Revenue & Margin
Recovery.

Платформенные и коробочные чат-виджеты не видят каталог, заказы и policy-страницы магазина — и уверенно выдумывают ответы. Канал сайта остаётся без ассистента, данные — без владельца.

Self-hosted PrestaShop-модуль с function calling: живой поиск по каталогу, ответы только из CMS/policy-страниц, privacy-gated order lookup (reference + email, без перебора заказов). Мультиязычный. Совместимость PS 1.6 / 1.7 / 8.x.

Работает в продакшене на публичной витрине. Ассистент отвечает только из живых данных магазина — каталог, политики, заказы — и не может выдумать ответ. То, чего не даёт ни один платформенный бот: канал сайта, данные заказов, ownership данных.

11 173 уникальных лида, только 2 627 стали покупателями. 76 % дропаут. Не было видно, на каком шаге воронки теряются лиды. Не было сегментации, не было повторного контакта.

AI-реконструкция воронки: парсинг полной email-истории по каждому лиду, идентификация точного шага дропа (платёжный handoff), сегментация dormant high-value клиентов, построение re-engagement последовательностей с safe-сообщениями.

Платёжный handoff идентифицирован как primary friction point. 67 dormant high-value клиентов сегментированы; 4 реактивированы с возвратом $21k LTV. Пайплайн индустриализирован, переиспользуем и повторён на второй витрине.

44 632 письма по 10 доменам за 7 лет. Был виден объём входящих, но не операционный сигнал. Не было способа вовремя обнаружить рост компенсаций, проблемы платежей или деградацию доставки.

AI-классификация полного архива: коммерческие / payment_failure / delivery_delay / compensation / inquiry. Построен per-domain operational health dashboard с leading indicators и алертами на отклонения.

Тренд доли компенсаций (3 % → 19 % за 4 года) стал видимым как leading indicator деградации коридоров. 8 546 неконвертированных лидов выявлены в архиве. Операционное здоровье каждого домена — на одной панели.

Маржа сжалась с 55 % до 38 % за 4 года. Не было видно, какие страны, коридоры и SKU разрушают экономику. Компенсационные отгрузки смешивались с коммерческими в базовой отчётности.

AI Margin Control Loop: очистка shipment-уровневых данных, разделение коммерческой и компенсационной маржи, построение таблиц по странам / origin / месяцам, ввод Margin Stability Index (MSI = avg margin − volatility), rule-based рекомендации по странам и ценам.

7 активных доменов отранжированы по MSI. Компенсационный шум (19 % отгрузок) отделён от коммерческой базы. Идентифицирован recovery-потенциал $27–36k за счёт оптимизации коридоров. Маржинальный профиль стал управляемым.

LLM-аналитика на реальном датасете дважды выдала правдоподобные, но неверные цифры. Метрика, которую нельзя проверить, опаснее отсутствия метрики: владелец принимает решения на её основе.

Reconciliation harness: контрольные суммы, hierarchy-of-truth проверки против первичных данных, гейты, снимающие непроверяемые метрики до того, как они попадут в отчёт владельцу.

Обе ошибки пойманы до отчёта, не после. Все цифры кейсов на этой странице проходят через harness. Подход — стандартный guardrail во всех моих аналитических контурах.