Проблема: скидки для всех - деньги на ветер
Онлайн-ритейлер косметики hollyshop долго работал по классической схеме возврата клиентов. Человек посмотрел товар или добавил его в корзину, но не купил - ему прилетает цепочка из двух писем. Первое напоминает о товаре, второе предлагает скидку на весь ассортимент.
Схема приносила продажи, но с очевидным изъяном. Скидки получали все подряд: и те, кто колебался, и те, кто и так собирался купить через пару дней. Компания теряла маржу, раздавая дисконт клиентам, которые в нем не нуждались.
Маркетолог hollyshop Иван Жигалин описал проблему так: механика работала, но ее эффективность была далека от потолка. Бюджет утекал на скидки для тех, кто и без них дошел бы до оформления заказа. При этом все клиенты получали одинаковые офферы - вне зависимости от того, насколько каждый из них близок к покупке.
Гипотеза: разделить клиентов по готовности покупать
Команда hollyshop предположила простую вещь. Если научиться отличать «горячих» клиентов от «холодных» и раздавать скидки только тем, кому они реально помогают принять решение, то можно одновременно поднять конверсию и сократить расходы на дисконт.
Идея выглядела логично, но для ее реализации нужен был инструмент, способный автоматически оценивать готовность каждого пользователя к покупке. Ручная сегментация при сотнях тысяч контактов в базе - дело нереальное. Нужна была ML-модель.
Решение: ML-модель оценивает вероятность покупки
Для hollyshop разработали ML-модель, которая анализирует поведение каждого пользователя на сайте и присваивает ему числовой предикт от 1 до 100. Единица - человек случайно зашел на сайт и покупать не планирует. Сотня - практически гарантированный заказ.
Модель учитывает несколько факторов поведения:
- Какие страницы и товары просматривал пользователь
- Сколько времени провел на сайте
- Какие категории его интересовали
- Как часто возвращался на сайт
- История предыдущих покупок и взаимодействий
Оценка предикта автоматически передается в платформу рассылок и запускает нужный сценарий. Аудиторию разбили на четыре группы, каждая со своей стратегией коммуникации:
Группа 0-39: не готовы к покупке
Этим пользователям оффер не отправляют вовсе. Тестирование показало, что клиенты из этого диапазона практически не совершают заказов даже при получении скидки. Тратить на них бюджет бессмысленно.
Группа 40-69: купят, если подтолкнуть
Скидка для этой группы работает как решающий аргумент. Без оффера они уйдут, с оффером - оформят заказ. Именно здесь дисконт приносит максимальную отдачу.
Группа 70-89: почти созрели
Этим клиентам легкого напоминания - небольшой скидки или просто письма о товаре. Они уже настроены на покупку, и агрессивный дисконт здесь избыточен.
Группа 90-100: купят сами
Самый ценный сегмент. Эти люди оформят заказ без какого-либо стимула. Давать им скидку - чистая потеря маржи. Им отправляют только напоминание без дисконта.
Тестирование: от крупных сегментов к точечной настройке
Путь к работающей модели не был прямолинейным. Первый AB-тест запустили с грубой сегментацией на три группы: 0-50, 50-80 и 80-100. Два месяца замеров не дали статистически значимых результатов. Разброс внутри широких сегментов оказался слишком велик.
Тогда сегментацию углубили, разбив базу на более мелкие группы: 0-10, 10-20, 20-30 и так далее. Это позволило выявить три четких поведенческих кластера:
- Клиенты с предиктом 0-40 не совершают покупку даже с оффером. Это подтвердили отдельным тестом - запустили для них рассылку со скидкой и зафиксировали нулевую конверсию.
- Сегмент 40-80: для этих клиентов оффер становится решающей мотивацией к покупке.
- Группа 80-100: покупают без каких-либо стимулов.
На втором этапе для сегмента «0-40» отказались от контрольной группы. Данные первого тестирования однозначно показали, что клиенты из этого диапазона не конвертируются. Дробить и без того нерезультативный сегмент смысла не было.
Результаты: конверсия, чек и прибыль пошли вверх
Для финальной проверки провели AB-тест на сценарии «брошенная корзина». Аудиторию поделили 50 на 50: одна половина получала стандартные письма со скидкой для всех, другая - персонализированные письма, где оффер зависел от предикта готовности к покупке.
Результаты теста показали статистическую значимость и подтвердили гипотезу:
- Конверсия в заказ в тестовой группе выросла на 13,98%
- Средний чек увеличился на 16,35%
- Валовая прибыль от автоматических рассылок поднялась на 18,48%
Рост прибыли на 18,5% при одновременном сокращении расходов на скидки - это двойной эффект. Компания не просто стала больше зарабатывать, но и перестала сливать маржу на клиентов, которым дисконт не нужен.
Что дальше: масштабирование подхода
После успешного теста hollyshop наметил несколько направлений развития ML-сегментации:
- Расширить охват. Применить сегментацию по готовности к покупке во всех автоматических сценариях, которые запускаются после окончания сессии: брошенный просмотр, брошенная категория, повторная покупка.
- Прогнозировать LTV новичков. Протестировать гипотезу о том, что можно предсказать пожизненную ценность клиента и его восприимчивость к офферам сразу после регистрации.
- Экспериментировать с типами офферов. Внутри рабочего сегмента 40-80 попробовать разные форматы стимулов вместо простой процентной скидки.
- Измерить эффект альтернативных стимулов. Сравнить отдачу от скидок, подарков к заказу и бесплатной доставки, чтобы найти дополнительные точки роста конверсии и среднего чека.
Выводы для e-commerce
Кейс hollyshop показывает несколько практических уроков для любого интернет-магазина, который работает с email-рассылками и скидками.
Скидки всем подряд - дорогая привычка. Когда одинаковый оффер получают и случайные посетители, и лояльные покупатели, маржа тает без видимого результата. ML-сегментация позволяет тратить бюджет только там, где он реально влияет на решение о покупке.
Грубая сегментация может не сработать. Первый тест hollyshop с тремя широкими группами не дал значимых результатов. Только когда сегменты измельчили, удалось найти реальные поведенческие паттерны. Не стоит сдаваться после первого неудачного эксперимента - стоит копнуть глубже.
Отсутствие конверсии - тоже результат. Открытие, что сегмент 0-40 не покупает даже со скидкой, позволило hollyshop полностью отказаться от отправки офферов этой группе. Экономия бюджета без потери продаж.
Рост прибыли - не только про конверсию. hollyshop получил плюс 18,5% к валовой прибыли не за счет увеличения трафика или расширения ассортимента, а за счет более точной работы с существующей клиентской базой. Это подход, который масштабируется без пропорционального роста затрат.
Персонализация рассылок на основе ML-моделей перестает быть экспериментом и становится стандартом для e-commerce. Те, кто продолжает рассылать одинаковые офферы всей базе, просто отдают свою маржу.
