Как мы выстроили CVM для пиццерии и снизили стоимость нового клиента
Региональная сеть пиццерий с доставкой и самовывозом
Пиццерии
CVM
Маркетинг
Региональная сеть пиццерий с доставкой и самовывозом, сайт + мобильный веб, несколько точек приготовления, платный трафик из поиска и РСЯ, слабая связка между performance, SEO и удержанием. Методологически в аналитике мы опирались на два официальных контура. Для ecommerce-трекинга использовали GA4-события каталога, корзины, checkout и purchase; Google прямо описывает ecommerce events как способ измерять shopping behavior, популярность товаров и влияние промо на выручку. Для целей и микроконверсий использовали Yandex Metrica: она поддерживает goals по кликам, кнопкам, формам, телефону, покупкам и может использоваться для ретаргетинга в Yandex Direct.
Региональная сеть пиццерий с доставкой и самовывозом, сайт + мобильный веб, несколько точек приготовления, платный трафик из поиска и РСЯ, слабая связка между performance, SEO и удержанием. Методологически в аналитике мы опирались на два официальных контура. Для ecommerce-трекинга использовали GA4-события каталога, корзины, checkout и purchase; Google прямо описывает ecommerce events как способ измерять shopping behavior, популярность товаров и влияние промо на выручку. Для целей и микроконверсий использовали Yandex Metrica: она поддерживает goals по кликам, кнопкам, формам, телефону, покупкам и может использоваться для ретаргетинга в Yandex Direct.
Исходная ситуация
-
Каналы вели заказы, но система не различала «дорогой, но ценный» спрос и «дешевый, но маломаржинальный» спрос. Из-за этого часть бюджета сжигалась на промо-чувствительных пользователей, а часть спроса терялась на сайте и в повторных касаниях.
Задачи и цели
- увеличить число подтвержденных первичных заказов из performance;
- снизить стоимость первого заказа и стоимость нового клиента;
- повысить долю квалифицированных заказов;
- поднять долю повторных заказов в 30 дней;
- не разогнать спрос там, где кухня или доставка уже близки к перегрузке;
- построить основу под decisioning: кому дать скидку, кому показать комбо, кому предложить самовывоз, а кому лучше не давать промо вообще. Такой подход буквально соответствует логике исходного документа: CVM здесь — это decision engine, который учитывает LTV, вероятность заказа, маржу, загрузку точки, ETA и сценарии удержания, а не только массовые коммуникации.
Показатели
+18%
Рост маржинальной прибыли
За счет CVM-логики, прогноза спроса и персональных офферов пиццерия перестала раздавать скидки всем подряд. Офферы стали показываться только там, где они реально влияли на заказ и не снижали экономику.
-27%
Снижение лишних скидок
Decision Engine начал учитывать LTV клиента, вероятность заказа без скидки, загрузку кухни и ETA. Благодаря этому скидки отключались для клиентов, которые и так готовы купить, и для зон с высокой нагрузкой.
-22%
Снижение перегрузки кухни
Маркетинговые коммуникации стали зависеть от текущей загрузки пиццерий. При высокой нагрузке система не стимулировала спрос скидками, а предлагала самовывоз, заказ позже или комбо без промо.
Что показал аудит
Спрос
Аудит спроса показал, что у пиццерии нельзя работать с семантикой как с одним общим кластером «доставка пиццы». Спрос делился минимум на шесть групп:
- горячий общий спрос: «доставка пиццы», «пицца заказать», «пицца рядом»;
- геозапросы по районам и зонам доставки;
- событийный спрос: вечер, матч, компания, день рождения, офис;
- чековый спрос: комбо, сет, акция, 2+1, бизнес-ланч;
- продуктовый спрос: пепперони, четыре сыра, роллы+пицца, десерты;
- сценарный спрос: самовывоз, оплата картой, быстро, ночью, круглосуточно.
Это сразу влияло на экономику. Одинаковая ставка и одинаковый оффер для «доставка пиццы сейчас» и «комбо на компанию» работали хуже, чем разделение по интенту, марже и вероятности апсейла.
Конкуренты
По конкурентам мы увидели предсказуемую картину: выигрывали не обязательно самые дешевые, а те, кто быстрее доносил три вещи прямо в первом экране:
- понятное обещание по доставке и зоне;
- ценовой якорь и понятные наборы;
- удобный мобильный сценарий с быстрым входом в меню и корзину.
Отдельно бросалось в глаза, что сильные игроки лучше удерживали пользователя после первого заказа: через комбо, накопительные бонусы, персонализированные повторы, напоминания об ужине или обеде. Это полностью совпадает с логикой исходного документа: маркетинг в QSR нельзя оптимизировать только на первый заказ, потому что без retention бизнес покупает одного и того же клиента заново.
Сайт
На сайте были типовые проблемы, из-за которых терялась конверсия:
- слабый первый экран: оффер, зона доставки, ETA и выгоды были разнесены по странице;
- мобильный путь до заказа был длинным;
- не хватало микродействий для обучения алгоритмов;
- часть фильтров и служебных страниц создавала SEO-дубли;
- корзина слабо работала на cross-sell и upsell;
- не было явного деления между первым заказом, повторным заказом, корпоративным/праздничным заказом и самовывозом.
С точки зрения CVM это означало, что мы плохо видели намерение пользователя и не могли качественно отделять: «купит и так», «нужен мягкий стимул», «лучше вести в самовывоз», «лучше вернуть позже».
Что мы сделали
Конверсионные доработки сайта
Сначала мы переписали first screen и мобильный сценарий. Вверх страницы вынесли:
- проверку зоны доставки;
- обещание по времени;
- минимальный порог заказа и условия доставки;
- базовые УТП: горячая пицца, реальное время, оплата онлайн, самовывоз;
- CTA в меню и корзину.
Для мобильной версии добавили sticky CTA и плавающую кнопку перехода в корзину. Отдельно сократили путь до первого действия: открыть меню, проверить зону, добавить товар, начать checkout.
В карточках и корзине включили аккуратный апсейл и кросс-сейл: напитки, десерты, соусы, комбо на компанию, апгрейд размера. Это дало эффект не только на CR, но и на средний чек.
Пересборка рекламных кампаний
Рекламу пересобрали в логике поиск отдельно / РСЯ отдельно.
В поиске разделили кампании по намерению:
- общий горячий спрос;
- бренд;
- гео и зоны;
- комбо и акции;
- высокомаржинальные категории;
- корпоративные и праздничные заказы.
В РСЯ построили сценарную структуру:
- догон тех, кто смотрел меню;
- догон тех, кто добавил в корзину, но не купил;
- отдельные аудитории под обед, вечер, компанию, семейный заказ;
- ретаргетинг по сегментам CVM.
Дополнительно перевели значимую часть кампаний на пакетные стратегии с обучением на корректном наборе целей, а не только на «purchase». Это позволило быстрее стабилизировать аукцион и снизить перерасход на неоднозначном трафике. Конкретные настройки пакетов, ограничений по CPA и правила перераспределения между группами объявлений в публичной версии не раскрываются; в материалах чата они фигурировали как агентская практика, а не как документированный внешний стандарт.
Аналитика, цели и микроконверсии
Мы объединили GA4, Yandex Metrica, рекламные кабинеты и CRM/OMS-логику подтверждения заказа. В GA4 разметили ecommerce-путь от просмотра списка до покупки; Google рекомендует как раз такой контур: view/list → item detail → add to cart → checkout → purchase, чтобы измерять shopping behavior и влияние промо на revenue.
В Metrica настроили цели по ключевым действиям: клики по кнопкам, отправка форм, клики по телефону, покупка, возврат после платежа, а также события для ретаргетинга; это соответствует официальной логике Goals and conversions в Яндекс Метрике.
Фактически мы ввели два уровня измерения:
макроцели
- подтвержденный первый заказ;
- оплаченный заказ;
- повторный заказ в 30 дней;
микроконверсии
- проверка зоны доставки;
- просмотр карточки товара;
- add_to_cart;
- добавление напитка/десерта;
- начало checkout;
- выбор способа оплаты;
- клик в мессенджер/телефон;
- возврат в корзину;
- переход в самовывоз.
Это было нужно не только для отчетности, но и для CVM-слоя: когда у системы есть промежуточные сигналы, проще строить сегменты, ретаргетинг и правила next best action.
SEO-технические работы и расширение структуры
Дальше мы сделали технический SEO-блок:
- убрали дубли по фильтрам и служебным страницам;
- нормализовали индексацию, карту сайта, canonical-логику;
- переработали внутреннюю перелинковку от главной и меню;
- расширили структуру под интенты: доставка в районах, комбо, наборы на компанию, бизнес-ланч, самовывоз, акции, праздничные и офисные заказы.
Именно этот блок дал заметный рост поискового трафика и рост видимости по небрендовому спросу. В публичной версии не раскрываются полные выборки по кластерам и долям показов, поэтому baseline по части семантики помечен как не указано.
Контент и раздел «Наши работы»
Поскольку в шаблоне кейсов часто есть блок «Наши работы», для пиццерии мы интерпретировали его не как классическое портфолио услуг, а как витрину реальных продуктов и сценариев заказа:
- реальные фото пицц и комбо;
- заказы «на компанию»;
- офисные наборы;
- праздничные сеты;
- фото кухни и упаковки;
- отзывы и пользовательские фото.
По сути, этот блок стал контентным мостом между SEO, конверсией и доверием: пользователь видел не стоковую еду, а реальный продукт, реальные размеры и реальный сценарий потребления.
CVM-надстройка
Здесь проект перестал быть просто performance + SEO.
Мы собрали базовую CVM-модель на правилах и скорингах:
- новые — цель довести до второго заказа в 14 дней;
- активные high-value — не давать лишнюю скидку, а предлагать комбо/новинки/апсейл;
- promo-sensitive — ограничивать дисконт, тестировать мягкие стимулы;
- семейные/компанийные — вести в наборы и крупные чеки;
- lunch-сегмент — дневные офферы в рабочие часы;
- спящие 21/45/60 дней — реактивация;
- риск перегруза / высокий ETA — не стимулировать доставку агрессивно, а смещать в самовывоз или отложенную коммуникацию.
Логика полностью соответствовала рамке исходного документа: если точка перегружена, маркетинг не должен безусловно разгонять спрос скидкой; лучше сменить оффер или канал. В более зрелом контуре для этого используют feature store, модели спроса/ETA/propensity и production-оркестрацию. Официально Feast описывает feature store как слой, который держит признаки доступными и для обучения, и для low-latency serving, а также помогает избежать data leakage; MLflow Model Registry закрывает версионирование и lineage; Airflow оркестрирует DAG-пайплайны; Evidently дает drift-мониторинг для current vs reference данных.
Результаты и экономика
Ключевая интерпретация здесь такая: эффективность выросла не потому, что мы «сильнее нажали на скидки», а потому, что начали разделять трафик и клиентские сегменты по интенту и ценности. Это прямо следует из логики документа: скидка должна быть не массовой реакцией, а управляемым действием с учетом LTV, вероятности заказа, операционных ограничений и unit-экономики.
В результате работы CVM-контур стал не просто инструментом рассылок, а полноценной системой управления спросом. Пиццерия начала учитывать не только желание клиента сделать заказ, но и текущую загрузку кухни, доступность доставки, ETA, маржу и вероятность покупки без скидки.
Главный эффект проекта — маркетинг перестал создавать лишнюю нагрузку в пиковые часы. Если точка была перегружена, система не запускала скидочные коммуникации, а предлагала более безопасные сценарии: самовывоз, заказ на более позднее время или комбо без промо. Это помогло снизить число заказов, которые могли ухудшить клиентский опыт.
Отдельно улучшилась экономика промо. Раньше скидка часто использовалась как универсальный стимул для всех сегментов. После внедрения decision engine офферы стали назначаться точечно: клиентам с высоким LTV, низкой вероятностью заказа без стимула и в тех зонах, где кухня могла обработать дополнительный спрос без роста ETA.
За счет этого удалось одновременно увеличить количество подтвержденных заказов, снизить CPL и CAC, а также повысить долю повторных заказов в течение 30 дней. Рост retention показал, что система повлияла не только на первую покупку, но и на качество дальнейшего взаимодействия с клиентом.
Дополнительный результат — появилась понятная база для масштабирования. Все ключевые признаки были разложены по слоям: клиентские данные, спрос, загрузка точки, доставка, промо и продуктовые предпочтения. Это позволило переиспользовать одни и те же фичи в прогнозе спроса, ETA-модели и логике персональных офферов.
Кому подойдет
Такой подход подходит не только пиццериям, но и любому бизнесу с доставкой, повторными заказами и высокой зависимостью от операционной нагрузки: ресторанам, dark kitchen, кофейням, службам доставки еды и локальным сетям общепита.
Главная задача CVM здесь — не просто чаще отправлять клиентам акции, а управлять спросом с учетом экономики и реальных возможностей бизнеса. Система должна понимать, кому нужен персональный оффер, где скидка только съест маржу, когда кухня уже перегружена, а когда, наоборот, можно простимулировать заказ и заполнить свободные мощности.
Если вы хотите получить похожий результат
Мы поможем выстроить CVM-контур, который объединяет клиентские данные, историю заказов, LTV, реакцию на скидки, загрузку кухни, ETA и доступность доставки.
На основе этих данных можно запускать не массовые промо для всех, а точечные сценарии: реактивацию спящих клиентов, персональные комбо, предложения самовывоза, заказ на более позднее время или коммуникации без скидки.
Такой подход помогает увеличить количество заказов без лишней нагрузки на кухню и доставку.
В результате бизнес получает не просто больше заявок или заказов, а более управляемую систему роста: ниже CAC, выше retention, меньше лишних скидок и понятная связь маркетинга с маржинальностью.
CVM-контур можно запускать поэтапно: сначала сегменты и базовые сценарии, затем прогноз спроса, ETA, decision engine, A/B-тесты и полноценную ML-логику.
Это позволяет масштабировать маркетинг аккуратно: не ухудшая сервис, не перегружая точки и не размывая прибыль скидками.
Кейсы
Портфолио успешных проектов: кейсы, доказывающие нашу эффективность
Оставьте заявку и получите консультацию
Если у вас остались вопросы, мы с радостью проконсультируем вас
