Look-alike сегменты в CRM: как находить клиентов, похожих на самых прибыльных

Привлечение нового клиента стоит в разы дороже удержания старого. Но есть и третий путь: искать новых людей, которые похожи на тех, кто уже приносит бизнесу больше всего денег. Такие клиенты быстрее принимают решение, реже уходят в отток и чаще доходят до повторной покупки.

На практике look alike сегменты обычно сводятся к кнопке в рекламном кабинете: выгрузили всю базу скопом, включили поиск похожих, получили дорогой трафик и разочаровались в инструменте. Тот же подход работает и внутри CRM — там он точнее, потому что опирается на реальные заказы, а не на куки. Как выстроить эту механику от разметки базы до рекламной выгрузки, рассказывает Егор Череватенко, CRM-маркетолог ClientCore.

Что такое look-alike сегменты на практике

Механика работает так. Берем эталонную группу — сид-сегмент из самых прибыльных клиентов. Описываем ее набором признаков: частота покупок, средний чек, категории, поведение. Затем ищем людей с похожим набором признаков. Где искать — вопрос второй, вариантов два.

Вариант первый — внутри собственной базы. Среди молчаливых подписчиков и средних покупателей почти всегда прячутся люди, которые по поведению и профилю повторяют ваших лучших клиентов, просто с ними никто не работал точечно. Второй вариант — в рекламе: выгружаете сид в Яндекс Директ или VK Рекламу, и алгоритм платформы ищет похожих во всей своей аудитории.

Качество результата процентов на восемьдесят зависит от качества сида. Алгоритмы у платформ плюс-минус одинаковые, а вот то, что вы им отдадите на обучение, — целиком ваша зона ответственности.

Сначала найдите самых прибыльных: ABCDX-разметка базы

Эталонную группу нельзя собирать по ощущениям. Нужна разметка всей базы. Рабочий инструмент — ABCDX-сегментация. Как мы ее применяем:

• A — топ по выручке и марже за 12 месяцев, регулярные покупки. Обычно это 4–7% базы.
• B — покупают стабильно, но заметно меньше A.
• C — одна-две покупки, потенциал неясен.
• D — купили один раз и давно, почти спящие.
• X — подписаны, но никогда не покупали.

Разберем abcdx сегментация пример из ритейла: в магазине косметики A-клиент — это покупатель с 4+ заказами в год и чеком от 15 тысяч, который берет уход и парфюм по полной цене. X — подписался ради промокода на первую покупку и молчит восемь месяцев. Между ними — B и C, и именно там сидят будущие A.

Когда мы размечаем базу, в сегмент A почти всегда попадает меньше клиентов, чем ждет владелец бизнеса: не 20%, а 4–7%. Зато эти 4–7% дают около трети выручки. Их портрет — и есть сырье для сида, все остальное вторично».

Егор Череватенко

CRM-маркетолог, ClientCore

Норма:

Red flag:

• A определяется по обороту за месяц — туда попадают случайные крупные чеки
• в A сидят промо-охотники с большим чеком, но только на распродажах
• клиент с возвратами на 70% считается «лучшим»

Из каких признаков собирать портрет похожего клиента

Базовый слой — RFM: давность, частота, сумма покупок. Этого хватит для грубого поиска, но портрет получится плоским. Добавляем:

• категории товаров в корзине и их маржинальность;
• канал первого касания — откуда клиент пришел изначально;
• ценовую чувствительность: долю покупок на скидке против покупок по полной цене;
• поведение в рассылках: открытия, клики, время реакции на письмо.

Ловушка, на которой горят самодельные look-alike сегменты: в портрет попадают признаки-следствия. Лучший клиент подписан на push, email, телеграм и программу лояльности, потому что он лоялен. Включать в портрет признак «подписан на все каналы» бессмысленно: модель найдет вам лояльных, а вам нужны прибыльные. Это разные группы людей.

Проверяйте каждый признак вопросом: это причина прибыльности или ее симптом? „Покупает из категории премиум“ — причина. „Подписан на push“ — симптом. В один проект мы выкинули из модели 6 из 11 признаков, и точность поиска похожих выросла заметно — конверсия дожима поднялась на треть».

Егор Череватенко

CRM-маркетолог, ClientCore

Как работать с look-alike внутри собственной базы

Нашли в B и C людей с портретом A — дальше начинается сегментация для персонализации. Три сценария, которые дают эффект быстрее всего.

Дожим «почти лучших». Клиенты из B/C с профилем A получают подборки из категорий, которые покупают A-клиенты, ранний доступ к новинкам и предложение вступить в программу лояльности. У них уже есть паттерн поведения лучших, не хватает только повода.

Усиленный welcome для похожих новичков. Новый подписчик пришел с того же источника, что и ваши A-клиенты, и в первые дни ведет себя как они — смотрит те же категории, кликает те же письма. Для него welcome-серия идет в другом темпе и с другой глубиной, чем стандартная.

Точечная реактивация. Спящий клиент с портретом A — это деньги, которые лежат без движения. Ему отправляем оффер, который сработал у активных A, а не общий win-back со скидкой всем подряд.

Когда вся база получает одно и то же письмо, персонализация невозможна в принципе. В FINNTRAIL каждое письмо готовили полторы недели и отправляли всем разом, без единого сегмента. После пересборки шаблона и перехода к сегментным рассылкам письмо стало собираться за 2 часа, а выручка email-канала выросла на 15% (кейс).

Look-alike в рекламе: как выгрузить сид и не испортить его

С рекламными платформами работает то же правило: чистый маленький сид бьет грязный большой. Яндексу для обучения модели нужно от 1000 контактов в сегменте, VK Рекламе хватает нескольких сотен. Качество поиска растет вместе с размером чистого сида.

Перед выгрузкой отсеките:

• сотрудников и тестовые карты;
• клиентов с высокой долей возвратов;
• промо-охотников, которые покупают только на распродажах с глубокой скидкой;
• разовых покупателей подарков — их паттерн не повторяется.

Начинайте с узкого охвата — 1–3% похожих. Широкий охват размывает модель и приводит трафик, который по стоимости сливается с обычной холодной рекламой. И обновляйте сид: база живет, лучшие клиенты месяц назад — не те же люди, что лучшие сегодня.

Грязный сид из 50 000 контактов стабильно проигрывает чистому сиду из 2000. Один раз оставили в выгрузке промо-сегмент — реклама привела людей, которые покупали исключительно по скидке 50%. Маржа по кампании ушла в минус, хотя CTR был отличный».

Егор Череватенко

CRM-маркетолог, ClientCore

Норма:

Red flag:

• выгружается вся база «для объема»
• один общий сид на все категории, хотя A в обуви и A в аксессуарах — разные люди
• сид собран год назад и с тех пор не трогали

Ошибки, из-за которых look-alike не работает

Ошибки, которые встречаются чаще всего:

Сид = вся база. Модель учится на «среднем» клиенте и находит средних. Средние и так приходят по обычной рекламе, платить за их поиск дважды бессмысленно.

Разметка по выручке без маржи и возвратов. Клиент с чеком 100 тысяч и возвратами на 70 тысяч генерирует расходы на логистику.

Статичные сегменты. ABCDX-разметку сделали при внедрении CRM полтора года назад и забыли. За это время часть A ушла в отток, часть B выросла, а вы работаете по старой карте.

Оценка по CTR и охвату. Клики не приносят выручку. Единственный честный критерий — маржа на привлеченного клиента в сравнении с другими каналами.

Как понять, что сегменты реально приносят деньги

Методика проверки — контрольная группа. Отсекаете 10% целевого сегмента и не трогаете их вообще. Через 4–6 недель сравниваете выручку на контакт в рабочей группе и в контрольной. Разница — реальный эффект механики.

Для рекламных look-alike сравнивайте CAC и конверсию в повторную покупку против широкой аудитории. Если LAL-трафик дешевле на входе, но не доходит до второго заказа, сид собран неверно.

Ставка на точность окупается и в email. В MINIDINO рассылки уходили всей базе без разбора сегментов; мы пересобрали логику, и за квартал эффективность email-рассылок выросла на 110% — без единой дополнительной отправки (кейс).