Как мы выстроили систему клиентской сегментации в сложном B2B-продукте
Контекст кейса
Компания работает в агросекторе: поставляет продукты для крупных хозяйств. Средний чек — высокий, LTV рассчитывается из срока удержания клиента в 3–5 лет. Цикл сделки — 1–3 месяца.
- Каналы привлечения: сайт, контент, офлайн-мероприятия. В сезон в CRM каждый день прилетают лиды, и почти каждый из них — не «галочка в отчёте», а проект с потенциалом.
- Клиентская база — сотни клиентов. В основном КФХ (крестьянское (фермерское) хозяйство) и агрохолдинги. И нам важно не просто знать объёмы закупок, а понимать: какие у них стратегии закупок, насколько они лояльны, есть ли потенциал расширения вглубь и вширь (апсейл и кросс-сейл), и как они реагируют на наши коммуникации.
В B2B-продуктах с высокой стоимостью ошибки важна не масштабность, а точность. Потому вместо охватной сегментации — точечная квалификация.
Классическая ABCDX-модель в такой логике не работает. Она рассчитана на большие базы, а у нас — каждый клиент как инвестиция. Мы ушли от шаблона и выстроили свою систему на основе ICP, скоринга и поведенческих кластеров.
Первые выводы показали: 20% лидов дают 80% выручки. Классика Парето. Это и стало точкой опоры для перераспределения усилий: вкладываем силы и ресурсы туда, где потенциал максимален.
Этап 1. От ICP на бумаге к системе скоринга в CRM
Первым шагом стало формирование ICP (Ideal Customer Profile). Мы отказались от описаний вроде «средний чек от N тысяч рублей» и построили профиль клиента вокруг бизнес-контекста:
- Тип хозяйства: в приоритете — агрохолдинги и крупные КФХ.
- Земельный фонд: от 500 гектаров.
- География: важны регионы с локальным присутствием.
- Основные сельскохозяйственные культуры и технологии: наш продукт должен попадать в технологическую карту.
- Закупочная модель: централизованная закупка заранее, или покупка «по факту».
- Готовность к обучению: участие в вебинарах, открытость к агросопровождению.
Перед финализацией ICP мы провели серию интервью с клиентами из разных сегментов (агрохолдинги, крупные КФХ) и custdev с менеджерами из отдела продаж. 12 интервью с клиентами, 7 — с командой продаж. Цель — вскрыть реальные критерии принятия решений.
На базе этих данных сформировали ключевую модель сегментации: тип хозяйства + закупочная модель + вовлечённость.
Далее на базе ICP мы разработали скоринг-лист в CRM. Каждому лиду автоматически (или вручную) присваивается рейтинг от A до D:
Итоговая сегментация:
- A — 7–8 баллов: полный ICP, максимальный приоритет.
- B — 5–6: рабочий сегмент, но с ограничениями.
- C — 3–4: требуют прогрева.
- D — 0–2: вне целевой зоны.
Для удобства внедрили визуальную метку в CRM: статус сегмента виден сразу.
Этап 2. Работа с лидами: сценарии nurture по сегментам
A — приоритет
- Назначение менеджера в течение суток.
- Персональное КП с привязкой к региону и технологиям.
- Консультация агронома.
- Приглашение на офлайн-мероприятие.
- Автоматический сценарий контентного сопровождения (кейсы, демонстрации, отзывы).
Синхронизация с продажами: SLA и SQL
Для A-сегмента действует SLA: менеджер связывается в течение 24 часов. Это правило фиксировано и контролируется в еженедельной отчётности.
SQL (Sales Qualified Lead) — это A-лид с подтверждённым интересом и совпадением по ICP. Такой подход позволил синхронизировать работу маркетинга и продаж, ускорить прохождение лидов по воронке и минимизировать потери на стыке функций.
B — средний приоритет
- Воронка nurture с кейсами и аргументацией.
- Контент против возражений: цена, сезонность, технологии.
- Контрольный звонок через 10–14 дней.
- Мониторинг вовлечённости: если повышается — вручную переводим в A.
C — холодные
- Отправка welcome-серии.
- Рассылки 1 раз в месяц с акциями, демо, продуктовыми новостями.
- Без подключения менеджера.
- При изменении параметров — автоматический рескоринг.
D — исключение из обработки
- Автоответ.
- Занесение в сегмент "нецелевые".
- Использование как Lookalike-аудитории в рекламе.Для создания Lookalike-аудиторий мы используем только те подмножества сегмента D, которые имеют формальные признаки целевой аудитории. Об этом далее.
Этап 3. Сегментация активной базы: стратегия + поведение
После настройки скоринговой модели для новых лидов мы перешли к анализу существующей клиентской базы. Цель — понять, какие клиенты не просто приносят выручку, а продолжают проявлять интерес и готовы к дальнейшему росту.
Чтобы уйти от узкого взгляда на клиента только через призму выручки, мы внедрили многоуровневую систему сегментации, в которую входят:
Уровень 1 — ABCD-сегментация по скорингу
Каждому клиенту был присвоен сегмент по стратегической ценности:
- A — идеальные клиенты по ICP и истории взаимодействия.
- B — хорошие, но с ограничениями.
- C — с потенциалом, но пока без выраженного результата.
- D — убыточные или нерелевантные.
Этот уровень определяет базовую стратегию работы: кому выделяем менеджера, кого ведём через автоматизацию, кого исключаем из активной обработки.
Уровень 2 — RFM-анализ (покупательская активность)
Мы оценили каждого клиента по классической модели RFM:
- Recency — как давно последний заказ.
- Frequency — как часто покупает.
- Monetary — сколько потратил за год.
Этот уровень позволяет:
- отслеживать «затухающих» клиентов (низкий Recency),
- выделять ядро (высокие Frequency и Monetary),
- сегментировать кампании по жизненному циклу.
Уровень 3 — Engagement Score (вовлечённость)
RFM — это история. Чтобы узнать, где клиент сейчас, мы внедрили метрику вовлечённости на основе поведения клиента в маркетинговых и сервисных каналах.
Источники данных:
- CRM — фиксация участия в демо, мероприятиях, активности менеджеров.
- ESP — открытия писем, клики, отписки.
- BI — визуализация совокупной активности.
Шкала вовлечённости:
Группировка:
- 7+ баллов/мес — высокая вовлечённость → потенциал апсейла.
- 3–6 баллов — средняя → продолжаем прогрев через контент.
- 0–2 балла — низкая → триггер на реактивацию.
Engagement Score не заменяет ABCD-сегмент, а работает внутри него как индикатор текущего внимания клиента.
Как это работает вместе
Мы опираемся на три слоя:
- ABCD — определяет приоритет и стратегию: кому выделен менеджер, кому достаточно автоматизации.
- RFM — показывает стадию жизненного цикла: активный клиент, на пике, «затухает», ушёл.
- Engagement Score — указывает на текущую вовлечённость, даёт сигналы для реактивации, апгрейда или сворачивания коммуникаций.
Все сценарии адаптируются в реальном времени:
- вовлечённые клиенты получают больше контента или апсейл-инициатив;
- клиенты с низкой активностью — реактивационные касания или минимальная поддержка;
- ключевые клиенты в зоне риска — не уходят в автообработку, а получают персональное внимание.
Поведенческие когорты
Для более точной настройки кампаний мы выделили когорты по сочетанию RFM и вовлечённости:
- Часто покупают, но не вовлечены → сигнал на возможное переключение на конкурентов, приоритет на реактивацию.
- Мало покупают, но активны → кандидаты на расширение и переведение в B.
- Ушедшие в спящий режим → уходят в автоматические цепочки и ретаргетинг.
Сценарии удержания
Сценарии определяются сегментом, но адаптируются под текущее поведение и фазу жизненного цикла клиента:
- A — закреплены персональные менеджеры, проводится планирование закупок на сезон, предлагаются апсейлы и персональные вебинары. Если Engagement падает — включается ручная реактивация.
- B — тематические кампании (например, “культуры сезона”, “микробиология и урожайность”), пробные партии. Работа над тем, чтобы перетянуть в А.
- C — автоматизированные письма с обзорами, новостями, подсказками. Активные — получают тестовые предложения.
- D — не включаются в активную работу, но некоторые используются для Lookalike-аудиторий и обучения моделей сегментации.
Такой подход позволил:
- сегментировать не «по статике», а по живой динамике,
- управлять воронкой удержания на основе ценности + поведения + финансовой активности,
- предотвращать отток, а не просто фиксировать его постфактум.
Этап 4. Итерации: как мы не дали системе устареть
Ежемесячно:
- Отчёт по лидам по сегментам: конверсия A и B в сделку.
- Актуализация критериев ICP (например, включили новые сельскохозяйственные культуры и регионы).
- Проверка гипотез: какие критерии сильнее коррелируют с успешной сделкой. Например, сравнивали вес «региона» и «площади» наличие локального представителя влияет на конверсию больше, чем гектары.
Ежеквартально:
- Анализ переходов B → A как показатель работы nurture-воронки.
- Валидация скоринга: Сравнивали текущие скоринговые оценки с фактами по сделкам за последние 6 месяцев. Проверяли отклонения: случаи, когда низкий скоринг давал сделку и наоборот. A/B-тестировали изменения весов критериев, чтобы подтвердить значимость.
- Обновление клиентских сегментов на базе изменения RFM-показателей и поведенческой активности.
Результаты: как изменилась эффективность работы
После запуска новой системы мы увидели стабильный прирост по ключевым метрикам (по сравнению с аналогичным периодом прошлого года):
- Конверсия входящих A-лидов в сделку: +19%.
- Среднее время обработки A-лида: −37%.
- Доля повторных закупок в сегменте B: +24%.
- Количество апсейлов в сегменте A: +31%.
- Среднее количество касаний до сделки по C-лидам — снижено с 7 до 4 за счёт фильтрации.
Дополнительно:
- CAC по приоритетным сегментам снизился на 17% — благодаря фокусировке на целевых лидах и исключению D-кластера из обработки.
- ROMI кампаний по nurture-воронке вырос на 23% — за счёт роста конверсии, лучшего прогрева B/C-клиентов и автоматизации повторных касаний.
Эти результаты стали основой для пересмотра распределения маркетингового бюджета и выстраивания SLA с командой продаж.
Ограничения и зоны для развития
Несмотря на рост эффективности, мы понимаем, что система охватывает не все ключевые факторы, влияющие на конверсию.
- Сезонность ниши влияет на активность лидов, но не учитывается в текущем скоринге. Планируем добавить параметр “фаза сезона” в поведенческий слой.
- Влияние агронома (экспертиза, личный контакт, рекомендация) критично для сделки, но остаётся вне системы скоринга — сейчас это скорее soft factor, передаваемый вручную.
- Сложность структуры закупки в агрохолдингах (многоуровневые ЛПР, ЛВПР, децентрализованные решения) также пока не включена в скоринговую модель.
Я рассматриваю эти ограничения как ориентиры для дальнейшего развития системы: с каждой итерацией она будет становиться точнее, а сегментация ближе к реальности.
Методологическая основа: какие подходы легли в основу системы
Созданная нами система сегментации и обработки лидов базируется не на шаблонах, а на системном применении проверенных фреймворков, адаптированных под специфику B2B с длинным циклом сделки и штучной клиентской базой. Мы опирались на три ключевых подхода:
Customer Segmentation Strategy
- Сегментация по стратегической ценности (ICP, lead scoring).
- Многослойная модель: бизнес-критерии + RFM + поведенческая активность.
- Постоянная валидация и адаптация критериев на основе данных по конверсии, LTV и выручке.
Account-Based Marketing (ABM)
- Приоритезация высокоценных клиентов: персональные сценарии, агросопровождение, адаптация офферов.
- Жёсткий SLA и SQL-критерии на стыке маркетинга и продаж.
- Фокус не на объёмах трафика, а на глубине работы с каждым аккаунтом.
Marketing Automation & Nurture Flow Design
- Построение nurture-воронок под сегменты и жизненные циклы клиентов.
- Engagement score как сигнал к изменению сценариев касаний.
- Интеграция CRM, ESP и BI-инструментов для управления динамической сегментацией.
Именно комбинация этих подходов позволила превратить CRM из хранилища лидов в инструмент стратегического роста: управляемого, предсказуемого и масштабируемого.
Вывод: Ключ к успеху — не в объёме данных, а в их структуре и контексте. Когда скоринг привязан к бизнес-логике, а сегментация обновляется регулярно, маркетинг и продажи работают не "на поток", а на глубину.
Именно это и принесло нам рост без увеличения затрат на привлечение.