AI v marketingu a prodeji: personalizace, doporučování, lead scoring, automatizace a A/B testování

Proč je správný čas na AI v marketingu a prodeji

AI přináší současně výnos (konverze, retence, vyšší CLV) i úspory (nižší CAC, méně manuální práce, automatizované procesy). Rozdíl oproti klasickým IT projektům je v tom, že kvalita roste iteracemi – modely se učí, pravidla se zpřesňují a orchestrace se opírá o reálné výsledky. Úspěch nestojí na jednorázovém nasazení, ale na rytmu experimentů a integraci do CRM, CDP a kanálů.

• Rychlý čas do hodnoty: první měřitelný lift obvykle v týdnech (např. doporučovač na PDP, personalizace e-mailů).
• Škálovatelná přesnost: každá nová interakce zlepšuje odhad záměru a volbu akce.
• Napojení na akci: AI má smysl, když umí provést změnu – odeslat sdělení, upravit web, vytvořit úkol v CRM, spustit nabídku v appce.

Personalizace v reálném čase: data, modely, taktiky

Personalizace znamená odhadnout, co komu nabídnout, kdy a kde. V praxi jde o dynamickou úpravu bannerů, pořadí položek, CTA, cenových pobídek i následné akce v CRM.

Co potřebujete připravit

• CDP a sjednocený profil: spojení identity (cookie/device ID, e-mail, CRM ID) a chování napříč kanály.
• Event tracking: page_view, add_to_cart, checkout, open/click, demo requested, pricing_view, meeting_booked.
• Feature store: RFM, „probability to buy“, price sensitivity, sklon k odchodu, preferované kategorie, pro B2B zájem o produktové moduly.
• Decisioning: real-time engine, který kombinuje pravidla a modelová skóre, a šablony obsahu pro snadné A/B.

Modelové přístupy

• Next Best Action (NBA): klasifikátor vyhodnotí, která akce má nejvyšší očekávaný zisk (sleva, demo, přidat do košíku, vzdělávací obsah).
• Send-time a channel optimization: predikce času/kanálu s nejvyšší reakcí.
• Generativní personalizace: LLM přizpůsobí text, tón a argumentaci segmentu a fázi funnelu.
• Elasticita ceny/promo: regrese odhadne citlivost na slevy; pro některé segmenty nabídněte value-add místo slevy.

Kde začít na webu a v e-mailu

• Homepage hero a personalizované řazení kategorií (PLP).
• PDP doporučení: „často kupováno společně“, „alternativy“.
• Uvítací série e-mailů rozvětvená podle prvních akcí.

Metriky úspěchu

• CTR/CVR na personalizovaných prvcích vs. kontrola.
• AOV, Revenue per session, doba do první konverze, retence/re-purchase.
• Lift = (výsledek s AI − kontrola) / kontrola.

Tip do praxe: Personalizaci spojte s jednoduchými pravidly merchandisera (sklad, marže, compliance). Model sám o sobě neumí znát vaše obchodní priority.

Doporučovací systémy: od collaborative filtering po bandity

Doporučovače generují seznamy nabídek či produktů s nejvyšší pravděpodobností zájmu. V e-commerce zvedají konverze i AOV, v médiích engagement a retenci.

Modely a kdy je nasadit

• Collaborative filtering: funguje tam, kde je dost interakcí; „uživatelé jako vy zvolili…“
• Content-based: když je historie chování slabá; využívá atributy položek a embeddingy textu/obrázků.
• Hybrid: kombinuje oboje a respektuje business pravidla (marže, sklad, sezónnost).
• Session-based: krátkodobý kontext anonymní návštěvy; vhodné pro první kontakt.
• Contextual bandit: průběžně přesouvá provoz na výkonnější widgety/varianty, minimalizuje „cenu učení“.

Umístění a pravidla

• Homepage, PLP (personalizované řazení), PDP (alternativy/bundly), košík (upsell), post-purchase (retence).
• Omezení: vyprodané položky, legislativní omezení, minimální marže, ochrana brandu.

Metriky

• CTR, CVR, AOV, RPMI (revenue per mille impressions).
• Precision@k/Recall@k, coverage (kolik katalogu se reálně doporučuje).
• Vedlejší efekty: vrácenost zboží, zátěž podpory.

Prediktivní lead scoring: jak zrychlit pipeline

Lead scoring určuje, které příležitosti mají nejvyšší šanci uzavření a jakou akci provést. Cíl: zvýšit win rate a zkrátit cyklus, ne jen „barvit“ leady.

Data a featury

• Firmografika: velikost firmy, obor, region, tech-stack, financování.
• Behaviorální signály: pricing_view, trial, obsahové interakce, stránky s vysokým záměrem.
• Sales interakce: meeting notes, kvalita hovorů, reakční časy, počet dotazů.
• Historie dealů: fáze pipeline, důvody ztrát, konkurence.

Modely a rozhodování

• Logistická regrese / XGBoost: výkonné a interpretovatelné; snadná kalibrace na pravděpodobnost.
• Prahy podle nákladů: penalizujte false negative (ztracený obchod) vyšší vahou než false positive (zbytečný čas AE).
• Routing: vysoké skóre → Sales s SLA; střední → nurture; nízké → remarketing/obsah.

Metriky

• Win rate podle decilů skóre, pipeline velocity, meeting rate, time-to-first-touch.
• Finanční dopad: ARR/GMV navíc z prioritizovaných leadů.

Tip: Zveřejněte „proč“ – SHAP/feature importance. Důvěra Sales prudce roste, když rozumí, co skóre ovlivňuje.

Automatizace kampaní a cest zákazníka

Marketing automation orchestruje vícekanálové cesty (e-mail, SMS, push, chat, reklamy) podle chování a predikovaných šancí. AI přidává rozhodování o dalším kroku a generuje obsahové varianty.

Typické scénáře

• Welcome/Onboarding: větvení podle zdroje a prvních akcí.
• Opuštěné prohlížení/košík: 1–3 kontakty s alternativami, recenzemi, případně pobídkou.
• Churn prevention: predikce odchodu, nabídka s hodnotou (ne vždy sleva).
• Post-purchase: péče o produkt, doplňky, NPS, referral.
• B2B nurture: obsah TOFU/MOFU/BOFU, auto-handoff do Sales po dosažení skóre.

AI funkce a governance

• Send-time/Channel optimization, journey bandit (prioritizace větví s vyšším výnosem).
• Generativní copy/kreativa s lidským schvalováním a verzováním.
• Frequency cap, priority (transakční > promo), preference kanálů, jednoduchý opt-out.

A/B testování s AI: Bayes, banditi a uplift modeling

Bez experimentů nelze AI bezpečně škálovat. AI pomáhá testy zrychlit a snižovat „náklady učení“.

Metody a kdy je použít

• Klasické A/B: jednoduché, pevná velikost vzorku.
• Bayesovské testy: průběžná posterior pravděpodobnost, bezpečný „peek“.
• Multi-armed bandit: adaptivní alokace provozu; vhodné pro předměty e-mailů, bannery, doporučovače.
• Uplift modeling: cílí na „přesvědčitelné“ (persuadables), šetří rozpočet u těch, kteří by konvertovali tak jako tak.

Guardrails

• Primární cíl (např. revenue per user) doplňte o ochranné metriky: unsubscribe, stížnosti, bounce, latence webu.
• Sledujte heterogenitu efektu napříč segmenty (noví vs. vracející se, kanály, regiony).

Data a architektura: CDP, DWH, integrace a governance

Dlouhodobou výkonnost AI drží datová páteř a governance. Doporučená skladba:

Stavebnice

• CDP: sjednocená identita, real-time segmentace, export do kanálů.
• DWH/Lakehouse: analytika, reporting, tréninky modelů; historické datové sety.
• Reverse ETL: návrat skóre do CRM, e-mailu, ads a webu.
• Feature store: konzistence featur v online/offline režimu.
• Attribution: MTA pro taktiku a MMM pro rozpočty.
• Consent & privacy: souhlasy, minimizace dat, retenční doby, audit, DPIA.

MLOps pro marketing

• Verzování dat a modelů, monitoring driftu, nákladové guardrails (cena/1000 dotazů).
• Bezpečný rollback, canary release, shadow režim.
• „Zlaté metriky“ (konverze, revenue, CLV) definované a konzistentní napříč týmy.

KPI a ROI: jak měřit přínosy a náklady

Vyhodnocujte každý use-case jako mini P&L. Základní vzorce:

• ROI = (Přínosy − Náklady) / Náklady
• Payback = Počáteční investice / Čistý měsíční přínos
• CLV ≈ ARPU × hrubá marže × průměrná délka vztahu
• CAC = akviziční náklady / počet nových zákazníků
• ROAS = tržby připsané kampani / náklady kampaně

Mini výpočty (orientační rámce)

• E-mail personalizace: 1,2M rozesílek × +12 % revenue/e-mail → +547k Kč/měs.; náklad 160k → čistý přínos ~387k; implementace 300k → payback < 1 měsíc.
• PDP doporučovač: +9 % relativní CVR, AOV 3 900 Kč → maržový přínos ~986k/měs.; náklad 250k → čistý ~736k; implementace 600k → payback ~0,8 měsíce.
• Lead scoring: 2 000 MQL/měs., top 30 % → win rate 3,1 % (vs. 1,8 %) → +8 obchodů × 120k ARR = 960k/měs.; náklad 220k → čistý ~740k; implementace 800k → payback ~1,1 měsíce.

Roadmapa 0–90 dní: z POC do produkce

Začátek (dny 0–15)

• Vyberte 2–3 rychlé use-cas y s vysokým provozem (PDP doporučovač, opuštěný košík, lead scoring u MQL).
• Definujte KPI, guardrails a experimentální design. Připravte eventový slovník.

Nastavení (dny 16–45)

• Propojte CDP ↔ CRM/ESP/Ads, zaveďte reverse ETL pro skóre.
• Spusťte POC na 20–30 % provozu, zajistěte dashboardy a alerty.

Ladění (dny 46–75)

• Kalibrujte prahy, přidejte bandit řízení, validujte heterogenitu efektu.
• Vyhodnoťte lift a finanční dopad v týdenním rytmu.

Škálování (dny 76–90)

• Rozhodněte o roll-outu, nastavte MLOps (monitoring driftu, rollback), governance a playbooky týmu.

Mini case-studie: e-commerce a B2B SaaS

E-commerce (móda)

Výzva: vysoká vrácenost, nízký AOV, slabá reakce na e-maily. Řešení: session-based doporučovač na PDP + personalizované řazení PLP; e-mail bandit pro předměty; send-time; win-back cesta s doporučením velikosti/stylu.

• CVR na PDP ↑ 11 %, AOV ↑ 7 %, RPMI ↑ 14 %.
• E-mail open ↑ 18 %, click ↑ 22 %; unsub beze změny.
• Payback 5 měsíců, roční přínos ~8,3 mil. Kč.

B2B SaaS

Výzva: málo kvalifikovaných meetingů, přetížený Sales. Řešení: lead scoring (XGBoost), nurture s LLM personalizací, routing na Sales > 0,7 skóre, Bayes testy CTA na demo.

• Meeting rate ↑ 12 → 21 % u top 30 % leadů, win rate ↑ o 4,2 p. b.
• Time-to-first-touch ↓ 18 h → 3 h (SLA + alerty).
• ARR uplift +15 %, payback 6 měsíců.

Šablony, checklisty a anti-patterny

Checklist pro start

• Jednotná identita v CDP a klíčové eventy nasbírané.
• KPI + guardrails definované pro každý use-case.
• Experimentální rámec (A/B, bandit, uplift) a reporting týdně.
• Reverse ETL: skóre z modelů proudí do CRM, e-mailu, Ads, webu.
• MLOps: monitoring výkonu i nákladů, drift alerty, rollback.
• Governance: souhlasy, retenční doby, práva, audit, schvalování obsahu.
• Propojení se Sales: routing, SLA, zpětná vazba na scoring.

Šablona „Next Best Action“ (zjednodušená)

Uplift segmentace (interpretace)

• Persuadables: zásah má pozitivní vliv → cílit.
• Sure things: konvertují tak jako tak → neplýtvat rozpočtem.
• Lost causes: neodpoví → omezit frekvenci.
• Do-not-disturb: zásah škodí (unsub, stížnosti) → vynechat.

Anti-patterny, kterým se vyhnout

• Personalizace bez guardrails (přetěžování uživatelů, nekonzistentní ceny).
• Modely bez napojení na akci (skóre leží v DWH, ale nic nespouští).
• Vyhodnocení bez kontrolní skupiny (přisuzování „přirozeného“ růstu kampani).
• „Big bang“ platforma bez iterací (rok implementace, minimum hodnoty).

FAQ: časté otázky vedení a týmů

Jak rychle se AI v marketingu vrátí?

U „rychlých“ use-casů (PDP doporučovač, e-mail personalizace) často v řádu měsíců. Klíčové je měřit reálný lift a počítat čistý přínos po nákladech.

Jak řešit soukromí a GDPR?

Minimalizujte data, pracujte s consentem a retention politikou, pseudonymizujte identifikátory, logujte rozhodnutí modelů a umožněte snadný opt-out.

Kolik lidí to vyžaduje?

Malý pod: data/analytics, marketing technik, obsah/creative a vlastník byznys KPI. Často 3–5 lidí na první vlnu stačí.

Jak předejít „AI únavě“ uživatelů?

Frequency cap, relevance > frekvence, jasná preference kanálů, důsledná kontrola guardrails (unsub, stížnosti, bounce).

Závěr a doporučení pro praxi

AI v marketingu a prodeji se nejlépe osvědčuje tam, kde je vysoký provoz a jasná byznys metrika. Začněte personalizací a doporučováním v místech s největším dopadem, přidejte lead scoring pro Sales a propleťte vše automatizovanými cestami. Testujte, měřte, škálujte. Co nefunguje, rychle vypněte. Co funguje, rozšiřte na další segmenty a kanály. S tímto přístupem se návratnost obvykle dostaví v měsících, ne v letech.

Chcete ověřit dopad u vás? Připravíme krátký assessment, navrhneme POC (např. doporučovač + lead scoring) a do 90 dní ukážeme měřitelný lift v konverzích a tržbách.