Маркетологи переоцінюють можливості AI-персоналізації? Що показало дослідження Braze
Команда впровадила AI-рекомендації, але клієнти й далі отримують пропозиції товарів, які щойно купили. Усередині компанії це може виглядати як успішна автоматизація. Для людини нічого корисного не змінилося. У дослідженні Braze 93% маркетингових керівників позитивно оцінили допомогу AI в розумінні потреб. Лише 53% споживачів вважають, що бренди добре передбачають їхні бажання. Ці відповіді не вимірюють однакові речі, проте підказують, де перевіряти власну персоналізацію.
Опубліковано:
Чому різниця у 40 пунктів не є оцінкою помилки AI
Braze опитав 2200 маркетингових керівників і 4000 споживачів наприкінці 2025 року. Керівники рівня VP і вище представляли B2C-компанії на п’ятнадцяти ринках. Споживачів опитували тільки у США та Великій Британії.
93% керівників погодилися, що AI допомагає точніше розуміти потреби клієнтів. 53% споживачів оцінювали, чи бренди успішно передбачають їхні бажання. Тут різні групи, географія та формулювання. Віднімання дає сорок відсоткових пунктів, але не показує, наскільки AI «не впорався».
Окремо 60% керівників повідомили про використання AI для персоналізації між каналами. Наявність інструмента сама по собі не пояснює, чи вчасно оновлюються дані та чи підходить рекомендація конкретній людині. Це потрібно перевіряти в роботі сценарію.
Перевірте, що система знає після покупки
Уявімо магазин кавового обладнання. Людина придбала кавомолку, а рекомендаційний блок ще тиждень показує ту саму модель. Модель могла правильно визначити інтерес. Помилка виникла пізніше: інформація про завершену покупку не змінила пропозицію.
Попросіть команду пояснити одну конкретну рекомендацію: які відомості зробили її доречною саме зараз? Якщо відповідь стосується лише колишнього інтересу, перевірте, чи враховано завершення цього інтересу або нову покупку.
Інший випадок — доречне доповнення, якого немає в наявності або яке не доставляють у регіон клієнта. Схожість товарів тут теж не розв’язує потреби людини.
Для перевірки підготуйте кілька тестових сценаріїв і простежте їх до фактичного повідомлення. Таблиця показує, яку відповідь варто шукати на кожному етапі.
| Ситуація | Перевірка | Ознака корисної зміни |
|---|---|---|
| Покупка завершена | Чи дійшов статус до рекомендацій | Пропозиція враховує вже виконане замовлення |
| Клієнт відмовився від теми | Чи застосовується вибір в інших каналах | Та сама тема не повертається в іншій розсилці |
| Рекомендований товар недоступний | Чи враховані залишки й умови доставки | Людина може реально скористатися пропозицією |
Це редакційні приклади, не додаткові результати Braze. Вони допомагають знайти проблему, яку легко пропустити за високими оцінками алгоритму.
Як відділити користь від нового оформлення
Якщо новий сценарій технічно працює, порівняйте його зі звичним підходом на зіставних групах. Збережіть однакові пропозиції та строки оцінки, якщо перевіряєте саме спосіб рекомендації. Інакше виграш може пояснюватися кращою знижкою.
Переходи на рекомендовані товари корисні для діагностики. Для рішення потрібні виконані покупки, повернення, скарги та інші наслідки, важливі вашому бізнесу. Якщо люди активно клікають, але не можуть оформити замовлення, персоналізація ще не виконала своєї обіцянки.
Також врахуйте час команди на підтримку й виправлення. Якщо ефект невеликий, а сценарій потребує постійної ручної роботи, простіше правило може бути вигіднішим. Залишати AI-рекомендації варто за тим, що змінилося для клієнта й бізнесу, а не за кількістю доступних функцій.
