Проблема: 90% базы ни разу не покупали
У крупных образовательных сервисов типичная ситуация: база контактов растет за счет бесплатных мероприятий (вебинары, профориентация, выставки), но подавляющее большинство подписчиков так и не доходят до покупки. В MAXIMUM Education - российской EdTech-компании и резиденте «Сколково» - примерно 90% базы не совершали ни одной покупки.
Из оставшихся 10% лишь 30% неактивных клиентов хоть как-то читали рассылки. Остальные просто молчали. Платные каналы привлечения дорожали, и перед CRM-отделом встал вопрос: можно ли вытащить продажи из этой «спящей» аудитории?
Задача была ясной: научиться вычислять пользователей, которые с высокой вероятностью совершат первую покупку, и связываться с ними по оптимальному каналу с подходящим предложением.
Почему RFM-анализ не работает для новых клиентов
Стандартный RFM-анализ (Recency, Frequency, Monetary) здесь бесполезен. Он классифицирует клиентов по частоте и размеру покупок, а у целевой аудитории покупок просто не было. Нельзя оценить человека по истории заказов, если он ничего не заказывал.
Вместо этого команда обратилась к RFQ-подходу, где Q означает качество поведения пользователя. RFQ учитывает не транзакции, а любые взаимодействия с брендом: визиты на сайт, скачивание лид-магнитов, общение в боте, переходы по рекламе. Идея простая: если человек активно интересуется продуктом, пусть и не оставляет заявку, у него выше шансы на покупку.
Шаг первый: поиск факторов, влияющих на конверсию
Команда собрала порядка 30 гипотез о том, что может указывать на готовность к покупке:
- Регистрация на несколько «мягких» воронок - вебинары, профориентационные консультации, пробные уроки
- Определенная последовательность действий: профориентация, потом вебинар, потом вопрос в Telegram-боте
- Определенное количество касаний с брендом за последние 30, 60 или 180 дней - визиты на сайт, открытие email, переходы по ссылкам из SMS
Все гипотезы проверяли на исторических данных. В датасет объединили информацию из CRM-системы и платформы автоматизации маркетинга: каждое действие клиента - от открытия письма до общения с менеджером. Поскольку курсы подготовки к ОГЭ и ЕГЭ покупают вплоть до мая, брали данные за целый учебный год.
Результаты удивили:
- Количество регистраций в маркетинговых воронках не влияет на вероятность покупки
- Строгой последовательности действий, ведущей к покупке, не существует
- Частота касаний с брендом действительно влияет на конверсию, но только если пользователь сам совершал действия. Факт отправки ему письма или SMS не считается касанием. А вот переход по ссылке внутри письма - уже да
Самый сильный фактор оказался на удивление простым: посещение сайта. Неважно, как человек туда попал - из поисковика, рекламы или email. Сам факт визита говорил о повышенном интересе к продукту.
Шаг второй: A/B-тесты подтверждают гипотезу
Одно дело увидеть корреляцию в данных, другое - проверить на практике. Провели серию A/B-тестов.
Тест 1: рассылка в WhatsApp
Сравнивали два сегмента неактивных клиентов:
- Первый сегмент: пользователи, которые недавно переходили по ссылке из email, но не оставили заявку (раньше именно их считали «горячими»)
- Второй сегмент: пользователи с определенным количеством визитов на сайт за 30 дней
Обеим группам отправили одинаковое сообщение в WhatsApp. Окно атрибуции: 45 дней.
Результат: сегмент по визитам на сайт показал конверсию в заявку в 2,2 раза выше, а конверсию в покупку в 4 раза выше (доверительная вероятность 85%).
Тест 2: email-рассылка для «спящих»
Еще более контринтуитивная проверка. Сравнили:
- Первый сегмент: клиенты, которые открывают рассылки, но не заходят на сайт
- Второй сегмент: клиенты, которые не открывают рассылки, но регулярно посещают сайт
Оба сегмента получили одинаковое письмо об акции. Окно атрибуции: 30 дней.
Результат: у «молчунов», которые не читают письма, но заходят на сайт, конверсия в покупку оказалась в 3,8 раза выше, чем у активных читателей рассылок (доверительная вероятность 95%). Повторный тест в последний день акции дал еще более убедительные результаты - разрыв увеличился до 6 раз.
Этот результат перевернул представление о сегментации. Команда расширила понятие «активной базы»: теперь к ней относят не только читателей писем, но и тех, кто молча заходит на сайт. Таким подписчикам стали чаще отправлять офферы, и рассылки начали приносить больше продаж.
Шаг третий: машинное обучение против простых правил
Несмотря на хорошие результаты тестов, в команде оставались сомнения: неужели простое посещение сайта и есть тот самый предиктор покупки? Хотелось более точного инструмента, который мог бы не просто делить базу на перспективные и неперспективные сегменты, а выделять промежуточные: предотток, совсем бесперспективных и так далее.
Параллельно аналитики начали обучать ML-модель. Данные для обучения: реакция на звонки, рассылки, поведение на сайте, заметки менеджеров. На выходе модель давала число от 0 до 1, где 1 - максимальная вероятность покупки.
Тестировали несколько подходов:
- Логистическую регрессию (LogisticRegression из sklearn)
- Градиентный бустинг
- Различные способы масштабирования признаков (StandardScaler и MinMaxScaler)
- Разные наборы признаков: добавляли и убирали факт звонка, его результат (недозвон, отказ, успех)
- Разные временные окна - последний месяц влиял заметно сильнее предыдущих
Проверка каждой модели шла в три этапа:
- Точность на исторических данных
- Точность на данных последнего месяца
- Тест «в бою»: сформированный сегмент отдавали менеджерам на обзвон и сравнивали конверсию с ручной выборкой
Финальный тест: моделям скормили свежие данные об активности клиентов за август 2024 года, скрыв информацию о покупках. Оценивали по F1-мере - метрике, которая учитывает и точность (precision), и полноту (recall). Лучший результат (0,7-0,9) стабильно показывал CatBoostClassifier.
Шаг четвертый: автоматизация прогнозной модели
В итоге объединили оба подхода - ручные правила и ML - в единую прогнозную модель. Она работает автоматически каждый день:
- Выделяет из базы клиентов с нужным количеством визитов на сайт за последние 30 дней
- Прогоняет этот сегмент через ML-модель и оставляет только тех, у кого вероятность покупки выше 0,8
- Фильтрует по каналу коммуникации: если клиент не отвечает на звонки, его не включают в список для обзвона, но могут отправить сообщение в WhatsApp
Данные из платформы автоматизации маркетинга собираются во внутренней базе, обрабатываются моделью и загружаются в CRM. Менеджеры забирают контакты в работу без ручных выгрузок.
На базе этой системы появились две новые механики:
- Реактивация в отделе продаж - модель находит «спящих» клиентов, которые не оставляли заявку, но по поведению готовы к покупке. Ежедневные сегменты небольшие, а конверсия в 5 раз выше, чем при ручных выгрузках
- ALARM для менеджеров - если клиент оставил заявку, поговорил с менеджером, но не оплатил и «выпал» из воронки, модель отслеживает его возвращение на сайт. Как только он снова заходит, контакт автоматически попадает к менеджерам для повторного контакта
Бонус: доработка сценария «брошенный просмотр»
До внедрения модели сценарий «брошенный просмотр курса» состоял из двух email-рассылок: если клиент не покупал в течение двух дней, ему отправляли повторное письмо. Конверсия второго письма для неактивных пользователей была нулевой.
После доработки неактивным клиентам, которые не открыли первое письмо в течение суток, отправляют сообщение в WhatsApp, но только тем, кто посещал сайт определенное число раз за месяц. Оффер тот же самый, канал другой. Результат: конверсия в регистрацию выросла с 0% до 4,8%.
Итоги и цифры
За шесть месяцев работы прогнозная модель дала два измеримых результата:
- +24% к выручке отдела продаж с неактивных клиентов (тех, кто более 60 дней не открывал рассылки). Данные за декабрь 2024 года, линейная модель атрибуции
- Конверсия в заказ выросла в 5 раз при автоматической выборке контактов для обзвона по сравнению с ручной
Что дальше
MAXIMUM Education планирует развивать систему в нескольких направлениях:
- Каскадные рассылки email + WhatsApp для клиентов, которые не отвечают на звонки, чтобы перевести их в мессенджер для самостоятельной покупки
- Углубление сегментации базы: выделение сегментов «новички», «активные», «предотток», «отток» с разделением каждого на перспективных и неперспективных
- Настройка триггерных рассылок в WhatsApp для перспективных клиентов из каждого сегмента
Кейс MAXIMUM Education показывает: даже в «мертвой» базе скрыт потенциал для продаж. Но чтобы его раскрыть, нужно перестать оценивать клиентов только по их реакции на рассылки. Визиты на сайт, взаимодействие с контентом, активность в разных точках касания - все это говорит о намерении купить гораздо точнее, чем открытие email.
