Бренд одежды GATE31 запустил в рассылках автосегментацию по предпочтениям клиентов. Алгоритм анализирует, что клиент чаще смотрит и покупает, и сам собирает персональные подборки товаров или акций. За 2 месяца механика принесла +5,6% к выручке email-канала.
Персонализация и автосегменты по предпочтениям клиентов GATE31: +5,6% к выручке email-канала
GATE31 — бренд одежды из Санкт-Петербурга
Масштаб бизнеса.
16 магазинов в Санкт-Петербурге, Москве и Екатеринбурге. Собственное производство в Санкт-Петербурге и Пскове.
Задача
Увеличить выручку email-канала
Решение
Использовать в email персональные рекомендации и автосегменты по предпочтениям
ИТ.
Сайт на inSales, платформа автоматизации маркетинга Mindbox
Результат
+5,6% к выручке от персонализированных email
Срок.
2 месяца
25 ноября 2025
В рассылках к летней распродаже бренд одежды GATE31 использовал инструмент Mindbox — автосегментацию по предпочтениям. Алгоритм анализирует, что клиенты чаще смотрели и покупали, и автоматически сегментирует базу. На основе этих данных он персонализирует рассылки: формирует подборки товаров или акций индивидуально для каждого клиента.
В кейсе — как GATE31 с помощью AB-теста проверили, что работает эффективнее в рассылках: ручные массовые подборки или автосегменты по предпочтениям. И как за два месяца автоматическая персонализация принесла бренду +5,6% к выручке из email.
Результаты автосегментации по предпочтениям
-
+5,6%к выручке от персонализированных механик
-
+ 4%к средней выручке на клиента (ARPU)
-
+0,37 п. п.к конверсии в заказ из персонализированных механик
В результатах АВ-теста сравнивали механики с автосегментацией и на ручных фильтрах за июль — август 2025 года. Источник данных — Mindbox. Метод атрибуции в email-рассылках — last non-direct touch по кликам, окно атрибуции — 7 дней
Автоматическую персонализацию мы впервые попробовали в мае 2025 года. Видели, что она работает, но хотели понять — насколько персонализированные рассылки эффективнее писем с массовыми ручными рекомендациями. Поэтому во время летней распродажи решили проверить это с помощью AB-теста.
Для эксперимента взяли активных пользователей — тех, кто в течение года открывал письма и делал заказы. Нам было важно работать именно с этой аудиторией: они быстрее реагируют на новые механики, чаще совершают покупки, а значит, с ними скорее накопятся результаты АВ-теста.
Результат нас порадовал: средняя выручка на клиента (ARPU) у персонализированных подборок оказалась на 4% больше, а конверсия в заказ на 0,37 п. п. выше, чем у массовых рекомендаций. При этом рассылки с автосегментацией принесли +5,6% к выручке email-канала.
Персонализированные подборки товаров VS массовые ручные рекомендации: как устроен АВ-тест сегментов GATE31
Автоматическая персонализация в Mindbox работает на основе вычисляемых полей. Алгоритм анализирует заказы и просмотры и определяет интересы каждого клиента. Например, пользователь семь раз смотрел платья, четыре раза — юбки и пять раз — свитеры. Система решает, что ему больше всего интересны платья, и заполняет этой категорией поле в профиле клиента. В отличие от ручных фильтров, которые только фиксируют факты просмотров, вычисляемые поля показывают предпочтения клиента.
Чтобы отправлять персональные подборки, маркетологу достаточно один раз настроить шаблон письма и выбрать параметры вычисляемого поля — дальше алгоритм подберет рекомендации товаров для каждого клиента. Главное условие: в Mindbox должны передаваться данные о заказах и просмотрах, иначе поля не будут заполняться.
В АВ-тесте GATE31 одна группа клиентов получала персонализированные рассылки с автосегментацией, другая — массовые подборки. Результаты сравнивали по конверсии в заказ, среднему чеку и выручке на клиента. Поскольку в тесте участвовало несколько механик, в отчет попадали общие результаты без деления по сценариям. От отдельной оценки каждой механики отказались — выборки могли быть слишком малы, чтобы набрать статистическую значимость. В итоге это позволило быстрее получить результаты и завершить тест.
Отчет АВ-теста GATE31 на 7 августа 2025 года: вариант 1 — тестовая группа, вариант 2 — контрольная группа
Во время летней распродажи GATE31 запустили АВ-тест на активных пользователей, чтобы проверить, какие персонализированные механики эффективнее — автоматические или ручные.
Гипотеза. Персонализированные подборки товаров больше стимулируют покупки из email, чем ручные массовые рекомендации.
Метрики. Средняя выручка на клиента (ARPU), конверсия в заказ и средний чек.
Сегмент. Пользователи, у которых в профиле заполнено вычисляемое поле и в течение года они открывали письма и делали заказы.
Фильтр Mindbox для сегмента активных клиентов
Сегмент для АВ-теста GATE31 разделили пополам случайным образом. В течение двух месяцев обе группы получали рассылки с разной логикой подбора товаров:
- Тестовая группа получала рассылки, собранные алгоритмом на основе вычисляемых полей. Система анализировала, какие товары клиент чаще покупает или просматривает, и формировала персональные подборки. Например, если человек дважды покупал пиджак и один раз джинсы, алгоритм определял пиджак как предпочитаемый товар и рекомендовал в письме именно его.
- Контрольная группа получала рассылки с товарами, подобранными вручную. Маркетолог настраивала фильтр, максимально близкий к логике вычисляемого поля, которое участвовало в механике. Например, если алгоритм выбирал категорию товаров с четырьмя и более просмотрами, то в фильтре вручную задавали такое же условие — «Просмотр категории х от 4 раз».
Методика АВ-теста
В АВ-тесте сегментов сравнивали механики на вычисляемых полях и на обычных фильтрах
АВ-тест длился два месяца. За это время для выбранного сегмента параллельно запустили три автоматические кампании:
- Самая просматриваемая категория товаров.
- Снижение цены на просмотренный товар.
- Любимая категория «платья».
Гипотеза подтвердилась. ARPU в тестовой группе оказался выше на 4%, а конверсия в заказ — на 0,37 п. п. больше по сравнению с контрольной. Средний чек в обоих вариантах статзначимо не отличался.
Вариант
ARPU
Конверсия в заказ
Средний чек
Тестовая группа
Х + 4%
5,31%
Х + 132,45 ₽
Контрольная группа
Х
4,94%
Х ₽
Статистическая значимость по ARPU — 95%, по конверсии в заказ — 94,9%
Кампания 1. «Брошенный просмотр»
Механику настроили по действиям клиентов на сайте GATE31 во время летней распродажи. Из сегмента в выборку для теста попали пользователи, которые уходили из раздела Sale без покупки. Дополнительное условие — у клиента в профиле должно быть заполнено вычисляемое поле «самая просматриваемая категория товаров». Это поле формируется автоматически: алгоритм анализирует просмотры клиента за три года и определяет, к каким категориям товаров он проявлял наибольший интерес.
Поле «самая просматриваемая категория товаров» учитывало действия клиента на сайте за три года и категории товаров с минимум четырьмя просмотрами
Если пользователь уходил с сайта без покупки, через три часа ему отправлялось письмо. Тестовая группа получала автоматическую подборку из любимой категории товаров — тем, кто чаще смотрел платья, отправляли платья из раздела Sale, а тем, кто интересовался верхней одеждой, — куртки. Контрольной группе отправляли общую подборку случайных товаров из распродажи.
Сценарий механики «самая просматриваемая категория товаров»
Письмо с подборкой товаров со скидкой из любимой категории клиента «платья и комбинезоны»: open rate — 39,6%, click rate — 8,6%, конверсия в заказ по last non-direct touch — 0,5%
Общая подборка случайных товаров из распродажи: open rate — 37,9%, click rate — 8,4%, конверсия в заказ по last non-direct touch — 0,4%
Конверсия в заказ из рассылок с персональной подборкой товаров оказалась на 0,1 п. п. выше, чем из рассылок с массовой подборкой.
После распродажи мы запустили похожий сценарий для другой категории товаров — новинки. Покупательская активность на тот момент ожидаемо снижалась, и мы хотели проверить, сохранят ли вычисляемые поля эффективность при меньшей вовлеченности аудитории. Но и в таких условиях персонализированные подборки вновь показали преимущество перед общими.
Второй сценарий работал по тому же принципу, что и первый, только вместо распродажи использовали раздел «новинки». В выборку для АВ-теста попали те, кто смотрел новинки и ушел с сайта без покупки, при этом у всех было заполнено поле «самая просматриваемая категория товаров». Тестовая группа получала письма с новинками из категории, которую они чаще всего смотрели на сайте, а контрольная — общую подборку случайных товаров из раздела «новинки».
Рассылка с новинками из любимой категории «верхняя одежда»: open rate — 42,7%, click rate — 6,3%, конверсия в заказ по last non-direct touch — 0,3%
Общая подборка новинок: open rate — 39,1%, click rate — 5,4%, конверсия в заказ по last non-direct touch — 0,1%
Кампания 2. «Снижение цены на просмотренный товар»
Еще одну механику настроили для клиентов, у которых заполнено вычисляемое поле «просматриваемый продукт». При этом они смотрели товары до снижения на них цены. Алгоритм анализировал просмотры клиента за последние 180 дней и заполнял в поле товар, который пользователь открывал три раза и больше.
Профиль клиента в Mindbox с вычисляемым полем «просматриваемый продукт»
Тестовая группа получала письмо о снижении цены на любимый товар — тот, который чаще всего смотрели. Контрольная группа получала письмо о снижении цены на один из последних просмотренных товаров.
Письмо со скидкой на любимый товар: open rate — 40,9%, click rate —10,7%, конверсия в заказ по last non-direct touch — 0,8%
Письмо со скидкой на недавно просмотренный товар: open rate — 29%, click rate — 4,3%, конверсия в заказ по last non-direct touch — 0,3%
Кампания 3. Любимая категория «платья»
Третью механику AB-теста провели после летней распродажи. Обе группы получили одинаковое письмо с подборкой платьев нового сезона. В тестовой оказались клиенты, для которых алгоритм определил платья как их любимую категорию. В контрольной — пользователи, отобранные вручную по фильтру: за последние три года они минимум четыре раза смотрели платья на сайте.
Обоим сегментам отправляли одинаковое письмо с новинками в категории «платья». Конверсия в заказ из персонализированных рассылок и из писем с обычными фильтрами одинаковая — 0,1%. Атрибуция — last non-direct touch по кликам
Цель третьей механики — понять, насколько точно вычисляемое поле отражает интерес клиента: кто с большей вероятностью совершит покупку — пользователи, у которых алгоритм определил интерес к платьям, или те, кто несколько раз просматривал эту категорию.
Выборка клиентов для этой механики получилась небольшой — 30% из сегмента. При этом обе группы получили одинаковое письмо, поэтому и конверсия в заказ в двух группах не отличается. Думаю, что на больших аудиториях влияние вычисляемых полей будет отчетливее.
Бонус: тест гипотезы по предполагаемой дате следующей покупки
Мы предположили: если отправлять рассылки в том же ритме, в котором клиент обычно делает покупки, то такие письма будут чаще конвертировать в заказ и приносить больше выручки. Сейчас гипотезу проверяем вручную: с помощью скрипта разово рассчитываем даты предполагаемых покупок и запускаем тестовые механики. В будущем эта идея может перерасти в отдельное вычисляемое поле в Mindbox.
Для АВ-теста GATE31 в выбранном сегменте были клиенты, которые за последние три года не менее трех раз оформляли и выкупали заказы. Для них рассчитали медианный интервал между покупками и по этой формуле определили предполагаемую дату следующей — с учетом заказов в онлайне и офлайне.
Если клиент из тестовой группы не совершал покупку в течение семи дней после прогнозируемой даты, ему отправлялось автоматическое письмо с подборкой новинок коллекции. Контрольная группа получала рассылку по стандартной логике реактивации — спустя 60 дней от последней покупки.
Рассылка тем, кто не покупал в течение недели после прогнозируемой даты: open rate — 29%, click rate — 4,5%, конверсия в заказ по last non-direct touch — 0,3%
Стандартная рассылка реактивации через 60 дней от последней покупки: open rate — 22,5%, click rate — 1,3%, конверсия в заказ по last non-direct touch — 0,1%
Считаю эту механику одной из перспективных: она помогает обращаться к клиенту в нужное время и тем самым повышать его вовлеченность и увеличивать показатель пожизненной ценности (LTV).
Планы
- Масштабировать в рассылках автосегментацию по предпочтениям, чтобы увеличивать конверсию в заказ и выручку CRM-канала.
- Улучшать реактивацию: дополнить механику оферами. Например, после пропущенной предполагаемой покупки начислять клиенту бонусные баллы.
P. S. В этой истории мы рассказывали о нашем продукте Рассылки. Узнайте о нем подробнее на его странице или в разговоре с консультантом.
