მარკეტინგი, 7 ოქტომბერი 2026
Triple Whale: AI აგენტების გუნდი, რომელმაც ანგარიშების მომზადების დრო 70%-ით შეამცირა
Triple Whale — Shopify-ზე ორიენტირებული ანალიტიკისა და მარკეტინგული ინტელექტის პლატფორმა. მას იყენებენ D2C ბრენდები (ანუ ისეთი ბრენდები, რომლებიც პროდუქტს მომხმარებელს პირდაპირ, შუამავლების გარეშე ყიდიან) და მათი რეკლამის მართვაზე პასუხისმგებელი სააგენტოები.
პრობლემა
მზარდი ონლაინ ბრენდის მონაცემები დანაწევრებულია სხვადასხვა რეკლამის პლატფორმაზე, Shopify-ზე, ელ. ფოსტის სერვისებზე და ცხრილებზე. ამ მონაცემების ერთ სურათად შეკვრას საათობით ხელით მუშაობა სჭირდებოდა — მონაცემების გამოთხოვა, შედარება და გრაფიკების აწყობა. მხოლოდ ამის მერე შეიძლებოდა გადაწყვეტილების მიღება, თუ სად დახარჯო შემდეგი მარკეტინგული დოლარი. ამ დრომდე კი ხშირად მოქმედების მომენტი უკვე გასული იყო.
შედეგი
70%
- ანგარიშების მომზადებაზე დახარჯული დრო 70%-ზე მეტით შემცირდა. ადრეულ მომხმარებლებში ბიზნესისთვის ყველაზე მნიშვნელოვანი მაჩვენებლებიც 50%-ზე მეტით გაიზარდა.
- ერთ მომხმარებელმა ვიზუალური ანალიზის აგენტით 600 კრეატიული მასალა გადახედა — ხუთსაათიანი პროცესი ათ წუთში ჩაეტია.
- სხვა მომხმარებელმა აგენტის რჩევით რეკლამის ბიუჯეტი გადაანაწილა და ისტორიაში ყველაზე მაღალი შემოსავლის დღე დააფიქსირა — წინა რეკორდზე 200 000 დოლარით მეტი.
გადაწყვეტა
Triple Whale-მ თავისი ანალიტიკური სისტემა ხელახლა ააწყო Claude 3.7 Sonnet-ზე — ეს გახდა მათი ძირეული აგენტური მოდელი. არჩევანი შემთხვევითი არ იყო. კომპანიის AI ინჟინერი მაქსიმ გორევი განმარტავს: „დიდი მოცულობის რიცხვითი მონაცემის დამუშავებისას სხვა მოდელების დიდ ნაწილს კონტექსტი ეკარგება. Claude კი თანმიმდევრულად ინარჩუნებს სიზუსტეს“.
ამ მოდელზე დაშენებულია ფენოვანი აგენტური სისტემა, რომელსაც სამი ნაწილი აქვს. პირველი — აგენტების ბიბლიოთეკა: მზა, მორგებადი აგენტების ნაკრები, რომლებიც კომპანიებს მომხმარებლების მოზიდვაში, შენარჩუნებაში, საიტზე კონვერტაციასა და ოპერაციებში ეხმარება. მეორე — „Deep Dive Agent Swarm“. ის ერთ რთულ ანალიტიკურ კითხვას რამდენიმე პარალელურ ქვე-აგენტად ყოფს. თითოეულ ქვე-აგენტს თავისი ხელსაწყო აქვს: ერთი ტექსტს SQL-ში გადაყავს, მეორე კოდით ითვლის, მესამე კრეატიულ მასალას ვიზუალურად აანალიზებს, მეოთხე ინტერნეტში ეძებს, მეხუთე მარკეტინგის ნარევსა (MMM) და პროგნოზს ითვლის. მესამე — „Step Planner“. ის წინასწარ ირჩევს ანალიტიკურ სტრატეგიას და, საჭიროებისას, გზაშივე ცვლის მას.
ერთი აგენტური გაშვება დიდი მოცულობის ფინანსურ და მარკეტინგულ მონაცემს ამუშავებს — 150 000 ტოკენამდე (ტექსტის იმ ერთეულებს, რომლებითაც Claude მონაცემს „კითხავს“). ამას ის ადამიანის ჩარევის გარეშე, თავადვე აკეთებს და ერთ გაშვებაში 1000-მდე ანალიტიკურ ნაბიჯს ასრულებს. ბუნებრივ ენაზე მომუშავე ჩატის ფუნქცია, MOI Chat, დღეში დაახლოებით 3000-მდე ასეთ ანალიტიკურ მოთხოვნას პასუხობს.
შეძლებს ამას პატარა გუნდი?
დიდწილად, დიახ — უბრალოდ, მცირე მასშტაბით. ამის ძირში ერთი მექანიზმი დგას — დამგეგმავი აგენტი. ის ანალიტიკურ კითხვას რამდენიმე ქვე-დავალებად ყოფს. თითოეულ ქვე-დავალებას კონკრეტულ ხელსაწყოზე დაფუძნებული ქვე-აგენტი ასრულებს — ერთი SQL-მოთხოვნას წერს, მეორე კოდით ითვლის, მესამე სარეკლამო მასალას ვიზუალურად ამოწმებს. ბოლოს ყველა შედეგი ერთიანი, გასაგები ანგარიშის სახით იკრიბება. ეს ზუსტად ის ამოცანაა, რომლისთვისაც შექმნილია Claude-ის ხელსაწყოების გამოყენებისა და აგენტების API-ები. ამის დასაწყებად Triple Whale-ის წლების განმავლობაში დაგროვილი ატრიბუციის მოდელი საჭირო არც არის.
სოლო ოპერატორს შეეძლო ამის ბევრად მოკრძალებული ვერსია რამდენიმე კვირაში აეწყო. მაგალითად: ერთი ბრენდისთვის ყოველკვირეული ანალიტიკური აგენტი, მიბმული Shopify-ის API-ზე და ერთი-ორი სარეკლამო პლატფორმის API-ზე. ის დაითვლიდა რეკლამის ეფექტურობის მაჩვენებლებს და დაწერდა იმ შეჯამებას, რასაც ფუძემდებელი ადრე ხელით ამზადებდა.
მასშტაბის გამეორება სოლო ოპერატორს ნამდვილად გაუჭირდება. ეს მოიცავს ათობით მონაცემის წყაროსთან ინტეგრაციას, დღეში ათასობით მოთხოვნის სტაბილურად დამუშავებას და წლების განმავლობაში დახვეწილ, საავტორო ატრიბუციის მექანიზმს. რეალისტური გზა ასეთია: აირჩიო ერთი დარგი და ერთი-ორი სარეკლამო პლატფორმა. ააწყო მხოლოდ ანგარიშგების ის ნაწილი, რომელიც ხუთსაათიან პროცესს ათ წუთად აქცევს. ეს დაამტკიცო რამდენიმე რეალურ კლიენტზე და მხოლოდ მერე სცადო გაფართოება.