Next Best Offer: настройка модели следующего лучшего предложения в CRM
Next Best Offer без магии: какие данные нужны модели, когда хватит правил без ML, где показывать оффер и как честно измерить прирост выручки.
CRM внедрена, триггеры крутятся, рассылки уходят по расписанию. А персонализация как была на уровне «имя в теме письма», так и осталась. Клиент купил беговые кроссовки — и месяц получает предложения купить кроссовки снова, потому что блок «вам может понравиться» собирается из новинок недели.
Для mid-market это типичная картина: платформа умеет в разы больше, чем бизнес от нее получает. О том, как на практике выглядит настройка Next Best Offer — от требований к данным до замера прироста в деньгах — рассказывает Егор Череватенко, CRM-маркетолог ClientCore.
ЧИТАЙТЕ ТАКЖЕ
«Блок рекомендаций в Mindbox есть почти у всех, но продает редко. Разбираем фид, алгоритмы и фильтры, чтобы витрина в письмах приносила выручку.»
Next Best Offer (NBO) — модель, которая для каждого клиента в конкретный момент выбирает одно лучшее предложение из всего арсенала маркетинга: товар, категория, акция, контент, промокод или даже пауза в коммуникации.
Обычный рекомендательный виджет отвечает на вопрос «что похоже на то, что человек смотрит». NBO решает другую задачу: что предложить клиенту дальше, чтобы он купил, и при этом не испортить ему опыт. В расчет идут история покупок, просмотры, реакции на прошлые рассылки, цикл потребления товара, маржинальность категорий.
Пример. Клиент купил зимнюю резину в ноябре. Виджет похожих товаров предложит ему еще резину. NBO посчитает, что следующая осмысленная покупка — сезонное хранение шин, а промокод слать не нужно: этот клиент стабильно покупает по полной цене. Скидка конверсию не поднимет, а маржу съест.
Когда к нам приходят с запросом „хотим NBO“, в восьми проектах из десяти куски этой механики уже есть: сработки по категориям, блок новинок в письме. Сложность в том, что эти куски не знают друг о друге. Модель начинается с простого действия: все возможные предложения складываются в одну таблицу и для каждого клиента ранжируются по вероятности покупки».
Егор Череватенко
CRM-маркетолог, ClientCore
Какие данные нужны, чтобы модель заработала
NBO ест данные. Минимальный набор для пилота: история заказов за 12 месяцев и глубже, каталог с атрибутами (категории хотя бы двух уровней, цена, марка), поведенческие события с сайта — просмотры, корзины, поисковые запросы, реакции на прошлые кампании.
По объему базы жесткого порога нет, но практика такова: ниже 50 тысяч активных профилей ML-модели учиться не на чем, и честнее начать с правил. Для персонализации в ecommerce это критично — чем шире ассортимент, тем больше данных нужно на каждый SKU.
Норма
офлайн- и онлайн-заказы склеены по единому ID клиента
каталог обновляется ежедневно, у товаров заполнены категории
у событий есть точное время и привязка к товару или заказу
Red flag
треть базы — дубли: один человек с двумя телефонами и тремя email
заказы с кассы попадают в CRM раз в неделю csv-файлом
половина каталога лежит в категории «Разное»
Дубли особенно ядовиты. Модель видит двух разных людей: одного, который купил, и второго, который ничего не покупал два года. Первому она предложит то, что он уже купил, второму — ничего. Оба результата мусорные.
С чего начинать: правила или ML
Правильный ответ почти всегда — с правил. Связки вида «купил коляску — через полгода предложи товары для прогулок с малышом», RFM-сегменты и категорийные цепочки внедряются за недели, дают быстрый прирост и создают базовую линию, с которой потом сравнивается ML.
Машинное обучение подключают, когда правил становится так много, что они конфликтуют; когда ассортимент переваливает за 2–3 тысячи SKU и связки вручную уже не прописать; когда цикл покупки зависит от десятка факторов и на глаз не просчитывается.
В продакшене обычно живет гибрид. ML ранжирует офферы по вероятности покупки, а правила работают фильтрами сверху: не предлагать товар, купленный две недели назад; не слать промокод клиенту, который берет без скидки; ограничить частоту показов одной категории.
Я всегда прошу заказчика сначала месяц пожить на правилах. Появляется контрольная точка: потом мы точно скажем, сколько дал ML сверху. Плюс правила выявляют дыры в данных быстрее любого аудита — первый же сценарий „купил А, предложи Б“ упирается в то, что у половины товаров не заполнена категория Б».
Егор Череватенко
CRM-маркетолог, ClientCore
Где показывать оффер: точки контакта
Модель без каналов — просто таблица в базе. Оффер должен дойти до клиента там, где он его увидит.
Email. Динамический блок в рассылке: контент письма один, товарный блок у каждого свой. Самый управляемый канал, с него обычно стартует пилот — блок вставляется в существующий шаблон, ничего не ломая.
Сайт. Персональный блок на главной, в каталоге или личном кабинете. Работает на тех, кто пришел сам, — это теплая аудитория с уже сформированным интересом.
Пуши и SMS. Для сценариев с коротким окном: оффер живет 48 часов, а до email клиент не доходит.
Офлайн. Подсказка кассиру или оператору колл-центра: при пробитии чека на экране появляется рекомендация. Требует склейки кассы с CRM, зато конверсия ощутимо выше цифровых каналов — человек уже стоит с кошельком в руке.
Два правила, которые спасают от самострела. Первое: модель должна знать про все каналы разом, иначе клиент получит один и тот же оффер в письме, пуше и на сайте — и быстро выучит, что за ним следят. Второе: частотные ограничения важнее точности. Даже идеально релевантный оффер, показанный пятый раз за день, работает против бренда.
Ставка на точность вместо охвата проверена нами не раз. Для MINIDINO мы пересобрали логику рассылок: вместо отправок всей базе — точечные сегменты. Эффективность email выросла на 110% за квартал без роста числа отправок (кейс). NBO развивает ту же идею: сегмент сужается до одного человека.
Как выглядит проект внедрения в Mindbox
Проект занимает 6–10 недель от аудита до первых цифр пилота.
Аудит данных (1–2 недели). Считаем дубли, проверяем склейку каналов и полноту каталога. На выходе — список того, что чинить до старта, и честный ответ, хватит ли данных на ML или стартуем на правилах.
Пространство офферов (неделя). Выписываем все, что модель может предлагать: категории, акции, контент, промокоды. У каждого оффера — ограничения: маржа, остатки, срок жизни.
Пилот на одном канале (3–4 недели). Обычно email: собираем шаблон с динамическим блоком, делим базу на тестовую и контрольную группы, запускаем. ML-рекомендации Mindbox на этапе внедрения сводятся к настройке продуктового фида, выбору алгоритма под сценарий и добавлению блока в письмо.
Масштабирование. Подключаем сайт, пуши, переносим логику на другие сценарии.
По срокам шаблон — главный ускоритель. В проекте для FINNTRAIL до нашей работы каждое письмо собирали полторы недели и отправляли всей базе разом. Мы пересобрали мастер-шаблон и помогли выстроить сегментацию: письмо стало собираться за 2 часа, а выручка email-канала выросла на 15% (кейс). С динамическим блоком NBO эта механика работает еще точнее: шаблон один, содержимое у каждого клиента свое.
Частая ошибка на пилоте — попытка запустить модель сразу на все каналы. Команда тонет в настройках, а по итоговым цифрам непонятно, что именно сработало. Один канал, одна метрика, одна контрольная группа. Скучно, зато через месяц у вас есть цифра, с которой можно идти к финдиру».
Егор Череватенко
CRM-маркетолог, ClientCore
Как измерить прирост выручки от модели
Единственный честный способ — контрольная группа. Случайные 10–20% базы не получают офферы от модели: им уходят стандартные рассылки. Разница в выручке на клиента между группами — это и есть эффект NBO. Открытия, клики и конверсия письма показывают активность, а не деньги.
Три условия чистого замера:
Группы фиксируются до старта и не меняются на ходу. Перекидывать «неотвечающих» из контроля в тест — испортить эксперимент.
Тест длится хотя бы один полный цикл покупки категории. Для продуктов это 2–4 недели, для одежды — 8–12.
Считается выручка, а не только число заказов. Модель может поднять конверсию и при этом уронить средний чек, если полюбит скидочные офферы.
Отдельно смотрят на отписки и спам-жалобы в тестовой группе. Персонализация, которая поднимает выручку на 5% и удваивает отписки, в длинную проигрывает: база дешевеет быстрее, чем растет чек.
Норма
прирост считается по выручке на клиента против контрольной группы
тест длится полный цикл покупки категории
в отчете видны отписки и жалобы, а не только продажи
Red flag
эффект оценивается по кликам из писем с динамическим блоком
контрольную группу «досыпали» посреди теста
выводы сделаны через неделю, потому что «цифры уже красивые»
ЧИТАЙТЕ ТАКЖЕ
«Разбираем, какие блоки сайта можно персонализировать в Mindbox, какие данные для этого нужны и как измерить эффект на конверсию до запуска пилота.»
Чем Next Best Offer отличается от Next Best Action?
NBO отвечает на вопрос «что предложить»: товар, категория, промокод. Next Best Action шире — это любое лучшее действие бренда, включая «позвонить», «отправить полезный контент» или «не трогать клиента неделю». NBO можно считать частным случаем NBA, заточенным под коммерцию.
Сколько данных нужно для старта?
Для ML-модели — история заказов от 12 месяцев и хотя бы 50 тысяч активных профилей, иначе учиться не на чем. На правилах и RFM пилот можно собрать и на меньшей базе — это нормальный первый шаг.
Можно ли настроить Next Best Offer без машинного обучения?
Да. Категорийные цепочки «купил А — предложи Б», RFM-сегменты и динамические блоки в письмах покрывают задачу, пока ассортимент укладывается в пару тысяч SKU, а связки между категориями очевидны. ML подключают, когда ручных правил уже не хватает.
Сколько длится внедрение?
Пилот — 6–10 недель: 1–2 недели на аудит данных, неделя на пространство офферов, 3–4 недели на запуск в одном канале и замер. Масштабирование на остальные каналы — еще 1–2 месяца в зависимости от интеграций.
