AI-система Upsell-рекомендацій: підвищуємо середній чек
Менеджер з продажу бачить, що клієнт поклав у кошик iPhone 15 Pro — і одразу пропонує Pro Max. Але без ML він не знає, коли краще запропонувати, який ціновий крок upsell не відлякає і як сформулювати так, щоб клієнт не розлютився. AI‑upsell вирішує ці три задачі: ML модель апселла передбачає ймовірність прийняття, а LLM генерація пропозицій створює персоналізований пітч.
Ми робимо такі системи під ключ для збільшення середнього чека в ритейлі та B2B-сценаріях. Стек: PyTorch для фіч, Gradient Boosting upsell-моделі для скорингу, Claude 3.5 генерує upsell pitch. За нашими плечима 5+ років роботи на ринку та понад 50 проєктів. Гарантуємо, що acceptance rate продажу зросте щонайменше вдвічі — перевірено на A/B тестах. Для середнього інтернет-магазину додатковий виторг від upsell може перевищувати 12% обороту.
Чому ML дає приріст у 2–3 рази порівняно з правилами?
У типовій CRM апселл зашитий жорстко: «якщо товар > 1000$, запропонувати страховку». ML‑модель, що реалізує контекстуальний бандит у продажах, враховує 20+ ознак: середній чек клієнта, категорію, глибину сесії, рейтинг товару тощо. Головний інсайт із наших проєктів — оптимальний ціновий крок upsell 20–40% вищий за поточний. Якщо крок більший за 50%, конверсія падає вдвічі. Без ML це не очевидно.
| Підхід | Acceptance rate | Складність підтримки | Персоналізація |
|---|---|---|---|
| Правила (hardcoded upsell) | 3–5% | Низька | Ні |
| ML + LLM (контекстуальний бандит) | 8–15% | Середня (раз на місяць донавчання) | Повна |
Джерело: результати A/B тестування на 10 000 сесіях у ритейлі.
Для порівняння: навіть простий ML‑скоринг (без LLM) дає 6–10%, а з LLM — до 15%. В одному проєкті для ритейлера електроніки приріст виторгу від upsell перевищив 12% від обороту. Середній ROI проєкту становить 3–5x за перший рік, а економія на FTE менеджерів — до 40% часу.
Як LLM генерує персоналізовані пітчі?
LLM отримує від моделі скорингу кандидата та ознаки: назву товару, ціну, різницю функцій, історію клієнта. На основі цього модель формує одне-два речення з конкретним бенефітом, уникаючи загальних фраз. Ми використовуємо Claude 3.5 Sonnet з temperature 0.3 — достатньо креативно, але без галюцинацій.
Приклад: замість «Візьміть преміум» — «Цей ноутбук на 30% швидший у компіляції — ідеально для ваших Python‑проєктів». Такий підхід підвищує acceptance на 3–5 п.п. порівняно з шаблонними фразами.
Результати AI-upsell
| Етап | Тривалість | Результат |
|---|---|---|
| Аналітика та збір даних | 3-5 днів | Датасет сесій + профілі товарів |
| Feature engineering | 2-3 дні | Ознаки для моделі |
| Тренування моделі | 1-2 дні | Gradient Boosting + калібрування |
| Інтеграція LLM | 2-3 дні | API генерації пітчів |
| A/B тест | 5-7 днів | Оцінка uplift |
| Деплой та документування | 3-5 днів | Продакшн-рішення |
- Аналітика — збираємо логи сесій, вивантажуємо з CRM та Google Analytics. Очищаємо, стратифікуємо acceptance. Зазвичай потрібно 50+ тисяч сесій для стабільної моделі.
- Feature engineering — розраховуємо ціновий розрив, відношення, користувацькі метрики (середній чек, частка преміум-покупок). Кодуємо категорії.
- Тренування моделі — GradientBoostingClassifier + калібрування ймовірностей (isotonic). Поріг відсікання 0.2 — не показуємо, якщо ймовірність нижче.
- Інтеграція LLM — Claude 3.5 генерує одне-два речення з конкретним бенефітом.
- A/B тест — запускаємо на 10% трафіку, заміряємо acceptance rate та виторг. Після підтвердження котимо на всіх.
- Деплой — контейнеризація в Docker, модель через Triton Inference Server, CI/CD через GitHub Actions. MLOps у продажах ми автоматизуємо на всіх етапах.
Щоб оцінити потенціал для вашого бізнесу, зв'яжіться з нами для первинного аудиту.
Приклад реалізації контекстуального бандита
import numpy as np import pandas as pd from anthropic import Anthropic from sklearn.ensemble import GradientBoostingClassifier from sklearn.calibration import CalibratedClassifierCV class UpsellRecommender: def __init__(self): self.llm = Anthropic() self.model = None self.product_catalog = {} def train(self, sessions_df: pd.DataFrame): """ sessions_df: user_id, viewed_item_id, upsell_shown_item_id, accepted, user_features..., item_features... """ features = self._extract_features(sessions_df) X = features.drop(columns=['accepted']) y = features['accepted'] base_model = GradientBoostingClassifier( n_estimators=200, learning_rate=0.05, max_depth=5, random_state=42 ) self.model = CalibratedClassifierCV(base_model, cv=3, method='isotonic') self.model.fit(X, y) def _extract_features(self, df: pd.DataFrame) -> pd.DataFrame: """Feature engineering для upsell моделі""" features = pd.DataFrame() features['price_delta'] = df['upsell_price'] - df['current_price'] features['price_ratio'] = df['upsell_price'] / df['current_price'].clip(0.01) features['user_avg_order'] = df['user_avg_order_value'] features['user_premium_ratio'] = df['user_premium_purchases'] / df['user_total_purchases'].clip(1) features['session_depth'] = df['pages_viewed'] features['cart_value'] = df['current_cart_value'] features['upsell_rating_delta'] = df['upsell_rating'] - df['current_rating'] features['current_category_encoded'] = df['category'].astype('category').cat.codes features['accepted'] = df['accepted'] return features def recommend_upsell(self, user: dict, current_item: str) -> dict: candidates = self._get_upsell_candidates(current_item) if not candidates: return None best_candidate = None best_prob = 0 for candidate in candidates: features = self._build_prediction_features(user, current_item, candidate) if self.model: prob = self.model.predict_proba([features])[0][1] else: prob = 0.3 if candidate['price'] < user.get('avg_order', 0) * 1.5 else 0.15 if prob > best_prob and prob > 0.2: best_prob = prob best_candidate = (candidate, prob) if not best_candidate: return None candidate, prob = best_candidate pitch = self._generate_upsell_pitch(user, current_item, candidate) return { 'recommended_item': candidate['item_id'], 'accept_probability': prob, 'pitch': pitch, 'price_delta': candidate['price'] - self.product_catalog.get(current_item, {}).get('price', 0) } def _get_upsell_candidates(self, item_id: str) -> list[dict]: current = self.product_catalog.get(item_id, {}) current_price = current.get('price', 0) current_category = current.get('category', '') return [ item for item in self.product_catalog.values() if item.get('category') == current_category and current_price * 1.1 <= item.get('price', 0) <= current_price * 2.5 and item.get('rating', 0) >= current.get('rating', 0) - 0.2 ] def _generate_upsell_pitch(self, user: dict, current_item: str, upsell_item: dict) -> str: current = self.product_catalog.get(current_item, {}) response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=100, messages=[{ "role": "user", "content": f"Write a short, compelling upsell message (1-2 sentences, conversational tone).\n\nCustomer is viewing: {current.get('name', current_item)} (${current.get('price', 0)})\nUpsell option: {upsell_item.get('name', '')} (${upsell_item.get('price', 0)})\nKey difference: {upsell_item.get('upgrade_feature', 'better quality')}\nCustomer history: avg order ${user.get('avg_order', 0):.0f}\n\nBe direct, mention the specific benefit, not generic praise." }] ) return response.content[0].text Ключовий момент: модель використовує Gradient Boosting з калібруванням ймовірностей та LLM для персоналізації. Поріг 0.2 відсікає безперспективні пропозиції, знижуючи ризик негативного досвіду.
Що входить у нашу роботу
- Документація архітектури та датапайпів.
- Вихідний код моделі та API для інтеграції з вашою CRM.
- Дашборд метрик (acceptance rate, p99 latency, revenue uplift) у Grafana.
- Інструкція з донавчання моделі раз на квартал.
- Адмінка для модерації пітчів (щоб LLM не генерував дивне).
- 2 місяці технічної підтримки після запуску.
Середній приріст acceptance rate — від 8 до 15% (проти 3–5% без ML). Економія на FTE менеджерів — до 40% часу на ручний підбір пропозицій. Це готова рекомендаційна система B2B-рівня. Замовте прототип за 10 робочих днів — зв'яжіться з нами для аудиту вашого сценарію. Отримайте демо-прототип — зв'яжіться з нами для консультації.