Чтобы сократить затраты на реактивацию, в «Купере» внедрили ML-алгоритм. Он отбирает покупателей из оттока, которые с наибольшей вероятностью вернуться и продолжат заказывать. В кейсе — как за полгода удвоить эффект от реактивации и сократить расходы на 25%.
Сэкономить 25% на реактивации и в 1,8 раза усилить эффект от нее с помощью ML-алгоритма. Кейс «Купера»
«Купер» — сервис доставки товаров из гипермаркетов, аптек, цветочных и других магазинов
Масштаб бизнеса.
Доставляют в 360 городов России, 8 млн клиентов в месяц, 8+ млн товаров
Задача
Возвращать из оттока больше клиентов и снизить стоимость реактивации
Решение
Внедрить ML-модель, которая отбирает самых перспективных клиентов для реактивации
ИТ.
Сайт, мобильное приложение на Android и веб-версия для iOS, хранилище признаков для ML-модели собственной разработки, экосистема персонализации маркетинга и цен Mindbox
Результат
−25% стоимость инкрементального реактивированного клиента×1,8 реактивированных клиентов
Срок.
6 месяцев
17 апреля 2026
Реактивировать клиента в «Купере» стоило дороже, чем привлечь нового. Чтобы сократить затраты, пробовали давать скидку поменьше и отправлять пуши вместо SMS. Однако конверсия из кампаний в заказ падала, а реактивированные пользователи вскоре снова уходили в отток. Так как прежние подходы работали не так эффективно, внедрили ML-алгоритм. Он отбирает покупателей, которые с наибольшей вероятностью вернутся в сервис и продолжат заказывать.
Рассказываем, как за полгода удвоить эффект от реактивации и сократить расходы на 25%.
Результаты
-
−25%стоимость инкрементального реактивированного клиента (CPIU)
-
×1,8реактивированных клиентов
-
+3 п. п.к retention реактивированных клиентов через 2 месяца (RR второго месяца)
Сравниваются третий и четвертый квартал 2025 года: до и после запуска ML-модели. Данные из внутренней аналитики «Купера»
Реактивированным считают покупателя, который сделал заказ, пока действовала кампания. Воспользовался ли он скидкой — неважно, так как задача коммуникации — напомнить о сервисе. Чтобы определить, какие клиенты вернулись именно благодаря промокоду, выделили контрольную группу. В нее случайным образом попало 10% из оттока — этих пользователей исключили из кампании.
Эффект от реактивации оценивают с помощью метрики CPIU (cost per incremental user). Она показывает расходы на возврат одного покупателя. Кроме того, смотрят на retention rate второго месяца. Так отслеживают, какая доля клиентов из оттока остается в сервисе и продолжает заказывать.
Мы в команде отслеживаем три верхнеуровневых показателя активной базы: количество клиентов, их retention и инкрементальный товарооборот от CRM-канала (GMV). Реактивация помогает улучшать эти метрики: каждый вернувшийся покупатель увеличивает лояльную базу и приносит дополнительные заказы.
Реактивируем отток с помощью промокодов. В основном их отправляем в SMS, так как у этого канала самая высокая конверсия в заказ по сравнению с другими. Помимо этого, номер телефона известен у всех клиентов — благодаря сообщениям можем дотянуться до всех пользователей. Пуши, вебпуши и email используем каскадом, чтобы напомнить клиенту о промокоде.
В 2025 году тарифы на SMS выросли. Чтобы CRM-канал оставался рентабельным, мы искали способы снизить затраты на удержание. Например, давали скидку меньшего размера, вместо сообщений использовали пуши. Но каждый из этих подходов возвращал мало покупателей, и их стоимость оставалась высокой. Помимо этого, нам важно растить долю реактивированных, которые продолжают заказывать в сервисе. Так retention базы не будет сильно падать из-за большого числа пользователей, которые совершают одну покупку и уходят.
Так как мы не смогли одновременно снизить затраты и улучшить показатели реактивации, внедрили ML-модель. Она помогла сфокусировать бюджет на самой ценной части оттока — тех, кто вернется с наибольшей вероятностью и останется в сервисе. При этом показатели выросли даже несмотря на сезонность. Перед праздниками часть клиентов возвращается сама, без промокодов. Из-за этого результаты в контрольной группе выше, и модели сложнее показать прирост метрик.
Две попытки снизить затраты на реактивацию и почему они не сработали
В основном «Купер» возвращает клиентов, которые не заказывали последние 60 дней, но совершили хотя бы одну покупку за год. Для тех, кто пользовался сервисом меньше двух месяцев назад, работают отдельные ML-алгоритмы. Они предсказывают, кто из покупателей может уйти в отток. Чтобы удерживать таких клиентов, используют розыгрыши, сезонные товарные подборки и офферы от других направлений сервиса. Например, тем, кто обычно заказывает только продукты, предлагают оформить доставку из аптеки, ресторана или цветочного магазина. Клиентов, которые не пользовались сервисом больше года, возвращать дорого, поэтому с ними работают более точечно.
Чтобы оптимизировать затраты на реактивацию, проверили несколько гипотез с помощью AB-тестов. Для «Купера» было важно сократить расходы, но при этом вернуть не меньше клиентов. Поэтому результаты экспериментов отслеживали по нескольким метрикам, основные из которых: стоимость инкрементального реактивированного клиента (CPIU) и конверсия в заказ. В среднем тесты длились 7 дней: большой объем базы позволял быстро получать статзначимые результаты.
Тест 1. Пуши вместо SMS
Гипотеза: если вместо SMS отправлять пуши тем, кто на них подписан, затраты на реактивацию снизятся, а конверсия в заказ не упадет.
Механика: отток поделили случайным образом 50/50. Группа А получала промокод в SMS или пушах, если пользователь был на них подписан, группа B — только SMS.
Результат: у тех, кто получал пуши и SMS, меньше стоимость реактивации, но при этом ниже конверсия в заказ. Так как для «Купера» важно вернуть как можно больше клиентов, подход не стали масштабировать.
Конверсия в заказ
Стоимость реактивированного клиента
Группа A, SMS и пуши
X
Z
Группа B, только SMS
×1,3 X
×1,2 Z
Статистическая значимость — 95%
Тест 2. Промокоды с меньшей скидкой
В «Купере» провели серию тестов, где экспериментировали с глубиной скидки. Искали такую, при которой вернуть клиента будет дешевле всего, а конверсия кампании в заказ не упадет.
Гипотеза: если снизить скидку, стоимость инкрементального реактивированного клиента будет ниже и конверсия в заказ не упадет.
Механика: из оттока выделили контрольную группу, в которую попало 10% клиентов. Они не получали никаких коммуникаций. Так маркетологи видели, сколько пользователей вернулись бы сами, без реактивации. Остальных поделили случайным образом 50/50. Группе А давали скидку 10%, группе B — 20%. Оффер в обеих группах отправляли в SMS и пушах тем, кто на них подписан.
Результат: чем меньше скидка, тем ниже конверсия в заказ и дороже каждый возвращенный клиент.
Конверсия в заказ
Стоимость реактивированного клиента
Группа A, скидка 10%
×1,2 Y
×1,6 Z
Группа B, скидка 20%
×2,5 Y
Z
Контрольная группа
Y
—
Статистическая значимость — 95%
В «Купере» провели серию AB-тестов, но сократить расходы и вернуть больше клиентов из оттока одновременно не удалось. Чтобы решить обе задачи, внедрили ML-модель.
ML-модель для сегментации оттока: меньше стоимость реактивированного клиента
Нам нужен был алгоритм, способный вычислять покупателей, которые с большей вероятностью вернутся. При этом модель должна прогнозировать, кто среди них закажет сам, а кому нужно дать промокод. Так как у нас есть команда ML, решили разрабатывать модель собственными силами. В проекте участвовало три разработчика.
Чтобы обучить ML-модель, требовалась информация о действиях клиентов. Алгоритм получал ее из хранилища, которое уже существовало. Туда передаются данные из четырех источников: Mindbox, сайта, приложения и сервиса промокодов — внутренней системы «Купера». В ней отслеживают, какие скидки получал и применял каждый покупатель.
ML-модель анализирует поведение каждого клиента из оттока. У параметров есть свой вес, например давность последнего заказа может влиять на решение о реактивации сильнее, чем подписка на пуши. Алгоритм учитывает 4 группы признаков:
- история покупок. Давность последнего заказа, частота и регулярность покупок, средний чек, наличие товаров в корзине.
- действия на сайте и в приложении. Активные сессии, просмотр товаров, поиск, выбор магазинов и слотов доставки.
- активность в каналах коммуникаций. Подписки на email и пуши, открываемость рассылок и клики.
- участие в промо. Частота покупок по акциям, виды промо, на которые пользователь реагировал.
Данные в хранилище обновляются в режиме реального времени. На их основе ML-модель ежедневно пересчитывает вероятность покупки для каждого клиента из оттока и передает в Mindbox решение: нужно ли реактивировать клиента и какой промокод выдать
ML-модель обучали на выборке, в которую вошли 10% оттока. Клиентов случайным образом делили в Mindbox на тестовую и контрольную группу. Последняя не получала реактивационные рассылки. Алгоритм изучал поведение клиентов и находил паттерны. В контрольной группе видел, какие пользователи возвращаются сами, без промокода, в тестовой — кого мотивирует скидка.
Ежедневно ML-модель оценивает поведение тех, кто не заказывал последние 60 дней, но сделал хотя бы одну покупку за год. Алгоритм анализирует, что пользователь делал до оттока и как ведет себя сейчас. Например, заходит ли на сайт и в приложение, добавляет ли товары в корзину.
Для каждого клиента рассчитываются два показателя вероятности заказа: с промокодом и без него, а затем вычисляется разница между ними — uplift. По этому значению ML-модель решает, кого реактивировать:
- отрицательный — покупатель закажет сам, можно не возвращать;
- близкий к нулю — промокод не повлияет на решение о покупке, поэтому отправлять его нет смысла;
- положительный — пользователь не купит без скидки, нужно отправить оффер.
Как ML-модель решает, кому отправить промокод
Клиент 1
Клиент 2
Клиент 3
Вероятность заказа с промокодом
0,8
0,6
0,15
Вероятность заказа без промокода
0,4
0,57
0,5
Uplift
0,4
0,03
−0,35
Решение
Выдать промокод: без скидки не вернется, с ней — закажет
Не выдавать: промокод не влияет на решение о покупке
Не выдавать: скорее всего, вернется сам
Каждый день алгоритм передает в Mindbox решение: реактивировать пользователя или нет. Эта информация сохраняется в клиентском профиле. ML-модель отбирает покупателей с максимальным значением uplift, то есть тех, которые:
- вернутся с наибольшей вероятностью,
- не купят без промокода,
- продолжат заказывать после реактивации,
- имеют низкую стоимость реактивации по сравнению с другими пользователями.
Параллельно модель прогнозирует, сколько стоит возврат одного покупателя. Например, какие будут затраты, если охватить 20% или 30% оттока с высокой вероятностью реактивации. Маркетологи сопоставляют эти данные с бюджетом и определяют, кто попадет в кампанию.
Собрать данные, обучить и протестировать модель удалось за месяц. Благодаря ML-модели снизили стоимость реактивированного клиента и увеличили конверсию в заказ, поэтому алгоритм запустили на всю базу оттока.
Реактивация перспективных клиентов: как возвращают покупателей и остаются ли они
Ежемесячно CRM-команда планирует стратегию и оценивает, какой бюджет выделить на реактивационные скидки и SMS. Для этого ориентируются на сезонность и другие факторы. Затем формируют пул промокодов с разным номиналом.
Ежедневно срабатывает сценарий для тех, кого модель отобрала для реактивации. Алгоритм подбирает каждому пользователю персональный оффер. Например, одним назначает высокий минимальный чек, другим — больший размер скидки. Чтобы не было фрода, в Mindbox настроен дополнительный фильтр для сегмента оттока. Он отсеивает клиентов, которые регистрируют несколько аккаунтов ради скидки. Промокод придет только на одну почту, повторно его не отправят.
Сценарий реактивации работает каскадом. Сначала клиент получает SMS. Если пользователь подписан на пуши и в течение двух дней не оформил заказ, ему отправляют напоминание в приложение. Через сутки тем, кто не совершил покупку, присылают email.
Сценарий реактивации для тех, кто не заказывал последние 60 дней, но совершил хотя бы одну покупку за год. На каждом этапе из рассылки исключают пользователей, которые совершили заказ
ML-алгоритм дообучают на свежих данных во время каждой кампании. Для этого из сегмента реактивации выделяют 10% клиентов и делят на две группы: тестовая получает коммуникации, контрольная — нет. На их поведении модель обновляет паттерны: как пользователи реагируют на скидки и кто возвращается без них. Это помогает учитывать сезонность.
Тем, кого ML-модель отобрала для реактивации, отправляют SMS с промокодом
ML-модель помогла возвращать перспективных клиентов за разумные деньги. Retention rate реактивированных на второй месяц вырос на 3 п. п., а значит, больше клиентов остаются в сервисе. Количество возвращенных покупателей за квартал увеличилось в 1,8 раза, а вместе с ним и инкрементальный товарооборот от CRM-канала (GMV). При этом показатели продолжают расти.
Планы
- Дообучить алгоритм на новых признаках клиентов, чтобы точнее предсказывать вероятность покупки. Например, хотят учитывать LTV, возраст и пол пользователей. Эти данные уже передаются в хранилище, но ML-модель их пока не анализирует.
- Персонализировать офферы для оттока, учитывая предпочтения пользователей. Алгоритм будет подбирать не только размер промокода, но и категорию, на которую его выдать. К примеру, тем, кто регулярно заказывает товары определенного бренда, давать скидку на них.
- Запускать ретаргетинг на перспективных клиентов из оттока. Планируют передавать в рекламный кабинет сегменты, которые ML-модель отобрала для реактивации, и показывать этой аудитории объявления.
P. S. В этой истории мы рассказывали о нашем продукте CDP и Рассылки. Узнайте подробнее на его странице или в разговоре с консультантом.
