Посмотрите, как мы помогаем компаниям превращать ИИ
в измеримые бизнес-результаты: от рекомендательных систем
до инфраструктуры данных

Главная /

Кейсы

Персонализированные рекомендации товаров на сайте и в мобильном приложении на основе ML-моделей, обученных на поведении пользователей

Результаты:

+25% к конверсии

4× вырос CTR

+18% к среднему чеку

Отрасль: Ритейл / E-commerce

Рекомендательная система для крупного продуктового ритейлера

AI-ассистент, который классифицирует обращения, ищет информацию в базе знаний и помогает операторам формировать ответы

Результаты:

на 31% быстрее решение обращений

24/7 поддержка без увеличения штата

100% охват всех источников обращений

на $300 снижение операционных затрат один тикет

Отрасль: Межотраслевая

Автоматизация первой линии технической поддержки на базе ИИ

AI-платформа для коммуникации с клиентами, объединяющая Telegram, Instagram, WhatsApp и веб-чат с автоматизированными ответами 24/7

Результаты:

-70% снижение нагрузки на операторов

≤15s среднее время ответа

+35% лидов из чатов

Отрасль: SaaS / Межотраслевая

Омниканальный AI-чат оператор

Результаты:

90% точности при получении нужных данных

5× быстрее доступ к данным

-70% нагрузки на аналитиков

AI-агент, который позволяет бизнес-пользователям работать с данными компании на обычном языке без необходимости писать SQL-запросы, с проверкой результатов и отслеживанием источников данных

Отрасль: Межотраслевая

TextToSQL — доступ к данным на естественном языке

Диалоговый доступ к корпоративной базе знаний
с подтвержденными источниками ответов
и возможностью локального (on-premise) развертывания

Результаты:

Более быстрый доступ к знаниям

Снижение затрат на поиск информации

Готовность к on-premise внедрению

Отрасль: Межотраслевая

AIDoc — корпоративный интеллект для работы
с документами

Мультиканальный медиапланер, связывающий рекламные расходы с трафиком магазинов и конверсиями: оптимизация бюджета для digital-, печатных и локальных каналов продвижения

Результаты:

+13% влияния на выручку

1500 магазинов

3 горизонта прогнозирования

Отрасль: Ритейл / Цепочки поставок

Прогнозирование спроса для розничной сети


Современная дата-платформа, заменяющая устаревшую инфраструктуру и отделяющая аналитические процессы от production-систем для повышения скорости и надежности

Результаты:

-75% времени на подготовку отчетов

-40% ручных затрат

10× быстрее выполняются запросы

Отрасль: Ритейл

Модернизация корпоративного хранилища данных

Инструмент управления доходностью, заменяющий ручное ценообразование за счет оптимизации тарифов на основе данных для более чем 85 объектов в США

Результаты:

Ценообразование на основе ML-моделей

Мониторинг цен конкурентов

Прогнозирование спроса

Отрасль: Недвижимость / Сервисы хранения вещей

Система динамического ценообразования для сервисов хранения вещей

Результаты:

+227% роста маржинальности

+85% MAU (ежемесячно активных пользователей)

AI-агент, который позволяет бизнес-пользователям работать с данными компании на естественном языке без необходимости писать SQL-запросы,
с проверкой результатов и отслеживанием источников данных

60% удержания пользователей

Отрасль: Ритейл/E-commerce

Перезапуск программы лояльности на базе ML (RecSys)

ML-классификация и обнаружение аномалий
в тикетах службы поддержки игроков, заменяющие ручную разметку структурированной аналитикой

Результаты:

AI-классификация обращений

Выявление аномалий в реальном времени

Отрасль: Онлайн-гейминг

Поиск инсайтов
в поддержке для онлайн-игровой платформы

ML-классификатор коротких аудиозаписей детской речи, автоматически выявляющий случаи, требующие внимания логопеда

Результаты:

>90% точность

↓ Снижение нагрузки на скрининг

12 000+ учеников

Отрасль: EdTech / HealthTech

AI-скрининг
детской речи

рост конверсии покупок

вырос CTR рекомендательных блоков

рост среднего чека

Industry: Ритейл / E-commerce

1500 магазинов

400K ежедневных транзакций

47% онлайн-продаж

Ритейлер столкнулся с классической проблемой масштабирования e-commerce: по мере роста каталога товаров клиентам становилось все сложнее ориентироваться в ассортименте. Несмотря на рост трафика, конверсия оставалась на прежнем уровне, а средний чек перестал расти

Существующая система рекомендаций была основана на простых правилах и показывала одинаковые предложения всем пользователям вне зависимости от их истории покупок и предпочтений

Клиент:

Одна из крупнейших сетей супермаркетов

Проблема

Используемые решения:

Рекомендательные системы, Data Science и ML

Zentavor разработал персонализированную рекомендательную систему для сайта и мобильного приложения клиента. Система анализирует поведение каждого пользователя: покупки, просмотры и добавления товаров в корзину и в реальном времени предлагает релевантные товары

Перед полноценным запуском модели были протестированы через A/B-тестирование

Решение

Результаты

снижение общего времени решения запросов

среднее снижение затрат на один тикет

охват всех источников тикетов

поддержка без увеличения штата

Отрасль: Межотраслевая (ритейл, телеком, банки, страхование)

Команда data engineering буквально тонула во внутренних бизнес-запросах. До 70% времени сотрудников уходило на рутинные повторяющиеся тикеты — вопросы по определениям данных, статусам пайплайнов и исправлению отчетов

Качество ответов зависело от смены сотрудников, а ночью поддержка практически отсутствовала. Нанимать дополнительных инженеров было дорого и долго, поэтому компании требовался системный подход к масштабированию качества сервиса

Клиент:

Крупная команда data engineering, работающая с большим объемом внутренних бизнес-запросов

Проблема

Используемые решения:

AI Agents, LLM, Support Gen AI

Zentavor встроил AI-копилот в существующую систему обработки тикетов технической поддержки

Когда поступает запрос:

1. Тикет автоматически классифицируется по типу и приоритету
2. Система анализирует контекст и ищет информацию в базе знаний и предыдущих тикетах
3. Формируется черновик ответа со ссылками на документацию и runbook’и
4. Инженер проверяет или редактирует ответ, а система обучается на каждой корректировке

Решение

Результаты

нагрузки на операторов


среднее время ответа

лидов из чатов

автоматизированная поддержка

Отрасль: SaaS / Межотраслевая

Бизнес получает сообщения от клиентов через Telegram, Instagram, WhatsApp и веб-чат, но единой системы для обработки всех каналов нет

Компании либо нанимают отдельных операторов под каждый канал (что дорого и неэффективно), либо теряют сообщения и продажи. Ответы приходят медленно, отсутствует единая аналитика, а масштабирование требует постоянного увеличения команды

Клиент:

Проблема

Используемые решения:

AI Agents, LLM

Zentavor разработал омниканальную AI-платформу для общения с клиентами, объединяющую все каналы коммуникации в одном окне. AI-бот отвечает на вопросы клиентов 24/7, используя корпоративную базу знаний: обрабатывает обращения, записывает на встречи, делает upsell и квалифицирует лиды — все внутри единого диалога

Компании могут самостоятельно наполнять базу знаний документами, контентом сайта и FAQ. Сценарии общения настраиваются без программирования

Если запрос слишком сложный, бот передает его живому оператору с сохранением полного контекста общения

Решение

Результаты

Отрасль: Межотраслевая (финансы, страхование, логистика, ритейл, юридическая сфера, государственный сектор)

Компании хранят огромные объемы внутренних документов: регламенты, договоры, политики, базы знаний и техническую документацию, однако сотрудники тратят часы на ручной поиск нужной информации

Юрист читает 200 страниц договора. Аналитик ищет нужную цифру в пяти разных отчетах. Команды постоянно задают одинаковые вопросы, а качество ответов зависит от того, к кому именно обратиться

Клиент:

Продукт Zentavor

Проблема

Используемые решения:

LLM, AI Agents, Smart AI Search

Вместо ручного поиска и чтения документов пользователь задает вопрос обычным языком и получает ответ со ссылками на точные источники информации

AIDoc значительно сокращает время, которое сотрудники тратят на поиск информации: то, что раньше занимало часы чтения документов, теперь занимает секунды

Решение снижает операционные затраты между подразделениями, обеспечивает единообразные и подтвержденные источниками ответы независимо от того, кто задает вопрос, а также позволяет масштабировать работу команд без увеличения штата

Возможность on-premise развертывания сохраняет чувствительные корпоративные данные внутри инфраструктуры компании

Система формирует корпоративную базу знаний на основе RAG и agent-based retrieval, интегрируется с CRM, ERP и архивами документов, а также может быть полностью развернута on-premise, чтобы чувствительные данные не покидали инфраструктуру компании

AIDoc создан для высоконагруженных и критически важных сред, где особенно важна точность: система минимизирует галлюцинации и всегда указывает источники ответов

Решение

Результаты

Отрасль: Недвижимость / Сервисы хранения вещей

Клиент управляет более чем 85 объектами self-storage по всей территории США. По мере роста портфеля компания увидела возможность самостоятельно управлять стратегией доходности

Ранее ценообразование контролировалось сторонним оператором, однако клиенту требовалась полная прозрачность в формировании тарифов, возможность в реальном времени реагировать на локальную конкурентную ситуацию и data-driven подход к оптимизации дохода с каждого квадратного фута на всех объектах

Клиент:

Крупный американский оператор и девелопер self-storage объектов

Проблема

Используемые решения:

AI-прогнозирование, Data Science и ML, BI-системы

Платформа автоматически отслеживает цены конкурентов, рассчитывает оптимальные тарифы для разных типов помещений и локаций, а также прогнозирует спрос на уровне каждого объекта для максимизации выручки

Проект находится в активной стадии разработки. Платформа создается для увеличения дохода с каждого квадратного фута за счет предоставления клиенту прямого data-driven контроля над стратегией ценообразования

Решение

Результаты

рост маржинальности

ежемесячно активных пользователей (MAU)

частоты покупок

среднего чека

общего числа подписчиков

удержания пользователей в программе лояльности

Soha: Retail/E-commerce

1 500 магазнов

Программа лояльности ритейлера по подписке («Абонемент») была приостановлена из-за низкой эффективности

Изначальная механика основывалась на статичных правилах: заранее заданных списках товаров и массовых скидках, которые не обеспечивали достаточной вовлеченности пользователей

Бизнесу требовалось полностью перезапустить программу на новой технологической основе, чтобы оправдать дальнейшие инвестиции

Клиент:

Крупная продуктовая розничная сеть

Проблема

Используемые решения:

Рекомендательные системы, клиентская аналитика, AI-прогнозирование

Вместо одинаковых предложений для всех система ежедневно формирует индивидуальные подборки товаров для каждого подписчика, используя три специализированные модели:

Версия 1

Мы заменили алгоритмические правила ML-рекомендациями, что принесло +2% выручки на группу пользователей (подтверждено в рамках 6-недельного A/B-теста)

Версия 2

Мы внедрили архитектуру из трех моделей, добавив еще +1% — суммарное влияние на выручку составило +3%

Розничная сеть:

Решение

Результаты

Кейс: ML-программа лояльности

Кейс: Эволюция ML в программе лояльности

Общее число подписчиков

MAU

Частота покупок

Средний чек

60%

Маржинальность

ЗАПУСК RECSYS

Версия 1

47% онлайн-продаж (400K онлайн-транзакций ежедневно)

1,500 магазинов

удержание пользователей в программе лояльности

-3%

совокупного влияния на выручку

Влияние на бизнес-показатели

Персонализированные рекомендации: +2% выручки
на группу пользователей

Выручка на группу пользователей

Длительность теста после запуска рекомендаций — 6 недель

Подход: рекомендации на основе алгоритмических правил

YoY, %

Рекомендации на основе алгоритмов

Рекомендации на базе ML

Версия 2

3 специализированные модели для персонализированных рекомендаций:

Выручка на группу пользователей

Длительность теста после запуска рекомендаций — 6 недель

ML-рекомендации

ЗАПУСК RECSYS

Улучшенные ML-рекомендации

совокупного влияния на выручку (тестовая группа против контрольной)

дефицита товаров и избыточных запасов

в существующие процессы цепочки поставок и пополнения запасов

Розничная сеть, 1500 магазинов, 47% онлайн-продаж (400K транзакций ежедневно)

Повысить точность прогнозирования спроса для оптимизации запасов и сокращения потерь

Совокупное влияние на выручку

Отрасль: Ритейл / Цепочки поставок

1 500 магазинов

400K ежедневных онлайн-транзакций

Планирование спроса у ритейлера строилось на сочетании таблиц и базовых статистических моделей

Точности прогнозов было недостаточно, чтобы предотвращать дефицит товаров в периоды высокого спроса и избыточные запасы в низкий сезон

Команда планирования не могла в масштабах сети учитывать сложную сезонность, влияние промоакций и особенности спроса в отдельных локациях

Клиент:

Розничная сеть

Проблема

Используемые решения:

AI-прогнозирование, Data Science и ML

Система формирует иерархические прогнозы по SKU, товарным категориям и отдельным магазинам, учитывая внешние факторы: погоду, локальные события и промо-календари

Модели прогнозирования были внедрены параллельно с существующим процессом планирования в формате A/B-теста: часть магазинов использовала прогнозы Zentavor, а контрольная группа продолжала работать по старой модели клиента. Результаты по выручке отслеживались в течение нескольких месяцев

Решение

Результаты

Кейс: Прогнозирование спроса для розничной сети

Наш прогноз

Выручка

Выручка (скользящее среднее)

Прогноз клиента

Валовая маржа

Прибыль

Прибыль (скользящее среднее)

времени на подготовку отчетности

выполняются аналитические запросы

затрат на ручную обработку данных

полностью изолированы от аналитических нагрузок

достоверных данных для всей компании

Отрасль: Ритейл

Все данные компании хранились в многочисленных инстансах Microsoft SQL Server без единой структуры данных

Это создавало четыре критические проблемы:

• архитектура не масштабировалась при росте объемов данных
• production-системы находились под риском, так как аналитики напрямую обращались к рабочим базам данных
• крупные аналитические запросы выполнялись слишком медленно или завершались по таймауту
• ошибки в расчетах возникали из-за отсутствия стандартизированной модели данных

Клиент:

Крупная розничная сеть

Проблема

Используемые решения:

Корпоративные хранилища данных, BI-системы

Новая архитектура отделяет аналитические нагрузки от production-систем, благодаря чему аналитики больше не работают напрямую с live-базами данных

Все данные из CRM, ERP, POS и других систем поступают в централизованное хранилище с единой моделью данных и автоматическими проверками качества

Платформа объединяет несколько специализированных движков:

• Greenplum — для тяжелой аналитики
• ClickHouse — для быстрых дашбордов и BI
• S3 + Trino — для архивных данных

Это позволяет каждой команде использовать оптимальный инструмент без дублирования данных

Решение

Результаты

точности при поиске нужных данных


стал доступ к данным для бизнес-пользователе

нагрузки на аналитиков по рутинным запросам

Отрасль: Межотраслевая

Бизнес-пользователи по всей компании зависели от команды аналитиков при любом запросе к данным — от простого поиска метрик до сложных кросс-табличных отчетов

Это создавало узкое место: аналитики тратили большую часть времени на обработку ad-hoc запросов вместо глубокой аналитики, а бизнес-команды ждали ответы днями, хотя на самом деле это должно было занимать минуты

Клиент:

Enterprise-компания со сложным data-ландшафтом

Проблема

Используемые решения:

LLM, AI Agents, BI-системы

Пользователь может написать запрос вроде: «Какая была выручка по регионам в прошлом квартале?», а система сама определяет источник данных, извлекает информацию и показывает результат вместе с визуализацией

Система понимает бизнес-терминологию, проверяет корректность результатов перед отображением и объясняет происхождение цифр

Решение

Результаты

Отрасль: Онлайн-гейминг

Команда поддержки клиента ежедневно обрабатывала тысячи чатов и нуждалась в более глубокой прозрачности происходящего во всех коммуникациях

Существующая система тегирования покрывала только базовые задачи, но не обеспечивала необходимую детализацию и стабильность для анализа трендов

Менеджерам было важно понимать:

• какие темы стали самыми популярными на этой неделе
• как различаются проблемы между сегментами пользователей
• появляются ли новые проблемы, требующие ранней эскалации

Клиент:

Международная онлайн gaming-платформа

Проблема

Используемые решения:

AI Agents, LLM, клиентская аналитика

Каждый входящий чат автоматически классифицируется по теме, дополняется пользовательским контекстом (сегмент, ценность пользователя, статус активности) и поступает в структурированный аналитический pipeline

Система также отслеживает объем тикетов и выявляет аномалии — например, резкий рост определенной темы

Все данные автоматически подготавливаются в формате, готовом для Tableau, с преднастроенными представлениями по темам, пользовательским сегментам и временным периодам

Проект находится в активной стадии разработки. Платформа создается для более глубокого анализа пользовательских обращений, выявления скрытых трендов и повышения качества клиентской поддержки

Решение

Результаты

точность выявления речевых нарушений

нагрузки на ручной скрининг

учеников на платформе

12K+ учеников

B2C логопедическая терапия

Отрасль: EdTech / HealthTech

Логопеды платформы вручную прослушивали и оценивали тысячи детских аудиозаписей, чтобы выявить случаи, требующие профессионального вмешательства

Процесс был медленным и стал узким местом: вместо работы с детьми специалисты тратили часы на первичный скрининг записей

Клиент:

Logopotam — онлайн-платформа для занятий с логопедом

Проблема

Используемые решения:

ML, аудиоклассификация, Data Science и ML

Система выполняет первичную оценку, отфильтровывает корректные записи и выделяет те, которым требуется профессиональная проверка

Решение

Результаты

Расскажите о вашей задаче — мы предложим архитектуру, сроки и модель внедрения

Zentavor — технологическая компания, специализирующаяся на AI‑агентах, машинном обучении и data‑платформах для enterprise‑клиентов в банках, ритейле, логистике, страховании и финтехе

© Zentavor. Все права защищены

AI-агенты, ML-решения и data-платформы для бизнеса

Навигация

Контакты

Правовая информация