hollyshop давал скидки всем клиентам в брошенных сценариях, хотя часть аудитории купила бы и без дисконта. Компания внедрила ML-сегментацию по готовности к покупке и стала отправлять офферы только тем, кому они нужны для принятия решения. В статье ― как делили базу на сегменты, какие офферы давали каждому и как это повлияло на конверсию и валовую прибыль.
5 декабря 2025
+18% к валовой прибыли от автоматических рассылок. hollyshop сегментирует базу по готовности к покупке с помощью ML-моделей
Онлайн-ритейлер косметики и товаров для красоты hollyshop отправлял всем клиентам письма со скидками в рассылках по «брошенным» сценариям. Компания понимала, что часть клиентов купила бы и без дисконта, но не знала, как их выделить. Чтобы решить эту задачу, внедрили ML-сегментацию по готовности к покупке и стали отправлять офферы только тем, кому они нужны для принятия решения.
В результате валовая прибыль от автоматических рассылок в тестовой группе выросла на 18,48%, конверсия в заказ ― на 13,98%, средний чек ― на 16,35%.
Задача: оптимизировать расходы на скидки
В hollyshop отправляли классические рассылки по брошенным сценариям: всем пользователям, которые просмотрели товар или положили его в корзину, но не оформили заказ, отправляли цепочку из двух писем:
- Письмо-напоминание;
- Оффер со скидкой на весь ассортимент.
Механика работала, но мы понимали, что ее эффективность далека от максимума. Мы сливали бюджет, давая скидки тем клиентам, которые были готовы купить и без них. Все клиенты получали письма с одинаковыми офферами ― независимо от того, насколько каждый из них был готов к покупке. Компания упускала потенциальную прибыль.
Команда hollyshop предположила: если сегментировать клиентов по готовности к покупке и делать офферы только тем, кому они нужны для принятия решения, это повысит конверсию и прибыль и снизит расходы на скидки.
Решение: внедрили ML-сегментацию и стали отправлять офферы только целевым клиентам
hollyshop вместе с агентством DataGrow и партнером Mindbox — компанией Segmel — запустили ML-модель, которая оценивает вероятность покупки на основе поведения пользователя: какие страницы он просматривал, сколько времени провел на сайте, какие категории его интересовали и как часто он возвращался.
Модель присваивает каждому пользователю предикт — числовую оценку вероятности покупки от 1 до 100:
- 1 — человек случайно зашел на сайт и не планирует покупку,
- 100 — почти наверняка оформит заказ.
Эти данные автоматически передаются в Mindbox и запускают нужный сценарий рассылки.
Аудиторию делят на четыре группы:
- 0–39 — не готовы к покупкам, оффер не отправляют.
- 40–69 — готовы купить только с существенным оффером. Им отправляют скидку 15%.
- 70–89 — готовы купить с небольшим оффером. Им предлагают скидку 10%.
- 90–100 — заказывают без оффера.
Внедрение ML-сегментации было итеративным и потребовало двух этапов тестирования.
Изначально мы спланировали AB-тест с сегментацией на три крупные группы: 0–50, 50–80 и 80–100. Однако после двух месяцев тестирования мы не смогли получить статистически значимых результатов. Поэтому мы решили углубить сегментацию и разделить базу на более мелкие сегменты: 0–10, 10–20, 20–30.
Результаты позволили выделить три поведенческих кластера:
1. Клиенты из группы 0–40 не совершают покупку даже с оффером.
2. Для сегмента 40–80 оффер становится решающей мотивацией к покупке.
3. Группа 80–100 покупает без стимулов.
1. Клиенты из группы 0–40 не совершают покупку даже с оффером.
2. Для сегмента 40–80 оффер становится решающей мотивацией к покупке.
3. Группа 80–100 покупает без стимулов.
На втором этапе мы отказались от использования контрольной группы для сегмента «0–40». Решение было основано на данных первого тестирования, которые показали, что клиенты из этого диапазона практически не совершают заказов. Чтобы подтвердить эту гипотезу, мы запустили для них рассылку с оффером и зафиксировали отсутствие конверсии. Это подтвердило первоначальные выводы и позволило не дробить и без того нерезультативный сегмент.
Рассылка для тестовой группы сегмента 40–80 ― со скидкой
Рассылка для контрольной группы сегмента 40–80 — без скидки
Результат: валовая прибыль от брошенных рассылок в тестовой группе выросла на 18,48%
Для проверки механики провели АВ-тест брошенной корзины с распределением аудитории 50 на 50: половина получала стандартные письма, половина — письма с персональным оффером.
Результаты теста подтвердили гипотезу и показали статистическую значимость.
Результаты теста брошенного просмотра
Конверсия в транзакцию
Средний чек
Валовая прибыль
Контрольная группа
X
Y
Z
Тестовая группа
X +13,98%
Y +16,35%
Z +18,48%
Рост валовой прибыли от автоматических рассылок на 18,5% доказывает, что мы движемся в правильном направлении. Мы не просто увеличили конверсию, мы сделали это с меньшими затратами на скидки, что и было нашей основной бизнес-целью.
Наша следующая цель ― масштабировать подход:
— Использовать ML-сегментацию во всех сценариях, которые запускаются после окончания сессии.
— Протестировать гипотезу о том, что можно прогнозировать LTV и восприимчивость к офферам сразу после регистрации новичков.
— Экспериментировать с видами офферов внутри рабочих сегментов (40–80).
— Измерять эффект от скидок, подарков, бесплатной доставки, чтобы найти дополнительные точки роста конверсии и среднего чека.
— Использовать ML-сегментацию во всех сценариях, которые запускаются после окончания сессии.
— Протестировать гипотезу о том, что можно прогнозировать LTV и восприимчивость к офферам сразу после регистрации новичков.
— Экспериментировать с видами офферов внутри рабочих сегментов (40–80).
— Измерять эффект от скидок, подарков, бесплатной доставки, чтобы найти дополнительные точки роста конверсии и среднего чека.
