Как «Связной» на 96% повысил выручку с брошенной механики в email (и еще 2 инсайта)

Привет! Я Дмитрий Кружилин, начальник отдела интернет-маркетинга «Связного». Три года назад мы в «Связном» запустил первые триггерные цепочки на базе CDP, а теперь совершенствуем их и тестируем новые механики.

В результате мы (1) выявили новый этап воронки продаж по брошенным корзинам и способ работы с менее активной аудиторией; (2) первыми среди клиентов Mindbox запустили акционные баннеры в email на основе товарных рекомендаций; (3) внедрили аналитические оценки (скоры) товаров в базовые товарные рекомендации в email. Ниже поделюсь инсайтами:

Известная практика, когда в триггерных цепочках по брошенным товарам появляются рекомендации. Алгоритмы машинного обучения генерируют их на основе действий клиента. «Связной» пошел еще дальше и использовал новую механику — обогатил стандартные рекомендации акциями к подобранным товарам.

Если клиент положил товар в корзину и ушел с сайта, ему придет email с напоминанием о брошенных товарах и рекомендации к ним. Если эти товары участвуют в акциях, в письмо подтянутся баннеры с акционным предложением. Например, скидка на аксессуары при покупке iPhone.

Баннер персонализированный, а значит, подставляется по конкретному товару и конкретной корзине. При этом баннеров может быть несколько — в зависимости от числа акционных товаров.

В результате акционные рекомендации не только повышают конверсию, но и позволяют лучше персонализировать коммуникации и избежать спама. Если раньше промоакции «Связного» рассылались всем в массовых рассылках, то теперь клиент получает персонализированное предложение, которое стимулирует его завершить уже начатую покупку.

Результаты рассылки с акционными баннерами к товарным рекомендациям по сравнению с рассылкой без таких баннеров, по данным «Связного»:

Рост конверсии указан в процентах, а не в процентных пунктах, потому что рост в процентных пунктах может показаться незначительным, хотя в рамках метрик «Связного» это ощутимый прирост

Каждой акции и товару присвоен ID, которые связаны друг с другом. Как только генерируются рекомендации с предложением конкретного ID, создается подборка акций. Если для одного товара (ID) задано несколько акций, то они ранжируются в зависимости от приоритета, который устанавливает магазин. «Связной» передает в фиде к товарам акционную информацию, которую Mindbox автоматически подставляет к рекомендациям.

Чтобы измерить эффективность баннеров, проставляем UTM-метки в письма с акциями. В системе аналитики можно сравнить конверсию в заказы из писем с баннерами и без них.

До внедрения динамического блока с акциями «Связной» пытался выстроить похожую персонализацию на базе триггерных рассылок — каждую акцию выводили в отдельный триггер. Но это вело к тому, что триггеры с разным содержанием копились и требовали много ручного труда.

Акций много, и большинство из них краткосрочные. Чтобы запустить отдельный триггер с акцией, необходимо было выделить его из основного, перенастроить сегмент, чтобы исключить задвоение триггера, добавить акционный баннер в новое письмо и нацелить его только на участников акции. В неделю на это уходило до 8–12 часов. Такой подход еще и усложнял анализ, потому что один и тот же триггер был размножен на несколько более мелких и различался только наличием баннера.

С автоматическими акционными рекомендациями отпала необходимость создавать триггеры для акций. Кроме того, стали отправлять меньше промосообщений, чтобы не спамить клиентов.

Акционные баннеры автоматизировали в два этапа:

1. Единый фид на все товары и акции. Первый запуск сделали с помощью одного фида, в который добавляли поля к каждому товару и передавали в Mindbox. Идею протестировали в течение 2–3 недель на некоторых товарах и столкнулись с технической проблемой — если клиент посмотрел товары, которые участвуют в одной и той же акции, то он видел два блока с одинаковым содержанием. Чтобы решить проблему, можно было ограничиться показом одного блока каждому клиенту, но так не получилось бы выводить сразу несколько разных предложений:

2. Отдельный фид для акций и товаров. На втором этапе решили использовать акцию как объект в отдельном фиде и синхронизировать его с товарами посредством рекомендаций внутри Mindbox. Сейчас настраиваем такой функционал. Фактически акции стали рекомендациями к товару. Это поможет решить проблемы, с которыми мы столкнулись в первой реализации.

Когда завершится полная автоматизация, масштабируем процесс на все товары и акции «Связного». Ожидаем, что получим основные результаты по механике, когда каждая акция сможет участвовать в продвижении.

Большинство магазинов рассматривают брошенные корзины как одну сущность, которая предполагает добавление товара в корзину. И почти никто не учитывает следующий шаг — переход в корзину — как конечное действие в воронке.

С помощью UTM-меток в Mindbox и Google Analytics выяснили, что клиенты, которые перешли в корзину, конвертируются в покупателей намного лучше, чем те, кто не ушел дальше карточки товара. По данным «Связного»:

Рост конверсии указан в процентах, а не в процентных пунктах, потому что рост в процентных пунктах может показаться незначительным, хотя в рамках метрик «Связного» это ощутимый прирост.

На основе этих данных разделили коммуникацию на два сегмента клиентов, но прежде провели тестирование.

Появилась гипотеза, что не дошедшие до корзины клиенты положили товар случайно или хотели сохранить его на будущее. Чтобы проверить гипотезу и выяснить, как взаимодействовать с такой аудиторией, провели два теста:

1. Рекомендации по товару. В первом тесте рассылку по брошенной корзине разделили на две категории: тем, кто посещал страницу корзины, отправляли email только с напоминанием о добавленных товарах, а тем, кто не посещал корзину, — еще и рекомендации к выбранным товарам. Однако после двухнедельного теста увидели, что конверсия и поведение клиентов почти не изменились.

2. Рекомендации по клиенту. Во втором тесте поменяли рекомендации к товару на рекомендации к пользователю. Это значит, что рекомендации стали учитывать весь опыт клиента на сайте и его оптимальный путь к конверсии на основе графового анализа, а не только те товары, которые он положил в корзину. В этом случае конверсия почти приблизилась к обычной брошенной корзине. Соответственно, гипотеза подтвердилась: или это был случайный клик, или пользователь явно не интересовался именно выбранным или похожим на него товаром.

По результатам теста сделали выводы, как взаимодействовать с аудиторией, которая проявляет меньший интерес к добавленным в корзину товарам:

1. Строить рекомендации на основе пользовательского опыта, а не только на выбранных товарах.

2. Настраивать меньше напоминаний, чтобы снизить число отписок.

3. Стимулировать к покупке выбранных товаров с помощью дополнительных промоакций.

Чтобы товарные рекомендации к брошенным корзинам работали эффективно не только с точки зрения интереса для клиента, но и выгоды для бизнеса, «Связной» дополнил стандартный модуль рекомендаций Mindbox своими скорами к товарам. Скор (score) — оценка на основе аналитических данных об объекте или явлении.

Магазин использует скоры во всех каналах с товарным подходом к продвижению. В них аналитики закладывают множество параметров в зависимости от региона, например соотношение маржи, все расходы на продвижение товара во всех каналах, общую конверсионность и данные по наличию.

Чтобы оценить эффективность рекомендаций со скорами, запустили AB-тест. В одном варианте теста отправляем обычные рекомендации к товарам, а во втором — товарные рекомендации подставляются с учетом скоров от 1 до 10.

Тест еще не завершился, но, по предварительным данным, click rate варианта со скорами выше на 0,2% с достоверностью 95%, по данным платформы Mindbox. Также на 14% увеличилась маржинальность в рамках варианта со скорами, а индуцированные (будущие) расходы снизились на 4%, по данным «Связного».

1. Полная автоматизация акционных баннеров, чтобы распространить их на все товары «Связного».

2. Оценка финальных результатов AB-теста со скорами в рекомендациях и масштабирование механики в случае успеха.