Зачем бренду одежды понадобилась автоматическая сегментация
GATE31 - петербургский бренд одежды с собственным производством и 16 розничными магазинами в Москве, Петербурге и Екатеринбурге. Компания активно развивает прямые продажи через email и искала способ увеличить отдачу от рассылок. Классический подход - маркетолог вручную собирает подборки товаров и отправляет их всей базе подписчиков. Это работает, но не учитывает, что разные клиенты интересуются разными категориями товаров.
Летом 2025 года команда GATE31 решила проверить альтернативу: вместо ручных подборок использовать автосегментацию по предпочтениям. Суть метода проста. Алгоритм анализирует, какие товары клиент просматривал и покупал за последние три года, выявляет его любимые категории и автоматически формирует индивидуальные рекомендации в письмах.
Чтобы не действовать наугад, GATE31 запустили полноценный AB-тест, который длился два месяца. Одна группа клиентов получала письма с персональными подборками, вторая - стандартные рассылки с общими рекомендациями.
Как работает автоматическая сегментация по предпочтениям
Алгоритм берет эти о поведении клиента на сайте: просмотры товаров, заказы, возвраты. На основе этих этих он определяет, к каким категориям клиент проявляет наибольший интерес. Допустим, человек за последний год семь раз просматривал платья, четыре раза заходил в раздел юбок и пять раз смотрел свитеры. Система делает вывод: этому клиенту интереснее всего платья.
Эта информация записывается в профиль клиента в виде вычисляемого поля. Маркетолог один раз настраивает шаблон письма с параметрами поля, а дальше рекомендации подбираются автоматически для каждого получателя.
Разница между ручными фильтрами и автосегментами принципиальная. Ручной фильтр фиксирует факт: «клиент просматривал раздел распродажи». Вычисляемое поле показывает предпочтение: «клиент больше всего интересуется верхней одеждой». не просто отправить человеку письмо, а отправить ему именно то, что он с большей вероятностью купит.
Для корректного теста обязательно нужны эти о просмотрах и заказах. Если они не передаются в CRM-платформу, поля предпочтений останутся пустыми, и автосегментация не сработает.
Дизайн AB-теста: кого включили и что измеряли
В тестовый сегмент попали активные клиенты, у которых в профиле было заполнено вычисляемое поле предпочтений. Дополнительное условие - в течение года они открывали письма и совершали заказы. Это позволило исключить «мертвые» адреса и сравнивать действия реально вовлеченных людей.
Метрики, по которым оценивали результат:
- Средняя выручка на клиента (ARPU)
- Конверсия в заказ
- Средний чек
Гипотеза была прямолинейной: персональные подборки товаров стимулируют покупки лучше, чем массовые рекомендации, собранные вручную.
Тест продолжался два месяца. За это время команда протестировала три отдельные кампании, каждая из которых решала свою задачу.
Кампания первая: «Брошенный просмотр» во время распродажи
Во время летней распродажи GATE31 отслеживали клиентов, которые заходили в раздел Sale и уходили без покупки. Через три часа таким клиентам отправлялось письмо с подборкой товаров.
Тестовая группа получала автоматическую подборку из любимой категории. Тем, кто чаще смотрел платья, приходили платья со скидкой. Тем, кто интересовался верхней одеждой, - куртки из распродажи. Контрольная группа получала общую подборку случайных товаров из Sale.
Результаты персональной подборки оказались выше по всем показателям:
- Open rate - 39,6% против 37,9%
- Click rate - 8,6% против 8,4%
- Конверсия в заказ - 0,5% против 0,4%
Разница в конверсии составила +0,1 процентного пункта. Цифра на первый взгляд скромная, но при масштабной базе подписчиков каждая десятая доля процента приносит ощутимую прибавку к выручке.
Кампания вторая: подборка новинок по интересам
После завершения распродажи команда решила проверить, сохраняет ли автосегментация эффективность в период затишья. Покупательская активность ожидаемо снижалась, и это делало тест еще более показательным.
Механика работала по тому же принципу, что и «брошенный просмотр», но вместо распродажных товаров использовали раздел «новинки». В выборку попали клиенты, которые смотрели новинки и ушли с сайта без покупки. Тестовая группа получала письма с новинками из любимой категории, контрольная - общую подборку новых поступлений.
Показатели персонализированных писем:
- Open rate - 42,7%
- Click rate - 6,3%
Персонализированные подборки снова показали преимущество перед общими, даже при сниженной покупательской активности. Это подтвердило, что автосегментация работает не только в горячий сезон скидок, но и в спокойные периоды.
Кампания третья: реактивация по прогнозу даты покупки
Самый нестандартный сценарий из трех. Вместо реакции на действия клиента на сайте, алгоритм предсказывал, когда клиент вероятнее всего совершит следующую покупку.
Как это работало: для клиентов, которые за три года не менее трех раз оформляли и выкупали заказы, система рассчитывала медианный интервал между покупками. На основе этой формулы определялась предполагаемая дата следующего заказа - с учетом и онлайн-, и офлайн-покупок.
Если клиент из тестовой группы не покупал в течение недели после прогнозируемой даты, ему автоматически уходило письмо с подборкой новинок коллекции. Контрольная группа получала стандартную реактивацию - письмо спустя 60 дней от последней покупки.
Разница в показателях оказалась впечатляющей:
- Open rate: 29% у прогнозной рассылки против 22,5% у стандартной
- Click rate: 4,5% против 1,3%
- Конверсия в заказ: 0,3% против 0,1%
Прогнозная реактивация обошла стандартную более чем в три раза по кликам и по конверсии. CRM-менеджер GATE31 отметила эту механику как одну из самых перспективных: она позволяет обращаться к клиенту в подходящий момент, а не просто ждать 60 дней и надеяться на лучшее.
Общие результаты двухмесячного теста
Итоги AB-теста подтвердили гипотезу. Персонализированные механики дали прирост по всем метрикам:
- +5,6% к выручке email-канала от персонализированных механик
- +4% к средней выручке на клиента (ARPU)
- +0,37 п. п. к конверсии в заказ
Статистическая значимость по ARPU составила 95%, по конверсии в заказ - 94,9%. Это достаточный уровень уверенности для принятия решений.
Сводные показатели тестовой и контрольной групп:
- ARPU тестовой группы - на 4% выше контрольной
- Конверсия в заказ: 5,31% у тестовой против 4,94% у контрольной
- Средний чек тестовой группы - на 132,45 рублей выше
Почему это работает и что из этого можно взять
Результат GATE31 наглядно показывает: даже небольшое улучшение релевантности email-рассылки приводит к измеримому росту выручки. При этом автосегментация не требует от маркетолога ежедневной ручной работы. один раз настроить шаблоны и правила, а дальше алгоритм подбирает подходящие товары для каждого получателя самостоятельно.
Три урока из этого кейса:
- Персонализация работает даже в несезон. Подборки новинок по интересам показали преимущество перед массовыми рассылками не только во время распродаж, но и в период низкой активности.
- Прогнозная реактивация эффективнее стандартной. Обращение к клиенту по расчетному графику его покупок дало в три раза больше кликов и конверсий, чем письмо «на 60-й день молчания».
- AB-тест обязателен. Без теста невозможно отделить реальный эффект от случайности. Статистическая значимость на уровне 95% подтверждает, что результат не случаен.
Что дальше
После успешного теста GATE31 планируют масштабировать автосегментацию по предпочтениям на весь email-канал, чтобы увеличивать конверсию и выручку. Также команда собирается усовершенствовать механику реактивации, добавив к ней бонусные баллы. Например, если клиент пропустил предполагаемую дату покупки, ему начисляются баллы как дополнительный стимул вернуться.
Опыт GATE31 подтверждает простую мысль: чем точнее вы подбираете содержание письма под интересы получателя, тем больше заказов из рассылки вы получаете. Автоматическая сегментация по предпочтениям - инструмент, который позволяет добиться этого без увеличения нагрузки на команду маркетинга.
