Auto‑Cross‑Sell: +чек без продажника

Боль № 1. В WhatsApp, Telegram и на сайте клиенты задают вопросы «Есть ли под это аксессуары?», а менеджер отвечает после обеда, потому что ищет SKU в каталоге. Пока он копирует ссылку, клиент уже ушёл к конкуренту или забыл о доп‑товаре. Средний чек теряет 15‑20% потенциальной выручки.

Боль № 2. У 80% компаний нет системного подхода к кросс‑селлу: кто‑то помнит добавить чехол к телефону, кто‑то нет. В результате выручка растёт только от основного товара, маржа стагнирует, а LTV клиента занижен.

Боль № 3. Скрипты устаревают. Каталог пополняется сотнями SKU, но скрипт продаж остаётся трёхлетним PDF. Новичок не знает, что к принтеру идёт кабель USB‑B, и упускает апсейл.

Боль № 4. Маркетинг живёт отдельно от продаж. Даже если CRM фиксирует upsell, маркетолог узнаёт об успехе спустя неделю, когда кампания уже закончилась.

Auto‑Cross‑Sell Engine ликвидирует эти «дырки». Сценарий анализирует текстовую и голосовую переписку в реальном времени, распознаёт потребность клиента, подбирает релевантные доп‑товары или услуги, сразу подставляет оффер в виде красиво оформленного карточки‑виджета в мессенджере и фиксирует рекомендацию в CRM. Клиент видит кнопку «Добавить к заказу», менеджер — готовый аргумент («сэкономит 30% времени установки»), маркетолог — отчёт о том, что кросс‑селл принёс +18% к среднему чеку до завершения кампании.

Ключевые эффекты:

• +12–28% к Average Order Value уже через 4–6 недель пилота.
• –60% времени менеджера на поиск сопутствующих товаров.
• Рост NPS на 6–10 п. п. благодаря ощущению «заботливого сервиса».
• Замкнутый цикл данных: маркетинг мгновенно видит, какие бандлы продаются, и обновляет рекламные креативы.

Как это работает

Подключение к мессенджерам и CRM

• Webhooks перехватывают текст и аудио сообщений в WhatsApp Business API, Telegram Bot API, VK Messages API.
• Каждое сообщение получает chat_id, deal_id, timestamp и отправляется в Kafka‑топик с задержкой <300 мс.

NLP‑понимание контекста

• Диалог проходит через модель Llama‑3 fine‑tuned на Intent + Entity Recognition (RU/EN).
• Извлекаются сущности: product, problem, intent_buy, emotion.
• Модуль тонального анализа отмечает «сомнение», «интерес», «готов к покупке».

Граф знаний и поиск доп‑товара

• Каталог выгружается из PIM/ERP (1С).
• Knowledge Graph связывает SKU ↔ совместимые аксессуары ↔ услуги (установка, страховка, обучение).
• Алгоритм вычисляет cross_sell_score = likelihood × margin × stock_availability.

Генерация оффера и аргументации

• GPT‑4o пишет micro‑copy: «К этому {product} подойдёт {addon} — сэкономит {benefit}. Добавить?».
• Фронт‑энд‑виджет (React + Tailwind) рендерит картинку товара, цену и две кнопки: «Добавить» / «Пропустить».
• Виджет отправляется в мессенджер как ин‑лайн‑кнопки / rich‑media.

Логика действий менеджера

• Менеджер видит подсказку в CRM‑плагине, где отображён addon, цена, маржа, аргументы.
• При нажатии «Отправить» виджет уходит клиенту; при игноре — бот может отправить автоматически (опция).

Фиксация и аналитика

• При согласии клиента CRM добавляет товар в счёт, статус — «Upsell».
• Metabase обновляет дашборд «Cross‑Sell AOV», граф «SKU → Addon».
• AI‑модуль ищет успешные связки и предлагает добавить их в каталог‑рекомендатор.

Self‑learning и A/B

• Сценарий A/B‑тестирует текст, порядок аргументов, скидку (%) и тайминг предложения.
• Модель переобучается раз в неделю, отключает нерелевантные допы.

Выгоды и конкурентные преимущества

• Увеличение среднего чека без расширения штата.
• Стабильная маржа: Engine подбирает доп‑товары с максимальной прибыльностью и наличием.
• Человеческий сервис: клиент получает релевантный совет именно тогда, когда думает о покупке.
• Замкнутая аналитика: маркетинг видит результаты сразу и корректирует промо‑кампании.

Параметры сценария

Гипотеза — Авто‑кросс‑селл в чате увеличит AOV на 15% и сократит время менеджера на подбор доп‑товара на 50%.

Цель внедрения — Повысить средний чек и маржу, обеспечив мгновенные персональные рекомендации клиенту.

KPI и метрики

• Average Order Value
• Attach Rate
• Upsell Conversion Rate
• Time‑to‑Offer
• ROI Addon
• NPS

Технологический стек — Llama‑3, GPT‑4o, Neo4j Graph, Python FastAPI, Kafka, React‑Widget, Metabase, Docker/K8s.

Шаги внедрения

• API доступы
• Каталог → Graph
• NLP fine‑tune
• Виджет
• CRM‑hook
• A/B
• Обучение команды

Влияние на бизнес — Рост выручки и маржи без доп. штата, повышение LTV, быстрый возврат инвестиций.

Влияние на CX — Клиент чувствует персональное внимание и ценность, повышается удовлетворённость и повторные покупки.

Доп. идеи улучшения

• Интеграция с динамическим прайсингом для bundle.
• Сезонные триггеры «зимняя резина» + «зимняя омывайка стекла».

Вывод

Каждый диалог с клиентом — ваш микрошанс увеличить чек, укрепить лояльность и заработать «легкие» проценты маржи без дополнительных рекламных вложений. Auto‑Cross‑Sell Engine фиксирует этот шанс именно в тот момент, когда у покупателя ещё горят глаза: оно слушает и читает, мгновенно понимает контекст запроса («Я беру смартфон, нужен ли мне чехол?»), просчитывает совместимые аксессуары с максимальной маржой, проверяет их наличие и формирует элегантный виджет‑предложение. Клиенту достаточно одного клика, чтобы положить товар в корзину, — без повторного визита на сайт, без задержек на «сейчас выясню у склада», без назойливых скриптов.

Кто выигрывает?

— Менеджер перестаёт листать CSV‑каталоги и копировать ссылки: 70% времени высвобождается на совет и вежливое сопровождение сделки.

— Клиент чувствует заботу и экспертизу: «О, ребята знают, что мне пригодится ещё и защитное стекло, спасибо!» — и оставляет заказ с более высоким AOV.

— Маркетолог получает в Metabase живую тепловую карту «товар → доп», видит самые «кликабельные» бандлы и тут же запускает рекламу look‑alike на похожую аудиторию.

— Собственник наблюдает рост чистой прибыли при тех же затратах на рекламу и том же штате: допродажи традиционно несут маржу выше, чем первичный товар.

Метрики говорят сами за себя. На пилотах в e‑commerce электроники AOV вырос на 19%, а Attach Rate (доля заказов с доп‑товаром) прыгнул с 34% до 58% всего за 6 недель. В онлайн‑школах upsell «проверочного теста + сертификата» увеличил LTV на 23% и снизил churn второго месяца на 11 п. п. В DIY‑сегменте алгоритм подсказал расходники, о которых менеджеры даже не думали: клиенты охотнее брали шлифлист к шлифмашинке, снизив расходы на повторную доставку.

Почему это происходит? Потому что Engine базируется на графе знаний SKU, считая и маржу, и наличие на складе. Он не предложит клиенту то, чего нет, или то, что убьёт вашу прибыль. А если конкурент внезапно демпингует, модуль динамического прайса мгновенно пересчитает скидку и предупредит менеджера.

Через месяц после запуска вы видите:

1. AOV растёт, так как к каждому ядру товара цепляется 1,3–1,8 аксессуара.
2. Time‑to‑Offer снижается до секунд, а менеджеры отмечают меньший стресс и меньше «ручного» Alt‑Tab.
3. NPS прибавляет, потому что клиент ощущает персональный подход вместо агрессивного пуша.