+18% к валовой прибыли от автоматических рассылок. ML-сегментация для брошенных сценариев

Цели и задачи: Оптимизировать расходы на скидки

Клиент: hollyshop - онлайн-ритейлер косметики и товаров для красоты

В hollyshop применяли классические рассылки по брошенным сценариям: всем пользователям, добавившим товар, но не купившим, уходило 2 письма — напоминание и оффер со скидкой на весь ассортимент.

Механика работала, но было понимание, что ее эффективность далека от максимума. Бюджет сливался - скидки давались тем клиентам, которые были готовы купить и без них. Все клиенты получали письма с одинаковыми офферами ― независимо от того, насколько каждый из них был готов к покупке. Компания упускала потенциальную прибыль.

Команда предположила: если разделить аудиторию по готовности к покупке и предлагать скидки только нужным, вырастет конверсия, прибыль и эффективность затрат. 

ML-сегментация с офферами для целевой аудитории

hollyshop совместно с DataGrow и Mindbox-партнером Segmel запустила ML-модель, прогнозирующую вероятность покупки по действиям: просмотренные страницы, время на сайте, интерес к категориям, частота визитов. Модель дает предикт от 1 до 100 и передает в Mindbox для запуска сценариев.

Аудиторию разбивают на группы:

• 0–39: не готовы, оффер не отправляется.

• 40–69: нужен сильный стимул — скидка 15%.

• 70–89: легкий толчок — скидка 10%.

• 90–100: покупают без оффера.

  ML-сегментацию вводили поэтапно с двумя тестами. Сначала AB на 3 группы (0–50, 50–80, 80–100), но значимости не хватило. Углубили до 0–10, 10–20 и т.д., выявив кластеры: 0–40 не покупают даже с оффером; 40–80 мотивированы скидкой; 80–100 обходятся без. Для 0–40 контрольную группу убрали после проверки.

Результат: +18,48% к валовой прибыли от брошенных рассылок в тестовой группе

Для подтверждения гипотезы провели AB-тест брошенной корзины; одной половине отправили стандартные письма, а другой - с персональным оффером. Результаты показали статистическую значимость:

Потенциал роста

Будем масштабировать подход:

• Использовать ML-сегментацию во всех пост-сессионных сценариях.

• Попробовать спрогнозировать LTV и восприимчивость к офферам у новых пользователей.

• Экспериментировать с видами офферов внутри рабочих сегментов (40–80). 

• Тестировать скидки, подарки, бесплатную доставку для роста среднего чека и конверсии.