Как Nike использовал LLM, чтобы сократить цикл анализа отзывов с недель до часов

Как Nike использовал LLM, чтобы сократить цикл анализа отзывов с недель до часов

В 2026 для маркетолога ценность уже не в том, чтобы собрать больше данных, а в том, чтобы быстрее превратить их в решение. У Nike был типичный для крупного бренда зоопарк источников: отзывы из e-com, обращения в поддержку, комментарии в соцсетях, результаты опросов после покупок. Все это лежало в разных системах, а ручная сводка занимала от 3 до 5 дней на одну категорию.

**Задача** была практической: понять, почему падает повторная покупка у части линейки кроссовок, и что именно мешает росту LTV (пожизненной ценности клиента). Не «сделать отчет», а быстро найти повторяющиеся причины: посадка, износ, доставка, ожидания от продукта.

**Решение** построили на LLM-слое поверх уже существующей MarTech-архитектуры. Модель не заменяла аналитику, а ускоряла ее:
— собирала текстовые отзывы в единый массив;
— нормализовала формулировки: «жмут», «маломерят», «узкая колодка» приводились к одной теме;
— группировала обращения по смыслу, а не по ключевым словам;
— выделяла темы с ростом частоты неделя к неделе;
— отдельно помечала сигналы, связанные с возвратами и повторными покупками.

Ключевой момент — команда не пыталась «доверить все нейросети». LLM использовали как слой первичной классификации, а итоговые выводы подтверждали через выборочную ручную проверку и когортный анализ. Это важно в эпоху privacy-first атрибуции: маркетингу нужны не красивые формулировки, а проверяемые связи между сигналом и деньгами.

**Результат** оказался прикладным:
— время на подготовку сводки сократилось примерно с 3–5 дней до 4–6 часов;
— доля повторяющихся тематик в ручной разметке выросла до 90% согласия внутри команды;
— быстрее нашли 2 причины возвратов, которые раньше терялись в «шуме»;
— продуктовая и CRM-команды начали получать не отчет раз в месяц, а живую карту проблем каждую неделю.

**Урок простой:** LLM особенно полезны там, где маркетинг тонет в тексте. В 2026 выигрыш дает не генерация контента ради объема, а умение быстро превратить разрозненные сигналы в действия: что исправить в продукте, где усилить коммуникацию, какую сегментацию обновить.

Если у вас много отзывов, обращений или открытых ответов в опросах — это уже готовый слой для LLM. И чаще всего он дает не «магический» рост, а очень земную экономию времени и более точные решения.

— @AIinMarketingRuPro