виклик

Коли у системі лояльності близько 2 мільйонів клієнтів, а нові події та кампанії відбуваються щотижня, сегментація аудиторії стає вузьким місцем усього маркетингу. Менеджер лояльності, який хоче запустити акцію до конкретної події, мав пройти через ланцюжок: написати технічне завдання → передати аналітику → дочекатися виконання. Процес займав дні – а потреба часто була «вчора». На процесному рівні це означало постійне перевантаження дата-аналітиків рутинними ad-hoc запитами, більшість із яких не потребувала глибокої аналітики – просто фільтрація по поведінкових ознаках. Менеджери залежали від чужого розкладу, не маючи змоги діяти автономно.

Чому зараз?

!FEST масштабує активність: більше закладів, більше подій, більше колаборацій. Чим більша база і частіші кампанії – тим гострішою стає потреба у швидкій, точній комунікації з правильним сегментом. Ручна сегментація, яка колись справлялася, перетворилася на системне гальмо. Водночас дозрів технологічний стек: LLM-моделі досягли рівня, коли запит на природній мові можна надійно перетворити на структурований аналітичний запит.

Страхи та як ми їх зняли

Головне побоювання на старті: чи довірять менеджери результатам ML-моделі, якщо вони не бачать «під капотом» як формується сегмент? Щоб зняти цю недовіру, ми зробили систему інтерпретованою: кожен сформований сегмент супроводжується поясненням на рівні ознак (SHAP-values + LLM-інтерпретація), яке менеджер бачить у звичному вигляді. Не «чорна скриня» – а прозорий асистент. Друге питання – якість сегментації порівняно з ручною роботою аналітика. Ми не замінювали аналітика інтуїцією, а дали системі вибирати найкращий алгоритм кластеризації під конкретний запит з пулу перевірених моделей.

рішення

Ми побудували AI-асистента для менеджерів лояльності, який приймає запит природною мовою – так, як людина пише колезі в чат – і за менш ніж 20 хвилин повертає готовий сегмент у CRM для запуску кампанії. Менеджер пише: «Знайди мені гостей для BBQ-фестивалю біля Реберні на Стрийській» – і система сама аналізує запит, підбирає релевантні поведінкові ознаки, будує оптимальний кластер та завантажує його у систему. Без технічного завдання, без черги, без очікування. Архітектура: система повністю розгорнута на Google Cloud Platform і складається з чотирьох функціональних шарів. Шар обробки запитів - Cloud Run Service оркеструє весь пайплайн. Шар AI - Vertex AI Gemini є центром прийняття рішень, а Vertex AI Embeddings перетворює запит і профілі клієнтів на числові вектори для семантичного зіставлення. Шар даних побудований навколо Looker як генератора SQL, з бібліотекою-обгорткою навколо Looker та BigQuery, що забезпечує point-in-time correctness; Cloud Run Jobs запускає важкі batch-задачі асинхронно. Операційний шар - Secret Manager, IAM, Cloud Build, Artifact Registry, Cloud Logging та Monitoring.

результат

• Головний результат – структурний: менеджери лояльності отримали повну автономію у роботі з аудиторією.

• Вони більше не залежать від розкладу аналітиків і можуть реагувати на події в реальному часі.

• Дата-аналітики звільнилися від потоку рутинних запитів і можуть фокусуватися на складніших завданнях – стратегічному аналізі, моделях прогнозування, нових продуктах.

• Час від ідеї кампанії до готового сегмента скоротився з кількох днів до менш ніж 20 хвилин.