Проблема почти всегда в качестве данных это, это же фундамент. Поэтому сначала нужно убедиться, что они собраны корректно, иначе смысла дальше что-то делать нет.

Касаемо вопроса: за Uniphore сказать не могу, могу лишь предположить, что это просто не их тип клиента. В энтерпрайз такое (отсутствие накопленной статы) представить сложно.

Или вместе начинать копить историю и параллельно решать общие вопросы по интеграции, это все равно занимает много времени.

По опыту нашей собственной платформы могу сказать, что мы:

1. Не целимся в клиентов без адекватной ретроспективы

2. Собираем дополнительный контекст: конкуренты, креативы, лендинги, инфополе, внутренние регламенты, формат медиапланов.

Потому что если просто закинуть в клод/чатжпт аккаунт директа и метрики (даже с накопленными данными), их рекомендации будут, как Вы писали выше, весьма усреднённые, без понимания специфики бизнеса и внутренних настроек/правил и влияния внешней среды.

Без обогащения данных внешним и внутренним контекстом рекомендации будут на уровне: здесь CTR высокий, а тут низкий - отключаем. А кампания с низким CTR работала на бренд эвернесс. Или без понимания среднего чека отключит РК с низким CTR и CR.

+ если не парсить инфополе, система сделает ложные выводы и даст кривые рекомендации. Условно - она видит, что просели за вчерашний день продажи в вашей сети доставки, но не знает, что это из-за негатива в соцсетях, связанного с каким-то конфликтом/происшествием в одном из заведений, освещение которого вышло в публичные СМИ. Как пример.

Тут на самом деле очень много можно чего обсудить, тема острая,спасибо за вопрос.

Перечитал и понял, что не на тот вопрос ответил. Вы имели в виду клиента как покупателя, а не собственно компанию-клиента Uniphore.

Новые клиенты, очевидно, должны будут отправиться набивать эту историю, в условную песочницу на время, достаточное для определения стат значимости.

Ну и look-alike никто не отменял.

Да, проблему среднего портрета это не решит.

Согласен с Максимом, что данные — фундамент, но я бы добавил: проблема не только в их наличии, а в разрозненности систем. У меня был кейс в финтехе, когда качество данных в CRM было отличным, но они не были связаны с поведением в поддержке, и модель давала сбои на «теплых» лидах, которые писали в чат. Пока не склеили историю обращений с транзакциями, прогноз был бесполезен. А вот идея симуляции кампаний до запуска — сильная, особенно если использовать её не вместо, а до сплит-тестов, чтобы отсекать заведомо провальные гипотезы.

Вопрос: как они решают проблему холодного старта для новых продуктов, где по определению нет истории поведения у целевой аудитории?

Согласен с Максимом: качество данных — это фундамент, но в enterprise меня чаще убивает не отсутствие истории, а разрозненность систем. Когда данные по клиенту размазаны по CRM, биллингу и логам поддержки, цифровой двойник строит модель на полупустых профилях. В наших интеграционных проектах мы тратим 60% времени не на алгоритмы, а на склейку этих источников.

Как вы решаете вопрос нормализации данных перед тем, как отдать их в такую модель?

Согласен с коллегой: «средняя температура по больнице» — главный риск при фрагментарных данных. У нас в финтехе похожая проблема всплывала при скоринге: модель строила отличный прогноз на сегменте, но на реальном клиенте с тонкой историей сделок — промахивалась. Поэтому и кажется, что ключевая развилка здесь — не «симулировать или нет», а как отсекать ситуации, где данных для персонального двойника объективно не хватает. Иначе получается красивый load-testing на синтетике, которая к реальности имеет слабое отношение.

Вы для себя уже решили, где проходит граница применимости таких симуляций?

Интересный кейс, но «цифровой двойник» — это красивая метафора для того, что мы в интеграциях называем сегментной моделью с обратной связью. Я бы на месте Uniphore сначала жестко проверил, насколько их симуляция не переобучается на исторических данных — в финтехе и CRM мы часто ловим момент, когда модель идеально предсказывает прошлое, но «плывет» на новых сценариях кампании. Главный риск тут даже не качество данных, а галлюцинации модели на редких событиях, где статистики не хватает. Как вы считаете, они готовы публично раскрыть метрики точности прогноза по сравнению с классическим A/B тестом?

Интересный ход — по сути, переносим концепцию digital twin из инженерии в маркетинг. Работает это ровно до тех пор, пока модель честно признает свои «слепые зоны», а не выдает уверенный прогноз там, где данных мало. В моей практике с CRM и финтехом похожие симуляции часто спотыкались о нерепрезентативную выборку для нишевых сегментов — тут как раз и пригодятся песочницы и look-alike. А вы видите практическую ценность в таком «маховике» для среднего бизнеса или это пока история только для энтерпрайза?

У нас нет задачи строить цифровых двойников. Мы забираем данные из рекламных кабинетов, CRM, DWH, проверяем дедупликацию, id клиента, делаем регулярную валидацию. Это стандартный набор действий перед тем, как система начнёт принимать решения. Ну и окно атрибуции нужно учитывать.

Не думаю, что полностью, как минимум. Это часть интеллектуальной собственности.

Условный яндекс же не раскрывает все детали работы автостратегий в директе, например. Точнее, раскрывает в той степени, в которой считает нужным.

Для больших вижу, у мсб пока нет