Nike и “ревью” спроса: как LLM встроили в цикл маркетинга, чтобы не гадать, а мерить

Nike и “ревью” спроса: как LLM встроили в цикл маркетинга, чтобы не гадать, а мерить

В 2026 в e-commerce и retail внимание окончательно ушло от “поймать первый клик” к управлению спросом и LTV. Одновременно растут AI-overviews в поиске: пользователи получают краткий ответ до перехода на сайт, а значит, ценность контента надо доказывать собственной экспертизой — и делать это быстрее конкурентов. Но скорость без измеримости превращается в поток идей. Поэтому Nike (на уровне подхода, который стал индустриальным стандартом) взял LLM не как “генератор текстов”, а как слой для анализа и подготовки гипотез под performance- и CRM-решения.

Контекст
— Падение эффективности классического SEO “инфо-статей”: часть запросов уходит в нулевой результат (zero-click).
— Снижение среднего чека у части аудиторий на 5–8% (экономят, требуют ценность “здесь и сейчас”).
— Множество каналов: paid, email, app-push, бренд-контент, сезонные кампании.
— Главная боль: команды часто выбирали сегменты и офферы по “логике”, а не по подтверждённой динамике спроса.

Задача
Собрать единый процесс, который отвечает на три вопроса до запуска:
1) какие микро-сегменты реально растут по спросу (а не “кажутся” по прошлому сезону)
2) какие креативные формулировки и продуктовые связки повышают конверсию и удержание
3) как быстро проверить гипотезу на небольшом бюджете и перенести в системные правила (а не держать в заметках)

Решение
LLM внедрили как “интерпретатор” данных и “конструктор” тестов, а не как замену аналитиков.

1) Топик-карта спроса (topical authority)
LLM помогал автоматически:
— кластеризовать поисковые намерения и формулировки пользователей по смыслу (не по ключам)
— сопоставлять кластеры с ассортиментом, категориями и маркерами “перехода намерения” (например, когда человек уже не выбирает “что такое”, а сравнивает “как выбрать”)
— формировать план контента и посадочных сценариев под эти кластеры (какой формат нужен, какую пользу дать, какой запрос закрыть “экспертизой” автора, а не шаблоном)

2) RevOps-склейка: маркетинг ↔ CRM ↔ продажи
На уровне пайплайна LLM использовали для нормализации и связывания событий:
— какие касания до покупки
— какие обращения в поддержку/колл-центры по возвратам и доставке
— как ведёт себя cohort по повторным покупкам и использованию промокодов

Это позволило команде уходить от логики “MQL ради MQL” и переходить к ответственности за выручку: маркетинг вместе с продажами и customer success (сервисом для клиентов) видел, где именно воронка “протекает”.

3) Генерация гипотез с ограничениями и проверками
Чтобы не получить “креативный шум”, LLM работал с матрицами ограничений:
— какие офферы допустимы для сегмента (маржинальность, наличие SKU, правила промо)
— какие продуктовые связки согласованы с остатками
— какие тезисы не противоречат бренду

Дальше система выдавала не “тексты”, а структуру теста:
— формулировки оффера и УТП (2–3 варианта)
— сценарии письма/баннера (что меняем: заголовок, причина купить, социальное доказательство, призыв)
— ожидаемые метрики и критерии остановки (например, если CTR растёт, но возвраты увеличиваются — тест не масштабируется)

Результат
Внутри сезона Nike-образного масштаба (условно “одна сетка кампаний”) подход дал измеримый эффект по двум блокам:

1) Уменьшение времени от гипотезы до запуска
— подготовка теста с днями ручной аналитики сократилась до часов за счёт кластеризации спроса и сборки сегментов через LLM.

2) Повышение эффективности перформанса без роста “стоимости ошибок”
— благодаря ограничительным правилам и привязке к данным, доля провальных гипотез снизилась (команды перестали тестировать то, что конфликтует с маржинальностью/наличием).
— контент и посадочные сценарии лучше соответствовали смысловым кластерам, что повышало вероятность перехода в “следующее намерение” даже в условиях AI-overviews.

Точные проценты зависят от рынков и периода, но ключевой принцип подтверждается практикой: когда LLM отвечает за интерпретацию и сборку тестов, а не за “красивость”, выигрывают и скорость, и качество решений.
…