Мережа магазинів одягу · 30+ локацій · 2025
AI Cross-sell Stylist — +28% AOV завдяки AI у ролі персонального стиліста
Хороший продавець знає, яку сумку підібрати до сукні. Але хороших продавців мало, і вони не працюють 24/7. AI став таким стилістом — для всіх 30+ магазинів одночасно.
// Контекст бізнесу
Мережа з 30+ магазинів одягу преміум-сегменту. Жіноча колекція + чоловіча + аксесуари. Середній чек — $180-450. Ключовий канал росту — повторні покупки і cross-sell аксесуарів.
Власники бачили чітку кореляцію: магазини, де працювали досвідчені продавці-стилісти, мали AOV у 1.5-2× вищий. Але масштабувати «досвідчених стилістів» неможливо — це професія, на яку йдуть роками.
// Що боліло
- Якість консультації — лотерея. AOV різниці між найкращим і найгіршим магазином — у 2.3 рази (для тих самих марок).
- Онлайн-канал стагнував. Conversion rate на сайті — 1.4%, AOV — на 35% нижче за фізичні магазини. Клієнти не отримували консультації.
- Невикористаний catalog. 12,000+ SKU, з них реально продавалися ~2,000. Клієнти не знали про комплектні аксесуари.
- Cross-sell випадковий. «Recommended for you» у Shopify ставив random products without логіки колекцій.
// Як я думав над задачею
Я почав не з «давайте поставимо рекомендації», а з питання: чому найкращі магазини мають AOV вдвічі вищий? Відповідь — стиліст, який бачить контекст. Отже, задача не «алгоритм рекомендацій», а «відтворити експертну пораду» — і це принципово інший інструмент.
Більшість recommendation engines у retail — колаборативна фільтрація. «Хто купив цей — купив і той». Це працює погано для одягу: «той, хто купив сукню» — це не означає, що йому треба цю сумку. Йому треба сумку, що пасує.
Я взяв інший підхід — побудувати AI-агента, який розуміє стилістичну логіку: сезон, кольорова палітра колекції, drop, пропорції, контекст («на роботу», «на побачення», «на пляж»). LLM з image vision робить категоризацію, а сам стиліст відповідає в чаті.
Кожен клієнт у кожному з 30+ магазинів отримує консультацію рівня найкращого стиліста мережі.
// Solution — що зробили
1. Категоризація каталогу
12,000+ SKU прогнали через Claude 3.5 Sonnet з vision: визначили style (casual/business/evening), season (SS/AW), dominant color, fabric texture. Менеджер колекцій валідував перші 500 — далі fine-tuned і автоматично.
2. AI-стиліст
Claude Sonnet 4.6 з тулами: search_catalog, get_complementary,
check_stock, apply_promo.
Кастомний system prompt описує стилістичні правила — як brand guidelines.
3. Multi-channel chat
Chat-widget на сайті, WhatsApp Business, Viber. Один backend (Cloudflare Workers) обслуговує всі канали. Conversation history збігається — клієнт може почати на сайті, продовжити у WhatsApp.
4. Escalation до живого продавця
Якщо клієнт хоче «приміряти» (специфічні розміри, кастомні замовлення) — AI переводить на чат з продавцем найближчого магазину з повним контекстом діалогу.
5. Аналітика і dashboards
Кастомний Metabase dashboard: AOV з/без AI, repeat-rate, найчастіші питання, success rate рекомендацій. Власники бачать data-driven, які колекції працюють, які — ні.
6. Stack
| Layer | Інструменти |
|---|---|
| AI brain | Claude Sonnet 4.6 з image vision (категоризація + рекомендації) |
| Catalog | Shopify Storefront API + Algolia для пошуку |
| Chat UI | Custom React widget на сайті + WhatsApp Business + Viber |
| Hosting | Cloudflare Workers (low latency edge inference) |
| Storage | Cloudflare KV (session) + R2 (image cache) |
| Analytics | Custom events → GA4 + dashboard на Metabase |
// Timeline
Аудит каталогу 12,000+ SKU, опис стилістичних правил, vision-модель розставляє теги (style, season, color), валідація з менеджером колекцій
Claude API з тулами (search_catalog, get_complementary), prompt engineering, перші A/B тести в одному пілотному магазині
Інтеграція з WhatsApp Business + Viber, fallback логіка, escalation до живого консультанта
Поетапний rollout у 30+ магазинів (5 батчами), кастомний dashboard у Metabase, training продавців на нову роль
// Result — цифри
| Метрика | До | Після (3 міс) |
|---|---|---|
| AOV (онлайн) | $130 | $167 (+28%) |
| Conversion rate | 1.4% | 2.6% (+86%) |
| Repeat purchase rate | 19% | 33% (+14pp) |
| Cross-sell rate (онлайн) | 8% | 31% |
| Розмова → продаж | — | 17% |
| ROI рік 1 | — | ~4× |
// Що пішло не так — lessons learned
Перші версії були занадто пушливі. Стиліст «дотискав» — на кожне питання пропонував 3-4 додаткових товари. Conversion rate знизився, бо клієнти відчували тиск. Скоригували prompt: пропонувати максимум 1-2 додаткові товари і тільки коли є явний контекст.
Помилки категоризації для нових drop-ів. Vision-модель ставила «evening» на casual сукні з шовку. Додали human-in-the-loop checkpoint для нових колекцій — менеджер валідує перші 50 SKU, далі AI переймає.
WhatsApp Business API має rate limits. При piku (sale season) перевищували quota Meta. Перейшли на Tier 2 API + queueing для smooth rollout.
Продавці спочатку сприймали AI як загрозу. Через 2 місяці стало навпаки — AI обробляє «легкі» питання, продавці фокусуються на VIP-клієнтах і високому чеку. Середня комісія продавців виросла на 12%.
// FAQ
Чим AI-стиліст відрізняється від «recommended products» у Shopify? +
Стандартний recommended products у Shopify працює на колаборативній фільтрації — «купили цей товар, купили й ось цей». AI-стиліст розуміє контекст: до сукні підбирає сумку правильного розміру, до пальта — шарф з тієї ж колекції, з урахуванням сезонності і кольору. Це експертна порада, не статистика.
Скільки коштує впровадити AI-стиліста? +
Базовий MVP (один магазин, без CRM-інтеграції) — від $4,500 (3 тижні). Повна імплементація для мережі 30+ магазинів з CRM, аналітикою і WhatsApp/Viber інтеграцією — $18,000-25,000 (6-8 тижнів). Окупність зазвичай 2-3 місяці завдяки росту AOV (average order value).
Як AI знає про колекції, кольори, сезонність? +
Підключаємося до товарного каталогу через Shopify API / WooCommerce REST. Категоризуємо товари автоматично через vision-модель (Claude 3.5 Sonnet з image input). Стилістичні правила пишемо разом з менеджером колекцій — як brand guidelines.
Що робити з товарами, для яких AI ще не «навчений»? +
Налаштовуємо graceful fallback: якщо confidence_score < 0.6 — AI чесно каже «не маю кращої рекомендації для цієї пари». Краще тиша, ніж погана рекомендація, що знижує trust.
А що з даними клієнтів — GDPR-сумісно? +
Так. AI-стиліст не зберігає PII (особисті дані). Працює з анонімізованими session_id. Історія взаємодій — у Cloudflare KV з TTL 90 днів. Жодного transfer до третіх сторін.
Автор кейсу
Андрій Мар'ясов
AI-консультант, засновник Auspex (CRM-автоматизація) та Grow2.ai (AI-агенти + community). Будую AI-стратегію для власників і команд; впровадження веду через власні бренди. Серед напрямків — продуктова автоматизація retail/e-commerce: cross-sell і recommendation-системи.
// Інші кейси
// Висновок
Виграш дала не модель, а переформулювання задачі: не «алгоритм рекомендацій», а «відтворити експертну пораду стиліста». Коли правильно названо те, що насправді треба, вибір інструменту стає очевидним — і метрики йдуть слідом.
Реалізовано через Grow2.ai — AI-агенти й recommendation-системи. Стратегію я будую особисто; саме впровадження веде команда Grow2.
У вас retail / e-commerce — і AOV стагнує?
Почнемо з розмови: де у вашому каталозі захований важіль. Стратегію будуємо разом, впровадження — через Grow2.
Особистий advisory →