В марте 2025 года Braze объявила о покупке OfferFit за $325 млн с учётом предусмотренных корректировок. Стартап, основанный в 2020 году, за несколько лет превратил довольно узкую задачу — выбор маркетингового предложения для конкретного клиента — в технологию, которую захотела встроить в себя большая платформа. Источник: объявление Braze о сделке.
OfferFit появилась ещё до массового увлечения генеративным AI. Её идея заключалась в том, чтобы учиться на реакции клиентов: пробовать разные действия, видеть результат и постепенно улучшать выбор. За этим обещанием стояла проблема, знакомая любому маркетологу: данных много, вариантов ещё больше, а времени проверить их почти нет.
#Почему прошлые рассылки не давали ответа
Один из основателей OfferFit, Виктор Костюк (Victor Kostyuk), до запуска компании работал с задачами data science в Boston Consulting Group. В интервью 2021 года он описывал повторяющийся запрос клиентов: персонализировать коммуникации и стимулы. Для этого обычно строили модель на исторических данных. Но история содержала слишком мало разнообразия: компания уже выбрала, кому и что отправлять, и наблюдала результаты именно этих решений. Источник: интервью основателей Forbes.
Допустим, оператор связи много лет предлагал уходящим абонентам скидку. Он накопил отличные данные о том, кто принимает скидку. Однако из них трудно понять, кому больше подошёл бы другой тариф, дополнительные услуги или гарантия неизменной цены. Эти предложения просто не участвовали в прошлых кампаниях.
Модель может хорошо предсказывать реакцию внутри прежней практики. Чтобы проверить другую практику, нужны новые наблюдения. А значит, система должна уметь не только читать историю, но и организовывать эксперименты.
У ручных A/B-тестов здесь возникало организационное ограничение. После каждого сравнения нужно было придумать следующий тест, настроить запуск, дождаться результата и перенести удачный вариант в рабочую кампанию. Когда одновременно меняются предложение, сообщение, канал и время отправки, эта очередь быстро становится длиннее возможностей команды.
#Два математика и первые клиенты
OfferFit основали Джордж Хачатрян (George Khachatryan) и Виктор Костюк в конце 2020 года. Оба получили PhD по математике в Cornell. Хачатрян стал CEO, Костюк — CTO. У первого был опыт развития образовательной организации Reasoning Mind; у второго — построения маркетинговых ML-решений для крупных компаний. Эти биографии важны для понимания продукта: научный метод нужно было превратить в инструмент, который компания согласится внедрить и оплачивать. Источники: заметки инвестора AfterWork, рассказ Menlo Ventures об основателях. По рассказу основателей, ранними пилотными клиентами стали Brinks Home и Engie. Особенно сильный интерес проявляли сотрудники, которые сами проводили ручные A/B-тесты: им была понятна ежедневная работа, которую обещал сократить продукт. В ноябре 2021 года OfferFit привлекла $14 млн в раунде Series A во главе с Canvas Ventures. Источник: интервью Forbes.
Выбор первых задач был практичным. Продление договора, удержание клиента и повторная покупка дают понятный результат, который можно связать с предложением. Компания уже знает клиента, располагает историей взаимодействий и может отправить ему сообщение. Для эксперимента есть и действие, и обратная связь.
Это объясняет первоначальный фокус OfferFit на маркетинге существующих клиентов. Продукт заходил туда, где бизнес уже умел общаться с аудиторией, но хотел лучше решать, что именно ей предложить.
#Как OfferFit превращала кампанию в обучение
В основе OfferFit было обучение с подкреплением — reinforcement learning. В публичном описании нынешнего Decisioning Studio Braze отдельно указывает использование контекстных бандитов: алгоритмов, которые выбирают вариант с учётом информации о клиенте и обновляют выбор по результатам. Источник: техническое объяснение Braze.
Упрощённо процесс выглядит так. Маркетолог задаёт цель и допустимые действия: какие предложения можно показывать, через какие каналы, в какое время и с какой частотой. Система выбирает действие для клиента, получает результат и использует его для следующих решений. Часть возможностей проверяется ради новых знаний; уже удачные решения продолжают приносить результат.
Авторская схема общего механизма. Она объясняет принцип и не воспроизводит внутреннюю архитектуру OfferFit. Контрольная группа нужна для отдельной оценки эффекта.
Контекст здесь меняет саму постановку задачи. Нужно найти удачное действие для определённого клиента, а не выбрать одно письмо для всей базы. Один вариант может лучше работать для недавно зарегистрировавшихся пользователей, другой — для клиентов с долгой историей отношений.
Индивидуальный выбор при этом не означает, что для каждого человека необходимо провести отдельный большой эксперимент. Модель использует закономерности в данных многих клиентов и применяет их к конкретной ситуации. Иначе персонализация просто не набрала бы достаточно наблюдений.
Но цель обучения остаётся решением бизнеса. Если награждать алгоритм за клики, он будет искать кликабельные сообщения. Если нужно увеличить прибыль, придётся передавать экономический результат и учитывать цену стимулов. Даже безупречное исполнение первой задачи не гарантирует решения второй.
Реальный скриншот публичной страницы Braze, 5 октября 2026 года: данные клиента, выбор действия, целевая метрика и объяснение решений. Страница-источник.
#Почему хорошей модели оказалось недостаточно
В инвестиционных заметках AfterWork 2021 года есть любопытная деталь: инвесторы обсуждали с командой соотношение кода для общего продукта и кода под конкретного клиента. Они видели риск, что компания останется поставщиком сложных проектов с большим объёмом индивидуальной работы. Источник: AfterWork Ventures.
Это естественная трудность такого продукта. До запуска обучения нужно согласовать данные, результат, набор действий и способ исполнения. У разных заказчиков эти вещи устроены по-разному. Продление договора энергоснабжения и возвращение зрителя в стриминг могут использовать похожую логику обучения, но интеграция и экономика у них различаются.
В ноябре 2023 года OfferFit объявила Series B на $25 млн во главе с Menlo Ventures. В раунде участвовала Capital One Ventures; среди пользователей технологии компания называла MetLife, Foxtel Group и Brinks Home. В заявленных планах было не только расширение бизнеса, но и упрощение внедрения. Источник: официальный релиз OfferFit на PRWeb.
Получается, главным препятствием росту была не только точность выбора. Нужно было сделать так, чтобы одна и та же технология надёжно работала в разных компаниях и не требовала каждый раз строить всё заново.
#Что в этой конструкции давала Braze
На кейсе Kayo Sports хорошо видна роль платформы коммуникаций. По описанию Braze, система Customer Cortex использует Decisioning Studio для выбора сообщений, предложений, каналов и времени, а Braze Canvas исполняет эти решения. Рекомендации передаются через API в подготовленные сценарии для email, SMS, push и сообщений внутри приложения. Источник: кейс Kayo Sports.
Разделение полезно: алгоритм выбирает действие, платформа доставляет его клиенту. Подготовленный вариант письма всё равно должен попасть в нужный канал, корректно подставить данные и пройти через рабочую инфраструктуру отправки. Без этого хороший выбор остаётся строкой в ответе API.
В том же кейсе Braze сообщает о росте перекрёстных продаж на 105%. Это опубликованный результат заказчика в материале поставщика. Страница не раскрывает достаточно деталей рандомизации, контрольной группы и статистической неопределённости, чтобы считать число универсальной оценкой эффекта OfferFit.
Здесь важна разница между двумя проверками. Сравнение алгоритма со случайным выбором из тех же предложений показывает ценность выбора. Сравнение с прежним процессом показывает улучшение относительно того, как работала команда. А чтобы оценить дополнительный эффект самих коммуникаций, нужен подходящий контроль без этих коммуникаций. Ответы на эти вопросы могут различаться.
#Покупка за $325 млн: выбор и исполнение в одной платформе
27 марта 2025 года Braze объявила соглашение о покупке OfferFit за $325 млн, с оплатой деньгами и акциями и предусмотренными корректировками. 2 июня 2025 года компания сообщила о завершении приобретения. До покупки компании уже несколько лет работали как партнёры. Источники: объявление сделки, сообщение о завершении.
Реальный скриншот объявления о сделке. Дата публикации — 27 марта 2025 года; скриншот снят 5 октября 2026 года. Страница-источник.
У Braze к тому моменту была и собственная разработка AI-агента Project Catalyst. В объявлении компания описывала намерение глубже интегрировать движок OfferFit и объединить экспертизу команд. Это была покупка уже работающей технологии в дополнение к внутренней разработке. Источник: релиз Braze.
Стратегическую логику сделки можно прочитать так: OfferFit получала более прямой доступ к исполнению решений и клиентам большой платформы; Braze — технологию, которая могла выбирать действия внутри уже существующих коммуникаций. Это наша интерпретация сочетания продуктов, описанного в релизах. Объявленная сумма сделки показывает масштаб ставки Braze, но сама по себе не измеряет качество алгоритма.
#Что стало с OfferFit после покупки
К октябрю 2026 года сайт OfferFit перенаправляет на BrazeAI Decisioning Studio. В актуальных материалах Braze продукт Decisioning Studio Pro назван продолжением OfferFit. Источники: текущая продуктовая страница, описание линейки Braze.
Реальная страница BrazeAI Decisioning Studio на 5 октября 2026 года. Это текущий сайт продукта, а не исторический интерфейс OfferFit и не скриншот клиентского кабинета. Страница-источник.
28 сентября 2026 года Braze анонсировала Decisioning Studio Go в бете. Более простая версия позволяет настроить агентов без участия data science и инженерной команды. На старте её агенты оптимизируют клики по CTA в email; расширение каналов заявлено как дальнейший план. Pro сохраняет более гибкую настройку под собственные финансовые KPI и работу со специалистами. Источник: анонс Go.
Это продолжение той же продуктовой трудности, которую инвесторы заметили в 2021 году. Гибкий движок помогает решать сложные задачи, но требует подготовки. Более стандартный сценарий легче запустить, зато его первоначальная цель уже. Упрощение внедрения не отменяет различия между вовлечённостью и финансовым результатом.
#Где эта история пересекается с Sales Ninja
Для Sales Ninja близка сама задача: связать варианты воздействия, данные о пользователе и результат в работающий процесс. У нас этот подход применяется, в частности, в AI-персонализации сайта: модель выбирает из подготовленных вариантов, а постоянная контрольная группа получает случайный вариант из того же набора. Такое сравнение помогает отдельно оценить эффект выбора модели.
Важна и цель обучения. Персонализация Sales Ninja может ориентироваться на конверсии, выручку, прибыль или моделируемую конверсию, если сделка происходит поздно. Предиктивный сигнал позволяет раньше получать обратную связь; его качество и итоговый эффект всё равно нужно проверять по наблюдаемым бизнес-результатам. Подробнее о персонализации.
Для отдельных гипотез есть A/B-тестирование, а для передачи бизнес-событий — стриминг данных. Область применения отличается от исходного фокуса OfferFit на коммуникациях с известными клиентами, но проблема общая: обучение приносит пользу, когда получает результат нужного действия, а не только удобную для сбора промежуточную метрику.
OfferFit начиналась с идеи снять с маркетолога бесконечную очередь ручных экспериментов. Её дальнейшая история показала, сколько работы скрывается между удачным алгоритмом и обычным рабочим инструментом: подготовить данные, ограничить действия, исполнить решение и проверить эффект. Покупка Braze соединила важные части этой конструкции. Появление Go показывает следующий этап — попытку сделать её доступной для повседневной работы, сохранив Pro для задач, где нужна более глубокая настройка.
