CRO & Personalization

😁 От персонализации к AI-commerce: что происходит с e-commerce прямо сейчас

В рамках Learnings выступит Вадим Мамедов - VP, Revenue Enablement в InsiderOne, один из лидеров на рынке customer experience и персонализации в мире.

За последние несколько лет AI сильно изменил само понимание персонализации в e-commerce. Мы постепенно уходим от мира, где персонализация - сегменты, рекомендации товаров и несколько отдельных сценариев коммуникации, к модели, где бренды пытаются понимать контекст и намерение каждого клиента, принимать решения в реальном времени и выстраивать индивидуальный customer journey сразу между несколькими каналами.

На встрече поговорим о том, как AI меняет e-commerce и digital customer experience прямо сейчас: что происходит с классической персонализацией, почему появляются AI shopping assistants и agentic commerce, как меняются поиск, рекомендации и взаимодействие клиента с брендом — и какие подходы уже используют крупные международные компании.

На примерах из практики InsiderOne разберём, как сегодня выглядят такие системы изнутри: какие данные и AI-модели используются, как принимается решение о следующем лучшем действии для клиента, что уже реально работает в production, а где рынок пока значительно опережает реальность красивыми AI-обещаниями.

Это не продуктовый вебинар и не презентация компании. Скорее, это часовой разговор о том, куда движется глобальный e-commerce, как меняется понятие персонализации и к чему digital-командам стоит готовиться уже сейчас.

Если вы работаете с e-commerce, digital, CRM, продуктом, customer experience или персонализацией — присоединяйтесь. Будет много международных примеров, практики и минимум AI-хайпа.

🗓 Следующая неделя 27.08.2026 в 17:00

🔗 Ссылка на подключение:
https://telemost.yandex.ru/j/4095725207

Присоединяйтесь! 🤗
_______________
CRO & Personalization 🤝

📚 Книга на заметку: Python for Marketing Research and Analytics

Рекомендую как практическую книгу для тех, кто работает с данными и ищет продуктовые гипотезы. Для меня она стала настольной книгой, к которой я возвращаюсь переодически.

Здесь Python – не самоцель, а инструмент для исследования данных, поиска закономерностей и точек роста.

Хорошая связка: данные ➡️ наблюдение ➡️ гипотеза ➡️ эксперимент.

Особенно рекомендую аналитикам и product managers.

Книгу оставил в комментариях 🤫

_______________
CRO & Personalization 😸

Всем пис и хорошей продуктивной недели. Поставьте реакции, давайте поднимем друг другу настроение 👍

_______________
CRO & Personalization 🤩

🤥 Продукт-менеджеров учат задавать десятки вопросов. Но есть три, которые они слишком редко задают самим себе.

Почему именно этот результат я показываю?

Что осталось за кадром?

Если бы эксперимент не сработал, рассказал бы я о нем вообще?

Большинство продуктовых команд искренне верят, что принимают решения на основе данных. Но данные - не объективная реальность. Они проходят через людей. А люди любят хорошие новости.

Именно поэтому даже опытный продукт-менеджер может, сам того не замечая, заняться p-hacking: попробовать еще один срез, убрать «аномальных» пользователей, посмотреть только Android, добавить еще неделю эксперимента - пока не появится заветное p < 0.05.

А если ничего не получилось? Тогда результаты часто просто исчезают. Их не показывают на демо, не публикуют в базе экспериментов, не вспоминают на ретроспективе. Это уже publication bias - мы видим только победителей и начинаем верить, что выигрывает почти каждая идея.

Именно так организации постепенно начинают переоценивать собственную способность находить «рабочие гипотезы».

В книге Calling Bullshit есть мысль, которая кажется очевидной, но меняет способ смотреть на любую информацию. Авторы предлагают задавать не вопрос «Правда ли это?», а сначала другой:

Кто мне это говорит?
Откуда он это знает?
Что он выигрывает, если я в это поверю?

Эти вопросы работают не только для новостей или социальных сетей. Они прекрасно работают и внутри продуктовых команд.

Когда коллега показывает «успешный» A/B-тест, спросите:

Сколько метрик посмотрели до того, как нашли значимую?
Были ли эксперименты с противоположным результатом?
Какой MDE планировали заранее?
Где результаты всех остальных тестов?

Очень часто после этих вопросов история становится менее впечатляющей - и гораздо ближе к истине.

Не случайно Calling Bullshit - первая книга в списке рекомендаций Рона Кохави. До того как обсуждать CUPED, sequential testing или Bayesian inference, стоит научиться распознавать самый распространенный источник шума - нас самих.

Книгу оставил в комментариях 🤫

_______________
CRO & Personalization 🤥

🤓 В рамках Learnings выступит Виктория Качалова — Head of Consulting Eastern Europe в Kameleoon.

Kameleoon — это платформа для экспериментов и управления функциями (Feature Management), которая работает на уровне кода и SDK, а не только в интерфейсе, что делает её инструментом и для маркетинга, и для продуктовых команд.

Виктория работает в Kameleoon c 2019 года и специализируется на выстраивании процессов A/B-тестирования внутри крупных корпораций. Под её руководством консалтинговая команда Kameleoon сопровождает проекты в России, странах СНГ и Европы, выступая стратегическим мостом между технологией и бизнес-задачами клиентов. За годы работы она видела, как устроены процессы экспериментов в десятках компаний — и какие барьеры мешают им приносить прибыль, даже когда платформа уже куплена.

На вебинаре поговорим о том, как AI-агенты 🤖 кардинально меняют рынок production-экспериментов. Разберём, как искусственный интеллект оптимизирует разработку проектов, генерирует гипотезы, позволяет выходить на предиктивный таргетинг и проводить глубинный анализ результатов. Отдельное внимание уделим MCP-серверу, который ускоряет деплой выигрышных вариаций в разы. В качестве бонуса — покажем, как будет выглядеть рутина команды, управляющей экспериментами, уже в ближайшем будущем, когда AI станет полноценным участником каждого этапа тестирования.

Если ваша задача — повышать эффективность цифровых каналов, ускорять вывод гипотез и внедрять инновации без потери качества, — этот вебинар даст вам конкретную дорожную карту. Будет много кейсов, архитектурных инсайтов и честного взгляда на то, как готовиться к новой эре экспериментов.

📆Когда: в этот четверг 23.07.26 в 16:30 (продолжительность час)
👉Ссылка на подключение

_______________
CRO & Personalization 🙈

🔍Есть одна причина, почему поиск по фото становится важнее с каждым годом.

Дело не в нейросетях. И не в новой технологии.

Дело в том, что люди редко думают словами.

Попробуйте описать кроссовки, которые увидели в Instagram. Или сумку, случайно замеченную на улице. Скорее всего, получится длинный и неточный запрос. А вот показать фотографию - легко.

Именно поэтому поиск по фото - это не просто еще одна кнопка рядом с поисковой строкой. Это способ сократить расстояние между желанием пользователя и нужным товаром.

Мой друг Павел Костин опубликовал большое исследование на основе данных более 30 fashion-ритейлеров. Цифры заставляют задуматься.

❌ За три месяца пользователи загрузили 813 тысяч изображений.
❌ Поиск по фото использовали 255 тысяч человек.
❌ Хотя на него приходится всего 6,1% всех поисковых запросов, именно сюда чаще приходят с уже сформированным намерением купить.
❌ Более 10 тысяч заказов были атрибутированы этому сценарию, а средний чек составил 10 900 ₽.

Но самая интересная мысль статьи - не про метрики.

Покупатель ищет не товар.

Он ищет визуальное совпадение со своим ожиданием.

Поэтому поиск по фото - это не альтернатива текстовому поиску. Это новый способ выразить намерение, когда слова перестают работать.

Для тех, кто развивает поиск, рекомендации или e-commerce, статья особенно ценна практическими выводами: какие категории выигрывают больше всего, какие KPI стоит отслеживать и почему изображения могут стать источником данных о неудовлетворенном спросе.

👀Читать полностью исследование

_______________
CRO & Personalization 🚀

💫 Представьте, что 100 ваших A/B-тестов показали статистически значимый результат.

Интуиция подсказывает: десятки из них должны привести к росту продукта.

Реальность сложнее.

Часть этих побед окажется следствием случайности. Другие будут испорчены проблемами в данных. А некоторые выглядели убедительно только потому, что эксперимент остановили слишком рано или запустили с недостаточным объемом трафика.

Именно поэтому вопрос Есть ли эффект? часто менее важен, чем вопрос Можно ли доверять этому результату?

16 июля Рон Кохави и Люк Соннет проведут сессию о том, как отличить настоящий сигнал от статистического шума. Среди тем:

▫️Почему статистическая значимость - лишь начало анализа, а не его конец.
▫️ Как Sample Ratio Mismatch (SRM) способен незаметно сделать результаты эксперимента недостоверными.
▫️ Почему тесты с низкой мощностью не просто пропускают успешные идеи, но и создают ложную уверенность в тех, которых никогда не существовало.

По мере того как AI позволяет запускать эксперименты все быстрее, цена ошибки только растет. Генерировать гипотезы становится проще. Гораздо сложнее - понять, каким результатам действительно можно доверять.

Если вы строите продукт, в котором решения принимаются на основе экспериментов, эту сессию точно стоит посмотреть.


🗓 Когда: в этот четверг 16 июля 2026 в 19:00

📌Ссылка на регистрацию

_______________
CRO & Personalization 🤷‍♂️

🤩🤩Чем лучше становится AI, тем ценнее становятся A/B-тесты.

На первый взгляд это звучит парадоксально.

Сегодня LLM могут за минуты предложить десятки вариантов заголовков, экранов или пользовательских сценариев. Кажется, что скоро они смогут и предсказывать, какой вариант победит.

Помните про исследование от Spotify🎵? Ребята показали, почему это не так.

Они сравнили прогнозы LLM с результатами 417 реальных A/B-тесто. Без калибровки модель смогла восстановить лишь 39% эффекта, который наблюдался у настоящих пользователей. Чтобы приблизиться к реальности, ей понадобились исторические данные человеческих экспериментов.

И здесь возникает ключевое ограничение.

Калибровка работает только тогда, когда новая гипотеза похожа на уже проверенные. Но если идея действительно новая, сравнить ее не с чем - человеческих данных еще не существует.

Посмотрите на один из наших недавних экспериментов.

Мы протестировали небольшое изменение интерфейса повторного заказа. Оно выглядело логичным, современным и удобным (подсмотрено у Amazon). Многие, вероятно, внедрили бы его без раздумий.

Но A/B-тест показал обратное: Add to Cart снизился на 2.58%.

В этом и заключается главный парадокс эпохи AI.

Искусственный интеллект может сделать генерацию идей практически бесплатной. Значит, вокруг нас станет еще больше решений, которые выглядят убедительно.

Но единственный способ понять, какие из них действительно улучшают продукт, - показать их реальным пользователям.

AI строит гипотезы. Эксперименты принимают решения.

И именно поэтому ценность A/B-тестирования в ближайшие годы, скорее всего, не уменьшится, а станет только выше.
_______________
CRO & Personalization 😎

⌨️ Представьте, что завтра ваша команда начнет писать кода в восемь раз больше.

Кажется, что это и есть будущее продуковой разработки. Но есть проблема.

Уже сегодня в Anthropic более 80% кода, попадающего в production, написано AI. В Google говорят, что AI участвует примерно в 75% нового кода. Скорость создания продуктов перестала быть главным ограничением.

Ограничение переехало.

Если раньше самым дорогим было написать новую функцию, то теперь самым дорогим становится понять: стало ли пользователю лучше?

Это классический эффект бутылочного горлышка. Ускоряя один этап, мы неизбежно упираемся в следующий.

Именно поэтому AI неожиданно делает A/B-тестирование не менее важным, а гораздо более важным.

Когда гипотез было пять в квартал, многие решения можно было принимать интуитивно. Когда их пятьдесят - интуиция перестает масштабироваться.

Исследование Faros на 22 тысячах разработчиков показывает интересную картину. Команды с высокой долей AI действительно выпускают больше функциональности. Но одновременно растет количество багов, инцидентов и объем кода, который приходится переписывать.

Скорость производства выросла быстрее скорости обучения.

Именно здесь начинается настоящее конкурентное преимущество.

Не тот, кто быстрее пишет код.

А тот, кто быстрее превращает гипотезы в знания.

В Spotify лишь небольшая часть экспериментов заканчивается внедрением изменений. Зато большинство экспериментов отвечают на более важный вопрос: что на самом деле работает для пользователя?

Каждый такой ответ делает следующую гипотезу сильнее.

Через несколько лет AI-код станет таким же стандартом, как Git или CI/CD сегодня. Почти все смогут строить быстро.

Но далеко не все смогут быстро учиться.

И, возможно, главным навыком продуктовых команд станет уже не разработка, а способность отличать хорошие идеи от плохих с помощью экспериментов.

В эпоху AI выигрывает не тот, кто строит быстрее.

Выигрывает тот, кто быстрее понимает, что действительно стоило строить.

_______
Основано на статье от Spotify When AI writes the code, who decides what ships?

CRO & Personalization 🐣

👍 Проголосовать за канал 🫶

🪶 Книг по A/B-тестированию удивительно мало.

Если попросить назвать обязательную литературу, список окажется совсем коротким. Это Trustworthy Online Controlled Experiments Рона Кохави и Дайан Танг - пожалуй, главная книга о культуре экспериментов, и Statistical Methods in Online A/B Testing Георги Георгиева - одна из лучших книг о статистической стороне A/B-тестирования.

В ноябре этот список пополнится (надеюсь хорошей) новой книгой The Scientific Mindset от Стефана Томке. Я очень жду ее выхода. Но пока есть хороший повод обратить внимание на достаточно новую книгу - Next-Level A/B Testing Лимей Нассери 2025 года

Главное отличие этой книги в том, что она почти не учит считать p-value или выбирать статистический тест. Вместо этого она отвечает на вопрос, который становится актуальным в зрелых компаниях:

Как сделать так, чтобы эксперименты не тормозили развитие продукта?

Автор предлагает смотреть на систему экспериментов через три характеристики:

• Rate - сколько экспериментов компания способна запускать одновременно.
• Quality - насколько тесты действительно приводят к надежным выводам.
• Cost - сколько времени и усилий команда тратит на запуск одного эксперимента.

Именно эта мысль показалась мне самой ценной. Во многих компаниях проблема давно не в статистике. Проблема в процессах.

Тесты откладываются из-за долгого QA. Команды ждут свободного места для запуска эксперимента. Эксперименты перезапускаются из-за ошибок в конфигурации. В итоге главным ограничением становится уже не размер выборки, а сама платформа экспериментов.

Особенно понравилась практическая рекомендация из первой главы: прежде чем строить новую инфраструктуру или внедрять сложные методы, проведите воркшоп с командами, которые ежедневно запускают эксперименты. Где они теряют время? Почему тесты переносятся? Какие действия можно автоматизировать? Именно такие вопросы позволяют найти настоящие узкие места.

Если Кохави учит почему нужны эксперименты, а Георгиев - как правильно интерпретировать результаты, то Нассери рассказывает, как построить систему, в которой качественные эксперименты становятся быстрыми, дешевыми и масштабируемыми.

Для тех, кто отвечает не только за анализ результатов, но и за развитие культуры экспериментов в компании, - можно почитать.

Книгу оставил в комментариях, приятного изучения 🤫

CRO & Personalization 🍓

👍 Проголосовать за канал 🫶