Мережа магазинів одягу · 30+ локацій · 2026
AI Cross-sell Stylist — стиліст, який працює на всю мережу 24/7
Хороший продавець ніколи не скаже «ось ваша сукня, до побачення». Він скаже: «а ви бачили цей ремінь? Він з тієї ж колекції». Хороших продавців мало, і вони не працюють 24/7. AI став таким стилістом — для всіх магазинів одночасно.
// Контекст бізнесу
Мережа з 30+ магазинів одягу. Жіноча колекція + чоловіча + аксесуари. Ключовий канал росту — повторні покупки і cross-sell аксесуарів.
У фізичному магазині досвідчений продавець бачить, що ти обираєш, і пропонує доповнити образ — аксесуари, речі з тієї ж колекції. Він знає, що з чим поєднується. В онлайні цього немає: є тільки блок «схожі товари», який зазвичай показує ще десять таких самих суконь.
// Що боліло
- Якість консультації — лотерея. Магазини з найкращими продавцями-стилістами помітно випереджали решту за середнім чеком — але «масштабувати стиліста» наймом неможливо.
- Онлайн-канал без консультації. Покупець наодинці з каталогом — і допродажі майже не відбуваються.
- Каталог недовикористаний. Продається ядро асортименту, а доречні аксесуари клієнти просто не бачать.
- Cross-sell випадковий. Стандартний «recommended for you» показує товари без логіки колекцій.
// Як я думав над задачею
Я почав не з «давайте поставимо рекомендації», а з питання: чому магазини з найкращими продавцями продають більше? 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». Для одягу це працює погано: тому, хто купив сукню, не потрібна будь-яка сумка. Йому потрібна сумка, що пасує.
Тому рішення — AI-агент, який розуміє стилістичну логіку: сезон, кольорова палітра колекції, drop, контекст. Vision-модель категоризує каталог, а стиліст відповідає в чаті.
Різниця між «схожі товари» і «до цієї сукні підійде цей ремінь з нової колекції» — це різниця між алгоритмом і стилістом.
// Що вміє стиліст — чотири принципи
Аксесуари до конкретної речі: сумки, ремені, прикраси, шарфи — за стилістичною логікою, не статистикою.
Речі з однієї колекції поєднуються найкраще — стиліст це знає і пропонує в межах drop-у.
Знає, коли запропонувати, а коли промовчати. Якщо йде розпродаж — згадає про знижки на доречні позиції.
Специфічні розміри чи кастомні запити — ескалація на продавця найближчого магазину з контекстом діалогу.
// Stack
| Layer | Інструменти |
|---|---|
| AI brain | Claude з image vision (категоризація + рекомендації) |
| Catalog | API товарного каталогу мережі |
| Chat UI | Чат на сайті + месенджери мережі |
| Hosting | Cloudflare Workers (edge, низька затримка) |
| Storage | Сесії з обмеженим TTL, без PII |
| Analytics | Дашборд для власників: рекомендації, конверсія діалогів |
// Результат
- Допродажі відчуваються як порада стиліста, а не «купи ще» — рекомендації в межах колекції, з урахуванням сезону й моменту.
- Експертиза найкращого продавця масштабована на всю мережу — 24/7, без вихідних і змін.
- Складні запити не губляться: ескалація на живого продавця з повним контекстом діалогу.
- Власники бачать у дашборді, які колекції та зв'язки реально працюють.
Конкретні комерційні метрики мережі — внутрішні дані клієнта, і я їх не публікую. Тут публікується лише те, що можна підтвердити. Як це виглядає для вашого каталогу — можна порахувати на discovery.
// Що пішло не так — lessons learned
Перші версії були занадто пушливі. Стиліст «дотискав» — на кожне питання пропонував кілька додаткових товарів, і клієнти відчували тиск. Скоригували промпт: максимум 1-2 доречні пропозиції, і тільки коли є явний контекст.
Помилки категоризації на нових drop-ах. Vision-модель плутала evening і casual на окремих тканинах. Додали human-in-the-loop: менеджер колекцій валідує перші SKU нового drop-у, далі AI переймає.
Продавці спочатку сприймали AI як загрозу. Згодом стало навпаки: стиліст забирає «легкі» питання, продавці фокусуються на складних клієнтах, куди AI сам і ескалює.
// FAQ
Чим AI-стиліст відрізняється від «recommended products» у Shopify? +
Стандартний recommended products 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? +
Залежить від розміру каталогу, каналів і глибини інтеграції — оцінку дає команда Grow2.ai після discovery. Стратегічну частину — чи дасть стиліст важіль саме вашому асортименту і де — розбираємо зі мною на advisory-сесії.
Як AI знає про колекції, кольори, сезонність? +
Підключаємося до товарного каталогу через API магазину. Категоризуємо товари через vision-модель (Claude 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 впевненість низька — AI чесно каже «не маю кращої рекомендації для цієї пари». Краще тиша, ніж погана рекомендація, що знижує довіру.
А що з даними клієнтів — GDPR-сумісно? +
Так. AI-стиліст не зберігає PII (особисті дані). Працює з анонімізованими session_id, історія взаємодій — з обмеженим терміном зберігання. Жодної передачі третім сторонам.
Автор кейсу
Андрій Мар'ясов
AI-консультант, засновник Auspex (CRM-автоматизація) та Grow2.ai (AI-агенти + community). 25+ років в автоматизації бізнесу: облік → CRM → AI. Будую AI-стратегію для власників і команд; впровадження веду через власні бренди.
// 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.
Реалізовано через Grow2.ai — AI-агенти й recommendation-системи. Стратегію я будую особисто; саме впровадження веде команда Grow2 за моєї активної участі.
У вас retail / e-commerce — і допродажі «як піде»?
Почнемо з розмови: де у вашому каталозі захований важіль. Стратегію будуємо разом, впровадження — через Grow2.
Особистий advisory →