Авторизация
Сброс пароля
+18% к валовой прибыли от автоматических рассылок. ML-сегментация для брошенных сценариев
Заказчик: hollyshop
Внедрили ML‑сегментацию в брошенных сценариях для hollyshop: модель предсказывает готовность к покупке и подбирает офферы, скидки дают только тем, кому нужно. Результат — рост прибыли, конверсий и среднего чека.
Агентство-исполнитель кейса
DataGrow
Помогаем ритейлу и бьюти‑брендам внедрять ML‑сегментацию для брошенных корзин: таргетируем промо, убираем ненужные скидки и повышаем бизнес‑метрики.
1. Вводная задача от заказчика, проблематика, цели
Клиент: hollyshop - онлайн-ритейлер косметики и товаров для красоты
Платформа: Mindbox
Состав работ: Внедрение ML-сегментации
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.
Команда предположила: если разделить аудиторию по готовности к покупке и предлагать скидки только нужным, вырастет конверсия, прибыль и эффективность затрат.
Иван Жигалин
маркетолог, hollyshop
Механика работала, но мы понимали, что ее эффективность далека от максимума. Мы сливали бюджет, давая скидки 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.
2. Описание реализации кейса и творческого пути по поиску оптимального решения
Решение: 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.
Любовь Боброва
CRM-маркетолог, DataGrow
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.
3. Результаты сотрудничества
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:
Иван Жигалин
маркетолог, hollyshop
+18,5% к прибыли от рассылок подтверждает курс. Мы не только подняли конверсию, но и оптимизировали скидки — выполнили ключевую бизнес-задачу.
4. Заключение
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.
Агентство-исполнитель кейса
DataGrow
Помогаем ритейлу и бьюти‑брендам внедрять ML‑сегментацию для брошенных корзин: таргетируем промо, убираем ненужные скидки и повышаем бизнес‑метрики.