Персонализация в e-commerce: что реально растит выручку

Компания покупает ML-движок рекомендаций, полгода платит за внедрение и ждет роста конверсии. А рассылки в это время уходят всей базе одним текстом, триггер на брошенную корзину сломан еще весной, и никто не знает, сколько денег приносит email-канал. Мы видим такую картину регулярно: бизнес прыгает на третью ступень персонализации, не построив первую.

Персонализация ecommerce работает как лестница: каждый следующий уровень опирается на предыдущий. Ступеней три — сегментные офферы, товарные рекомендации и ML-модели 1:1, и у каждой своя цена вопроса и своя окупаемость. О том, как честно определить свой уровень и куда вложить следующий рубль, рассказывает Василина Бреусенко, CRM-маркетолог ClientCore.

Почему дорогая персонализация не окупается

Рынок продает верхнюю ступень. Вендоры на конференциях показывают кейсы маркетплейсов с миллионами сессий в день и штатом дата-саентистов. Mid-market покупает тот же инструмент — и получает рекомендации, которые выглядят случайными. Причина простая: моделям не хватает данных. На 40 тысячах профилей и трех тысячах заказов в месяц алгоритм не находит устойчивых паттернов.

Вторая типичная история — сырые данные. Движок купили, а товарный фид кривой: дубли карточек, пустые категории, атрибуты заполнены наполовину. Алгоритм честно рекомендует то, что видит. Клиент кликает на «похожий товар», попадает на архивную позицию без остатков и больше рекомендациям не верит. Компания в это время платит за подписку.

Приходит клиент с запросом „хотим персонализацию как у Amazon". Спрашиваю: сегменты по RFM посчитаны? Брошенная корзина работает? Тишина. Как у Amazon не выйдет — там над этим трудятся сотни людей и петабайты логов. А вот плюс 10–15% к выручке канала на простых сегментах — это реально, мы такое делаем регулярно».

Василина Бреусенко

CRM-маркетолог, ClientCore

Уровень 1. Сегментация для персонализации: база, которая кормит

Первый уровень — сегментные офферы. Разным группам клиентов уходят разные письма, пуши и условия: новичкам — приветственная цепочка, спящим — реактивация, любителям конкретной категории — подборки из нее. Затраты минимальные, потому что RFM и категорийные сегменты собираются внутри уже купленной платформы. Mindbox это умеет из коробки, кодить ничего не нужно.

Эффект при этом заметный. Релевантное письмо конвертит в 1,5–3 раза лучше общего по базе, и это видно уже на первых кампаниях. Показательный пример — MINIDINO: рассылки уходили всей базе без разбора сегментов. Мы пересобрали логику и сделали ставку на точность вместо охвата — эффективность email выросла на 110% за квартал (кейс). Никакого машинного обучения там нет: работают правила и данные о поведении.

Кстати, персонализация в crm маркетинге начинается именно здесь. Клиенту безразлично, какая технология стоит за письмом. Он видит, что магазин помнит его размер, интересы и прошлые покупки, — и воспринимает это как личное отношение.

Уровень 2. Товарные рекомендации ecommerce: работают, когда есть что рекомендовать

Второй уровень — алгоритмические подборки: похожие товары, «с этим покупают», персональные блоки в письмах и на сайте. Здесь уже нужны вложения: чистый фид с атрибутами и остатками, интеграция, настройка алгоритмов. И здесь впервые появляются требования к самому бизнесу.

Главное требование — ассортимент. Если в каталоге 30 товаров, рекомендовать нечего: клиент и так видит все. Рекомендательные механики раскрываются на каталоге от нескольких сотен SKU, где покупатель физически не может пересмотреть весь ассортимент. Второе условие — трафик: алгоритму нужны просмотры и покупки, чтобы учиться.

Самое понятное место для рекомендаций — триггеры: письмо о просмотренном товаре, брошенная корзина с подборкой похожего, реактивация с новинками из любимой категории. Так было у FINNTRAIL: раньше каждое письмо собирали полторы недели и отправляли всей базе разом. Мы собрали новый шаблон с персональными блоками — теперь письмо готово за 2 часа, а выручка email-канала выросла на 15% (кейс).

Уровень 3. ML и 1:1: математика для больших чисел

Третий уровень — предиктивные модели: next best offer, прогноз оттока, индивидуальная скидка под конкретного клиента. У крупных игроков это работает и приносит ощутимую долю выручки. Но у моделей есть входной порог, и он высокий.

Для устойчивых предсказаний нужны сотни тысяч активных профилей, десятки тысяч заказов в месяц и история данных минимум за год. Плюс люди: модели надо сопровождать, переобучать, следить за дрейфом данных. Это отдельная функция в команде или платный саппорт вендора — в любом случае регулярная статья расходов, которую редко закладывают в презентации.

Если условия не выполняются, компания платит за инфраструктуру, а получает шум: рекомендации скачут, прогноз оттока ловит случайных людей, доверие к инструменту падает. Через полгода подписку отключают и возвращаются к рассылкам по всей базе — потому что первый уровень так и не построили.

Простой тест: меньше 10 тысяч заказов в месяц — модель не увидит статистически значимых паттернов и начнет персонализировать случайности. На таких объемах честный RFM и грамотные триггеры дают больше денег. Мы это подтверждаем контрольными группами: сегментная механика стабильно обгоняет „умный" алгоритм на маленькой выборке».

Василина Бреусенко

CRM-маркетолог, ClientCore

Как понять, на каком уровне ваш бизнес

Пройдитесь по пяти вопросам. Честные ответы покажут текущую ступень точнее любого аудита.

Считаете ли вы выручку CRM-канала отдельно от общей? Если нет — вы на нулевом уровне, и начинать надо с аналитики, иначе эффект любых механик останется невидимым. Есть ли сегменты, и уходят ли разным группам разные тексты? Если вся база получает одно письмо — ваш уровень первый, и расти есть куда. Работают ли базовые триггеры: корзина, просмотр, реактивация? Это мост между сегментами и рекомендациями.

Дальше два вопроса про готовность к верхним ступеням. Чистый ли у вас фид и достаточно ли широкий ассортимент для рекомендаций? Хватает ли объемов для ML — заказов, профилей, истории? Если на оба вопроса ответ «да», а базовые механики уже приносят стабильную долю выручки, — вам действительно пора смотреть на предиктивные модели. В остальных случаях дешевле и прибыльнее дожать текущий уровень.

Куда вкладывать следующий рубль

Порядок инвестиций выглядит так. Сначала данные и сегменты: затраты близки к нулю, если платформа уже внедрена, эффект виден за месяц. Потом триггеры с товарными рекомендациями: вложения средние, окупаемость — несколько месяцев. И только потом ML: дорого, долго, оправдано на больших объемах.

Ступени при этом усиливают друг друга. ML на чистых данных и живых сегментах дает заметно больше, чем та же модель на свалке из дублей и битых фидов. Поэтому движение снизу вверх заодно готовит фундамент под будущие инвестиции: когда объемы дорастут до предиктивных моделей, данные уже будут в порядке.

И еще один принцип: каждый уровень обязан доказывать эффект деньгами. Контрольные группы, сквозная аналитика, выручка на контакт — зрелая персонализация ecommerce строится именно так, снизу вверх и с проверкой каждой ступени. Без измеримости любая механика превращается в акт веры.