Скидки всем ― не стратегия: как сегментация спасает маржу и возвращает клиентов

Промокод на скидку 10% выглядит как забота о клиенте. Но если его получает человек, который и так собирался купить, ― это просто подарок за ваш счет. Hollyshop давал скидки всем клиентам в брошенных сценариях, пока не посчитал, во сколько это обходится. Оказалось, часть аудитории покупала бы без дисконта ― компания просто не знала, кто именно.

Когда это выяснили и стали отправлять офферы только тем, кому они нужны для решения, валовая прибыль от автоматических рассылок выросла на 18%, конверсия в заказ ― на 14%. Это и есть сегментация в действии: не «разбить базу на группы», а перестать тратить бюджет на людей, которые не нужно мотивировать на покупку.

Разбираем, какие задачи решает сегментация и с каких данных начинать, если их немного.

У hollyshop классическая цепочка на брошенную корзину: письмо-напоминание, потом письмо со скидкой. Механика работала, но ML-модель показала, что аудитория неоднородна. Одни покупают только с хорошим оффером, другие ― с минимальным стимулом, третьи оформят заказ в любом случае.

Модель присваивала каждому клиенту числовой предикт от 1 до 100. Те, у кого он выше 90, ― письмо без скидки. 70―89 ― скидка 10%. 40―69 ― скидка 15%. Ниже 40 ― письмо не отправляют вовсе: эти люди не купят даже с оффером.

Итог: +18% к валовой прибыли, +16% к среднему чеку ― при том, что часть аудитории перестала получать скидки вообще.

«Лазурит» решал похожую задачу на брошенной корзине, но без ML: просто разделил клиентов по сумме незавершенного заказа на 7 сегментов и настроил разные офферы. Небольшая корзина ― скидка 5%, дорогая ― 2% или фиксированная сумма в рублях в зависимости от количества товаров. Выручка от брошенной корзины выросла на 84%, конверсия в заказ ― на 139%.

MAXIMUM Education столкнулись с другой ситуацией: 90% базы ни разу не покупали. Стандартный RFM-анализ здесь не помогает ― покупок нет, анализировать нечего.

Решение ― отслеживать промежуточные конверсии: скачивание лид-магнита, посещение вебинара, переход по баннеру, заявка на консультацию. ML-модель обучили на этих сигналах и настроили ежедневную передачу «перспективных» контактов в отдел продаж. Конверсия в заказ у таких клиентов оказалась в 5 раз выше, чем у тех, кого раньше выгружали вручную по интуиции менеджеров. Выручка с неактивной базы выросла на 24%.

Маркетологи часто ждут «достаточно данных» для глубокой сегментации и не запускают ничего.

Для начала хватит пола, возраста и города ― этого достаточно, чтобы запустить первые персонализированные кампании. «Дом Мод» добавил в письма ко дню рождения сегментацию по полу: женщинам ― женская одежда, мужчинам ― мужская. За 2 месяца click rate вырос с 5,3 до 9 п. п., open rate ― с 36,8 до 48 п. п.

Следующий уровень ― история покупок и поведение на сайте. GATE31 настроил автосегментацию по просмотрам и покупкам: алгоритм определяет любимую категорию и формирует персональные подборки. Тем, кто чаще смотрел платья, ― платья из распродажи. Тем, кто интересовался верхней одеждой, ― куртки. За 2 месяца рассылки с автосегментацией принесли +5,6% к выручке email-канала.

Дальше ― микросегментация по множеству параметров одновременно. EKONIKA разделила базу по 19 параметрам и получила 132 сегмента. Выручка на одного получателя ручных рассылок выросла в 6 раз, доля CRM-маркетинга в общей выручке ― с 6,9% до 15,3%.

«Всеинструменты.ру» сегментировали базу по любимым категориям товаров вручную: аналитик выгружал данные в Excel, строил сегменты, передавал маркетологам. На 10 рассылок уходило до 4 часов. После перехода на автосегментацию ― 30 минут. AB-тест подтвердил: open rate вырос от 1,5 п. п., click rate ― от 4,8 п. п. по контрольной группе.

Автоматика не просто экономит время. Она обновляет сегменты в реальном времени: если клиент перестал покупать черные вещи и переключился на яркие цвета, система сама перенесет его в другой сегмент ― без участия аналитика.

Сегментация работает даже на базовых данных ― пол и возраст уже дают результат. Дальше ее стоит углублять по мере того, как накапливаются данные о поведении: какие товары смотрели, что клали в корзину, на какие письма открывали. Чем точнее попадание, тем меньше денег уходит на тех, кого предложение все равно не убедит.

Больше полезных материалов о маркетинге ― в Mindbox Журнале.