ИИ на чистых данных о чеках строит и обновляет сегменты сам и подбирает предложение под каждый. На идентифицированных чеках персонализация работает: после ИИ-пуша покупают, по данным точек SWiP, около 57 из 100 покупателей, тогда как на обезличенных данных сегментация скатывается к массовым рассылкам. Чем выше доля идентифицированных чеков, тем точнее сегменты и тем меньше вы переплачиваете скидкой.
С какими кассами и системами работает — 1С, iiko?
SWiP работает с 1С, iiko, Эвотор и Frontol, а с другими кассами — через API; чеки автоматически связываются с покупателями. Это позволяет запускать ИИ-лояльность в рознице (ритейл) и общепите (HoReCa) без смены учётной системы. Данные о покупках из 1С и кассы становятся основой для персонализации и возврата покупателей.