Jak podłączyć AI do Synerise i Edrone i co potem robi z danymi Twojego sklepu?

Synerise i Edrone przechowują dane, które większość sklepów zbiera od lat, ale rzadko analizuje w całości: historia zakupów każdego klienta, wyniki każdego scenariusza automatyzacji, lista porzuconych koszyków z ostatnich tygodni i segmenty aktualizowane na bieżąco. AI spinamy z tymi systemami przez ich API i od razu zaczyna robić to, na co w sklepie zwykle brakuje czasu: wskazuje, które scenariusze rzeczywiście sprzedają, wykrywa klientów, którzy przestali kupować, i przygotowuje projekty treści wiadomości dopasowane do konkretnego segmentu.

Jakie dane wyciągamy z Synerise i Edrone

W Synerise podpinamy się przez REST API do trzech warstw. Pierwsza to profile klientów z polami lastTransactionDate, lifetimeValue i listą przypisanych segmentów. Druga to strumień zdarzeń: transaction.charge z pozycjami zamówienia, cart.status ze statusem abandoned przy porzuceniu koszyka, product.addToCart i page.visit z identyfikatorem produktu lub kategorii. Trzecia to wyniki automatyzacji z zakładki Performance każdego workflow: liczba wejść do scenariusza, liczba wysłanych wiadomości na każdym kroku, OR, CTR i konwersja przypisana przez wewnętrzną atrybucję Synerise.

W Edrone dane wyglądają nieco inaczej, bo system od początku był projektowany stricte pod sklep. Z API lub eksportu pobieramy listę przepływów automatyzacji (Flows) z ich statystykami: OR%, CTR%, Revenue per email. Pobieramy też segmenty RFM: Champions, Loyal Customers, At Risk, Hibernating i Lost Customers. To gotowy podział bazy, który Edrone przelicza automatycznie na podstawie recency, frequency i monetary value każdego kontaktu. Do tego historia zakupów per klient: pola last_order_date, total_orders, total_spent i historia tagów produktowych przypisanych do kontaktu.

Z obu systemów bierzemy też historyczne treści wiadomości: subject liny, preheadery i body e-maili z kampanii z ostatnich kilku miesięcy. Przydaje się to, kiedy AI ma zaproponować nowy wariant. Wie wtedy, co sklep wysyłał wcześniej, i może nawiązać do sprawdzonych wzorców albo je wyraźnie odróżnić.

Które scenariusze w Synerise naprawdę sprzedają, a które tylko wysyłają maile

Większość sklepów z Synerise ma uruchomionych od kilku do kilkunastu automatyzacji: seria powitalna, porzucony koszyk w kilku krokach, rekomendacje po zakupie, reaktywacja po 60 lub 90 dniach ciszy, wiadomość urodzinowa z kodem. Wszystkie mają status aktywny. Wszystkie wysyłają wiadomości. Ale nie wszystkie przynoszą przychód.

AI dostaje dane z zakładki Performance każdego workflow i robi zestawienie, które rzadko ktoś robi ręcznie: jaki przychód generuje każdy krok scenariusza, gdzie OR spada między krokiem pierwszym a kolejnymi, ile kroków generuje znikomy ruch w stosunku do liczby wysłań. Typowy wynik: pierwsza wiadomość porzuconego koszyka, wysłana z opóźnieniem jednej godziny, odpowiada za zdecydowaną większość konwersji z całego scenariusza. Wiadomość trzecia z delay 72 godziny ma kilkukrotnie niższy CTR i marginalną konwersję.

U jednego klienta, sklep z elektroniką domową działający na integracji Shoper i Synerise, AI zestawiło siedem aktywnych automatyzacji i wskazało, że trzy z nich generują lwią część przychodów z automatyzacji łącznie. Reszta była włączona i działała, ale w przeliczeniu na obsługę kreatywną i licencję wypadała słabo. Właściciel zawiesił dwa scenariusze i skupił czas na poprawie tych trzech, które zarabiały.

Porzucone koszyki i klienci At Risk: jak AI ich różnicuje

Porzucony koszyk trafia do Synerise jako zdarzenie cart.status = abandoned z listą produktów i wartością. W Edrone jest analogiczny trigger w sekcji Automation, który uruchamia przepływ po czasie ustawionym w konfiguracji Flow. Oba systemy traktują każde porzucenie jednakowo, bo nie mają pełnego kontekstu klientowskiego w momencie triggerowania.

AI uzupełnia ten obraz. Bierze wartość koszyka, zestawia ją z lifetimeValue i lastTransactionDate z profilu w Synerise albo z segmentem RFM z Edrone i klasyfikuje porzucenia według priorytetu. Klient z segmentu Champions z koszykiem o wysokiej wartości dostaje inny priorytet niż nowy kontakt bez historii. To nie zmienia triggerów w samym systemie, ale daje managerowi coś konkretnego: cotygodniową listę koszyków z kontekstem klientowskim, na którą warto spojrzeć przed środowym standup.

Segment At Risk i Hibernating w Edrone to gotowe sygnały, że ktoś przestał kupować. AI przegląda te listy, dodaje do każdego kontaktu historię z pól total_spent i last_order_date i przygotowuje marketing brief: ilu takich klientów jest w bazie, co kupowali, jak dawno, który z nich ma największy potencjał do reaktywacji. Taki brief wychodzi jako prosty dokument do przejrzenia raz w tygodniu. Zamiast wykresu w dashboardzie jest lista kontaktów z kontekstem, z którą można coś zrobić.

AI pisze projekty treści maili: jak to wygląda od środka

Sklep ma kampanię do segmentu At Risk i potrzebuje subject line oraz treść. AI dostaje kontekst: kim są klienci w segmencie, co kupowali ostatnio, jakie subject liny i treści działały historycznie w kampaniach tego sklepu w Edrone lub Synerise, i co teraz promujemy. Na tej podstawie przygotowuje dwa lub trzy warianty subject line i draft wiadomości: intro, środek z konkretem produktowym, CTA.

AI nie wysyła tego sam. Draft trafia do osoby odpowiedzialnej za marketing, która weryfikuje, poprawia i wgrywa jako szablon kampanii w Edrone albo jako treść w kroku automatyzacji w Synerise. Rozgraniczenie jest celowe i sklep zachowuje pełną kontrolę nad tym, co wysyłają.

W praktyce wygląda to tak: zamiast siadać nad pustym edytorem kampanii i zastanawiać się od czego zacząć, marketer dostaje gotowy draft do oceny. Przy kilku kampaniach miesięcznie to realnie kilka godzin mniej przy biurku.

Porównanie wyników miesiąc do miesiąca: co zestawiamy i co z tego wynika

Synerise i Edrone mają swoje dashboardy Analytics. Ale żaden z nich nie odpowie wprost na pytanie: dlaczego porzucony koszyk w sierpniu miał niższy OR niż w lipcu, skoro treść wiadomości była ta sama?

AI dostaje z API dane za dwa okresy: liczba wejść do każdego scenariusza, OR, CTR, Revenue per automation, konwersja. Zestawia i szuka odchyleń. Jeśli OR spadł przy niezmienionej treści i subject linie, to sygnał do sprawdzenia dostarczalności lub jakości bazy. Jeśli CTR wzrósł, ale konwersja nie ruszyła, to prawdopodobnie problem po stronie landing page lub oferty, nie samego maila. Jeden raport porównawczy, generowany raz w miesiącu, zastępuje kilka godzin ręcznego zestawiania danych z Synerise Analytics i eksportów CSV z Edrone do arkusza. Menedżer dostaje dokument z wnioskami i listą pytań do sprawdzenia, a nie surowe liczby do interpretacji.

Od czego zaczynamy integrację AI z Synerise lub Edrone

Pierwsze pytanie brzmi zawsze: co mamy dostępne przez API. W Synerise zakres danych zależy od pakietu i uprawnień przyznanych kluczowi integracyjnemu. W Edrone podobnie: token API z dostępem do sekcji Analytics, Contacts i Automation. Sprawdzamy to na starcie, żeby nie projektować czegoś, czego nie da się potem połączyć z dostępnymi danymi.

Potem wybieramy jeden konkretny punkt startowy. Dobre punkty startowe to:

• cotygodniowy raport segmentu At Risk z Edrone: lista klientów do reaktywacji z kontekstem zakupowym
• miesięczne zestawienie wyników automatyzacji z Synerise: które kroki sprzedają, które można skrócić lub zawiesić
• draft treści maila do konkretnego segmentu na żądanie managera
• alert, gdy OR wybranego scenariusza w Synerise spada poniżej progu ustalonego z klientem

Kiedy jeden element działa stabilnie przez kilka tygodni, dokładamy kolejny. Nie spinamy wszystkiego naraz, bo zanim jeden use case zostanie sprawdzony w realnych warunkach, nie wiadomo, gdzie są faktyczne priorytety. Pierwsze działające połączenie testujemy zwykle w ciągu kilku dni roboczych od uzyskania dostępów API i przejrzenia struktury danych w koncie.

Jeśli chcesz sprawdzić, jak to może działać w Twoim sklepie, zacznij od bezpłatnego audytu. Sprawdzamy wtedy, jakie dane masz w Synerise lub Edrone, które scenariusze mają sens do analizy AI i co realnie da się połączyć bez przeprojektowywania całego systemu. Przykłady z podobnych wdrożeń znajdziesz w realnych wdrożeniach.