Все материалы Форума: карта рисков и возможностей
Литературная расшифровка седьмой сессии Форума Альянса Beinopen × НИУ ВШЭ. Два кейса связывает один вопрос: как данные превращаются в бизнес-результат только при профессиональной интерпретации.
Презентации: Надежда Сачек — «Fashion Buzz. Исследование 2026»; Мария Шевченко — «ИИ для конструктора».
Стенограмма седьмой сессии форума Альянса Beinopen × НИУ ВШЭ.
Участники: Денис Симонов, сооснователь «Умной моды», модератор; Сергей Федотов, CEO Double Data; Надежда Сачек, эксперт по развитию бренда; Наталья Крутоголова, VasilisaVCashmere; Мария Шевченко, специалист по внедрению 3D и ИИ в разработку коллекций одежды, преподаватель НИУ ВШЭ и БВШД.
Две задачи, в которых качество результата зависит от данных
Денис Симонов: Спасибо, что присоединились. На этой сессии мы поговорим об актуализации данных о покупателе и проектировании выкроек с помощью искусственного интеллекта. Начнём с пилота Double Data и VasilisaVCashmere. Сергей, расскажите, пожалуйста, в чём его суть.
Обогащение клиентской базы: от файла к повторной покупке
Сергей Федотов: Сегодня привлекать новых клиентов катастрофически дорого. Бизнес тратит на это много времени и ресурсов, поэтому важно концентрироваться на монетизации собственной клиентской базы. Когда компания собирает данные в программе лояльности, нужно заниматься гигиеной CRM. В базе находится не просто номер телефона, по которому когда-то совершалась покупка, а живой человек, способный при определённых обстоятельствах снова стать источником дохода.
Цифровой след позволяет дополнить профиль клиента. Обычно активное ядро базы значительно меньше, чем число людей, которые уже перестали покупать, задумываются о конкурентах или перешли в другой ценовой сегмент. Чтобы повысить интенсивность и качество коммуникации, можно восстановить недостающий адрес электронной почты и общаться с человеком в удобном для него канале. Можно проверить, принадлежит ли номер телефона тому же клиенту, который оставлял его раньше.
Кроме контактных данных, можно собирать триггеры – например, дату рождения, чтобы вовремя сформировать релевантное предложение. Можно находить информацию о близком окружении клиента и связанные с ним даты, анализировать интересы, сегментировать базу и искать похожие аудитории. Мы также планируем анализировать покупательское поведение по данным ОФД, чтобы понимать, какие похожие товары клиент приобретает у конкурентов. Эти знания создают новую ценность существующей базы: реактивировать клиента значительно дешевле, чем привлечь нового.
Приведу несколько завершённых кейсов из других отраслей. Крупному бьюти-ритейлеру мы помогали восстанавливать и обогащать адреса электронной почты. Проникновение email в базе было низким, часть адресов оказалась неактуальной, а часть клиентов пользовалась второстепенной почтой и не видела сообщений. После обогащения выросли доступность клиентов, средний чек и выручка по базе.
В кейсе ювелирного ритейла использовались даты рождения близких клиента. Своевременная триггерная коммуникация дала значительно более высокую конверсию, чем одинаковое предложение по всей базе. В другом проекте мы проверяли имена, пол и возраст. Клиенты нередко указывают условные или ошибочные сведения, например 1900 год рождения. Актуализация таких полей повышает качество персонализации.
Главный вывод – бизнесу важно работать с той базой, за привлечение которой он уже заплатил, и регулярно повышать её качество.
Надежда Сачек: Со стороны модного бизнеса запрос состоит в том, чтобы перестать воспринимать клиента как объект и сделать его субъектом, о котором мы действительно что-то знаем: когда он родился, где живёт, чем интересуется.
Компании инвестируют в разработку бренд-стратегии и описывают, для кого выпускают продукт. Но необходимо соединить три вещи: то, каким бренд представляет своего клиента, для кого он разрабатывает коллекцию и кто в реальности приходит и платит деньги. Эти данные помогают понять, каких новых клиентов искать, и снизить стоимость их привлечения.
Знание возраста связано не только с коммуникацией, но и с продуктом. Оно может подсказать особенности телосложения, антропометрию и вкусовые предпочтения, сформированные в определённую эпоху. Конечно, это не стопроцентная закономерность, но она помогает уточнять гипотезы.
Одного инструмента недостаточно – нужна инструкция по его применению. Если бренд получил имя, которое человек сам не сообщал, неожиданное обращение по имени может вызвать тревогу. Поэтому важно использовать новые данные деликатно и экологично, заранее понимая задачу и желаемый результат.
Сейчас пилот продолжается. Наталья, расскажите, что вы уже получили и как планируете использовать результат.
VasilisaVCashmere: что изменилось после обогащения данных
Наталья Крутоголова: Мы обратились к Double Data с запросом на обогащение клиентской базы. Многих клиентов мы знаем лично, и около 85 процентов ежемесячных продаж обеспечивают одни и те же люди. Но данные в программе лояльности заполнены не всегда: часть полей пропущена, где-то допущены ошибки.
Мы производим премиальные изделия из кашемира и шёлка, поэтому индивидуальный подход особенно важен. На первом этапе получили имена – это уже хороший результат. Ждём следующих этапов и обучения тому, как корректно пользоваться информацией.
Планируем лично поздравлять клиентов с днём рождения, подбирать подарки или бонусы. Возможно, подход будет индивидуальным: по истории покупок можно понять, что конкретному человеку интереснее – новое изделие, бонус или, например, цветы. Раньше даты рождения были заполнены примерно у пяти процентов базы, сейчас – у 70–75 процентов.
Надежда Сачек: Помимо дат рождения были дополнены имена и пол. Даже самостоятельно оставленные данные бывают условными: я, например, иногда представляюсь на сайтах как Вениамин, а потом получаю обращения по этому имени. Верификация позволяет внимательнее работать с базой.
Уже первая итерация помогает посмотреть на продукт: понять возраст клиента и его потребности. Следующий этап – обогащение email и геоданных. Важно видеть, в каком регионе находится клиент и как меняется эта динамика. Но ценность сотрудничества не только в самих данных. Опыт Double Data помогает понять, как написать письмо так, чтобы выросли не только открытия, но и конверсия в продажу.
Модному бизнесу стоит посмотреть на разрыв между бренд-стратегией, ДНК продукта и реальными знаниями о покупателе. Кто фактически приносит деньги? Как бренд с ним взаимодействует? Насколько эта коммуникация эффективна? Этот вопрос важен независимо от размера компании.
Денис Симонов: Важен ли поставщик CRM-системы и каков примерный срок до первой ценности?
Сергей Федотов: Конкретная CRM не важна. Ключевое значение имеют уже собранные данные. Мы не просто возвращаем новые поля, но сопровождаем клиента на этапе их внедрения в бизнес-процессы. Нужно заранее ответить на вопросы о законности, безопасности и точности сопоставления информации.
Работа начинается с пилота, где заказчик проверяет результат и даёт обратную связь. Сначала измеряется охват – какую долю базы удалось дополнить. Затем проверяется качество сопоставления, после этого – экономика и маржинальность. Мы должны гарантировать, что найденная информация относится именно к этому клиенту.
Для поиска используются такие ключи, как хэшированный номер телефона или адрес электронной почты. Интеграция с CRM не обязательна. Компания делает выгрузку в согласованном формате и загружает таблицу в программное обеспечение. На выходе получает CSV- или Excel-файл с новыми полями. После согласования формата обмена результат может появиться в течение нескольких часов.
Надежда Сачек: Но скорость получения файла – только начало. Нужно понять, как использовать его в контент-плане, какой триггер выбрать для аудитории и как изменить коммуникацию. Само появление email не означает, что на него можно немедленно отправлять рассылку.
Сергей Федотов: Мы помогаем корректно внедрять данные, но не разрабатываем за клиента всю коммуникационную стратегию. Если раньше email отсутствовал, новый канал можно использовать шире и, например, переводить в него часть коммуникации из дорогих SMS. Однако сначала необходимо получить согласие человека.
Это касается и новых адресов, и исторически накопленной базы. Если email давно лежит в CRM, но подтверждённого согласия нет, его нужно получить. Один из стандартных способов – double opt-in. Клиент подтверждает адрес и разрешение на коммуникацию. Если подтверждения нет, компания должна учитывать риски и быть готовой прекратить использование адреса по требованию.
Гигиена CRM – это не только обогащение, но и культура работы с уже имеющимися данными. Мы обсуждаем с клиентом варианты внедрения и при необходимости подключаем независимых консультантов по работе с персональными данными.
Надежда Сачек: Со стороны бизнеса итог должен измеряться метриками. Должны расти open rate, retention rate и повторные покупки. Обогащение влияет на распределение маркетингового бюджета и на сам продукт. Это не процесс ради процесса, а инструмент под конкретную бизнес-задачу.
Денис Симонов: Спасибо. Переходим ко второй части. Мария, где искусственный интеллект может помочь конструктору одежды?
ИИ в работе конструктора: где автоматизация уже возможна
Мария Шевченко: ИИ может помочь везде, где процесс можно чётко описать: определить входные данные, последовательность действий, анализ и ожидаемый результат. Я создала несколько таких помощников для работы конструктора и преподавателя.
Я конструирую одежду в 3D. Сначала есть аватар клиента или целевой аудитории бренда, затем создаётся объёмная форма, её развёртка, оформление лекал, градация, раскладки и технологическая документация. Всё, где есть ясная последовательность шагов, можно частично переложить на ИИ. Но творческие и мультидисциплинарные задачи, например разработку принципиально новой формы или силуэта, он пока не решает самостоятельно.
Почему нельзя просто дать системе эскиз и получить готовые лекала? Работа конструктора учитывает не только форму и её развёртку на плоскость, но и материал, технологию, целевую аудиторию, стоимость изделия и множество производственных нюансов. В качественные лекала конструктор вкладывает результат командной работы. Простого описания для этого недостаточно.
Для стандартной формы, например женского жакета, часть работы можно автоматизировать, но задачу должен ставить профессионал, который точно понимает процесс. Сейчас ИИ помогает мне анализировать удачные построения и поведение изделия: сечения, движение, зоны напряжения, эстетически значимые участки. При построении брюк форма линии промежности зависит от конфигурации тела, и алгоритм помогает систематизировать накопленный опыт и описать его правилами.
Я использую ИИ как аналитика, который собирает данные, сводит их в таблицы и ищет соответствия, и как программиста, способного написать код для конкретной задачи. В 3D одежда строится вокруг фигуры аватара, затем переводится в плоские развёртки и оформляется.
Отдельное направление – антропометрия. Если бренд понимает, где живёт аудитория, каков её возраст и особенности телосложения, особенно в одежде для спорта или хобби, можно точнее выбрать типы фигур, которые обслуживает продукт. ИИ помогает анализировать антропометрические данные и сравнивать их с устаревшими ГОСТами и размерными сетками разных стран.
Я разработала сервис, который преобразует скан человека в точный аватар. Стандартные аватары программ плохо описывают сложное тело, а обработанная модель позволяет конструировать для конкретного человека. Это даёт основу для кастомизации – не только технически точной, но и эстетически соответствующей ожиданиям клиента.
Когда женщина говорит, что брюки «не сели», это не всегда означает набор технических дефектов. Часто это значит, что они не стройнят и не украшают. Поэтому критерии посадки нужно дополнять эстетическими – учитывать не только формальную точность, но и то, как изделие воспринимает человек.
Раньше построение аватара по скану или четырём фотографиям занимало у меня полтора–два часа ручной работы. Теперь алгоритм автоматически создаёт подвижный аватар примерно за минуту. Мы проверяем соответствие формы основным меркам, затем строим вокруг тела каркас. При изменении аватара связанное с ним изделие тоже меняется.
ИИ написал для меня программу, которая помогает выстраивать каркас и задавать плоскости низа, горловины и проймы. Мы исследуем, как должна быть повёрнута пройма для удобства движения. Следующий этап – оформление и градация лекал. Для более сложных изделий, например жакета, алгоритм должен автоматически строить подкладки, клеевые и вспомогательные лекала.
У каждого конструктора свой почерк, а у производства – свои требования. Нужно учитывать оборудование, технологию и наличие утюжильных операций. Ещё один помощник делает раскладки лекал для печати и ткани. Для многих таких задач можно использовать бесплатные библиотеки, не покупая отдельную дорогую САПР.
Денис Симонов: Правильно ли я понимаю, что для постановки задачи ИИ нужно знать язык предметной области?
Мария Шевченко: Конечно. Профессионал использует ИИ как команду программистов или исследовательскую лабораторию. Чтобы исследовать сечение тела, поведение материала и зазор между телом и одеждой, нужно понимать, что именно анализировать. То же относится к оформлению лекал, раскладкам и построению аватара. Специалист задаёт вход, выход и профессиональные критерии результата.
Надежда Сачек: То есть нельзя просто попросить: «Построй мне брюки, которые стройнят»?
Мария Шевченко: Система даст ответ, но он, скорее всего, будет нерелевантным. Брюки, которые визуально стройнят, – это совокупность формы тела, фасона, лекал, материала и технологии. Некоторые ткани или силуэты изначально дают нужный эффект, другие требуют формования и утюжки. Рекламируемые сервисы, обещающие сразу построить лекала по простому запросу, пока не обеспечивают качество, необходимое для коммерческого производства. Даже для описания одной технологии и корректного построения припусков требуется множество данных, которых нет в учебниках.
Надежда Сачек: Обе части разговора сходятся в одном: данные и инструменты приобретают ценность только тогда, когда бизнес умеет их интерпретировать. Обогащённый профиль клиента нужно сопоставлять с исследованиями поколений, их поведением и ценностями. Серебряное поколение уже платёжеспособно, зумеры становятся всё более значимой аудиторией. Важно понимать, как с ними коммуницировать, на что они тратят деньги сейчас и как будут менять потребление.
Эти знания особенно нужны перед бюджетированием на следующий год – для пересмотра ценовой политики, ассортиментной стратегии и маркетинга. Бизнесу важно не только собирать сведения, но и превращать их в решения о продукте и коммуникации.
Денис Симонов: Спасибо. На этом завершаем сессию.
Как использовать этот протокол
Это редакционная навигация после стенограммы. Для клиентских данных начните с раздела «Главный конфликт каналов — уже не охват, а контроль над маржой и данными» в общей карте рисков и возможностей.
Кому читать: коммерческому директору (RL48), руководителю клиентского сервиса (RL60) и директору по продукту (RL30).
Рабочий вопрос: каких данных не хватает, чтобы принять решение о клиентской коммуникации или конструкции изделия?
Следующий шаг: выбрать одно решение, описать необходимый набор данных и проверить его на ограниченном кейсе. Сохранить источник, полноту и качество данных, принятое решение и измеримый результат.