+50% выручки и рост доли e-com в 4 раза за 6 месяцев

Цель:

• Выявить лучших клиентов  (Принцип Парето): 20% покупателей, приносящих 80% прибыли.
• Разработка индивидуальных предложений для разных сегментов (например, реактивация «уснувших» клиентов или поощрение постоянных).
• Оптимизация бюджета: Перестать тратить деньги на рекламу для неактивных клиентов. 

По итогам анализа мы выделили основные группы клиентов, оценили их вклад в выручку и определили стратегию работы с каждой из них (например: «Чемпионы», «Лояльные», «Потерянные» и др.).

2. Сегменты клиентов: ценность, активность, риск ухода

Чтобы адаптировать коммуникации под разных клиентов, делать персональные предложения и управлять переходом клиентов между когортами, мы разделили базу на сегменты и оценили значимость каждого из них по следующим принципам:

• финансовая ценность для бизнеса (выручка, CLV);
• покупательская активность (частота, регулярность);
• стадия жизненного цикла клиента;
• уровень вовлеченности и риск оттока.

Для каждого сегмента определялись: доля в клиентской базе, вклад в выручку, типичное поведение и предпочтительные каналы коммуникаций, потенциал развития и приоритетность для бизнеса.

3. Персональные предложения для клиентов

Мы определили, откуда приходит каждый сегмент (как клиенты попадают в базу) и какими услугами и акциями он чаще пользуется. Это помогло подготовить специальные офферы.

Дальше на основе сегментации и когортного анализа мы собрали предложения, учитывая:

• ценность клиента для бизнеса,
• его поведение и историю взаимодействий,
• стадию жизненного цикла и вероятность отклика,
• предпочтения по продуктам и цене.

4. Автоматизация коммуникаций и воронок

Для автоматизации маркетинга мы использовали CDP-платформу (Customer Data Platform — систему, которая собирает данные о клиентах из разных источников и позволяет запускать персональные коммуникации) — https://www.carrotquest.io/. Мы являемся её платиновыми партнёрами, поэтому используем этот инструмент для решения задач по сегментации, коммуникациям и автоматизации сценариев.

9. Первичные продажи - активизация базы

После анализа базы мы увидели, что в ней есть много контактов, которые ещё ни разу не были в комплексе и ничего не покупали, но с ними уже можно выстраивать коммуникации.

Для этой когорты мы запустили отдельную работу по активации - чтобы привести людей к первой покупке или первому визиту.

Мы подготовили для них предложения и отправили их через разные каналы:

• email-рассылки
• SMS
• push-уведомления в Telegram-боте
• реклама по загруженной аудитории (на основе базы)

10. Попап на сайте - не только набор базы, но и работа с текущей

На сайте мы настроили попапы для сбора контактов - отдельные варианты под разные сегменты. 

Клиент заходил на сайт и через 10 секунд видел попап с предложением получить промокод на скидку. Получить промокод можно было после перехода в Telegram-бот. 

Использование попапов на сайте позволяет не только делать персональные предложения текущим клиентам, но и постоянно пополнять и сегментировать базу

11. Письма и рассылки

Часть клиентов хорошо реагирует на email-рассылки - это видно по открываемости писем и переходам по ссылкам.

Мы регулярно тестируем темы и заголовки, чтобы повысить открываемость, а также отправляем разные офферы и акции для разных сегментов.

Если клиенты в определённой когорте письма не читают, мы исключаем их из email-рассылок и переключаем коммуникации на другие каналы.

13. Работа с обратной связью клиентов (NPS)

Важная часть работы с базой - сбор обратной связи через NPS (оценка готовности рекомендовать).

Эта обратная связь помогла понять, что именно смущает клиентов, почему они перестают ходить и что им не понравилось. Также мы увидели, чего клиентам не хватает, и на основе этого смогли делать более точные персональные предложения.

14. Аналитика эффективности и ключевые метрики

Чтобы оценить влияние CVM-подхода на бизнес-показатели, мы отслеживали несколько метрик: конверсии по гипотезам, долю рекламных расходов, частоту посещений, средний чек, LTV и переход клиентов между когортами. Это позволило понять, какие механики действительно работают и как они влияют на поведение клиентов.

Конверсии по гипотезам

В рамках проекта тестировались разные механики индивидуальных офферов: возврат клиентов с абонементом, работа с брошенной корзиной, предложения для новых клиентов и активация текущей базы.

Некоторые сценарии показали особенно высокий результат. Например, письмо с напоминанием о брошенной корзине дало конверсию до 34%, а предложения для новых посетителей сайта — до 19,5%.

Это подтвердило, что персонализированные сценарии коммуникаций значительно повышают конверсию.

Данные по ДРР (доли рекламных расходов)

1. Фактор "Временного лага" в LTV

На графике "Вторичная покупка (LTV)" мы видим резкое снижение в сентябре и октябре. Это происходит потому, что клиенты, привлеченные в апреле, имели в распоряжении 100% времени отчетного периода для совершения повторных покупок в офлайне. Клиенты же октября находятся в системе всего несколько дней. Они уже совершили первичную покупку (что видно по росту желтого графика), но физически не успели совершить второй и третий визит, которые формируют основной объем LTV.

2. Математическое занижение ROMI

График "Динамика ROMI" показывает отрицательный тренд, так как формула учитывает 100% маркетинговых расходов (при этом расходы по периодам были неравномерными, судя по первому графику) в момент привлечения, но лишь малую долю будущей прибыли.

В апреле когорта уже окупилась и принесла кратный доход.

В октябре расходы зафиксированы в полном объеме, а доход от "хвоста" продаж (эффект ROPO) еще не поступил в отчет.