В MAXIMUM Education большинство клиентов в базе ни разу не совершали покупку. Чтобы находить их и предлагать именно то, что они захотят купить, научились анализировать промежуточные конверсии — от первого полученного лид-магнита до заявки на звонок отдела продаж. Теперь в MAXIMUM Education есть инструмент, который автоматически оценивает поведение пользователей и ежедневно передает в отдел продаж контакты с высокой вероятностью покупки. Первые результаты уже видны: конверсия в покупку в пять раз выше по сравнению с ручными выгрузками, которые делали раньше на основе гипотез отдела продаж.
+24% к выручке с неактивной email-базы: в MAXIMUM Education научились находить клиентов, готовых к первой покупке
Задача
Увеличить выручку от неактивных клиентов — тех, кто не читает рассылки и не совершал покупку
Решение
1. Анализировать поведение клиентов2. Автоматически находить в базе клиентов с высокой вероятностью первой покупки3. Мотивировать их на покупку через отдел продаж или дополнительные коммуникации в WhatsApp или email
Результат
+24% к выручке отдела продаж с неактивных клиентов (более 60 дней не открывали рассылки)×5 конверсия в заказ при автоматической выборке контактов для обзвона по сравнению с ручной
ИТ.
Мастербаза в ClickHouse, «Яндекс Метрика», Dynamics CRM, бэкенд-сервис для обработки данных ML-модели, платформа автоматизации маркетинга Mindbox
Срок.
6 месяцев
13 февраля 2025
В MAXIMUM Education большинство клиентов в базе ни разу не совершали покупку. Привлечение через платные каналы дорожает, поэтому перед CRM-маркетингом стояла задача найти способ вычислять пользователей, которые с высокой вероятностью совершат первую покупку. А дальше связываться с ними по оптимальному каналу и предлагать именно то, что они захотят купить.
Для этого научились анализировать промежуточные конверсии — от первого лид-магнита до заявки на консультацию отдела продаж. Аналитики вместе с маркетологом определили, по каким действиям клиента можно судить о его готовности к покупке. А также обучили ML-модель, которая эту готовность определяет.
Теперь в MAXIMUM Education есть инструмент, который автоматически оценивает поведение пользователей и ежедневно передает в отдел продаж контакты с высокой вероятностью покупки. Первые результаты уже видны: конверсия в покупку в пять раз выше по сравнению с ручными выгрузками, которые делали раньше на основе гипотез отдела продаж.
Эта история будет интересна бизнесу с долгим циклом продаж — опыт MAXIMUM Education поможет находить в базе клиентов, которых легко конвертировать в покупку.
Результаты
-
+24%к выручке отдела продаж при звонках клиентам без покупок
-
×5конверсия в заказ
Данные из внутренней отчетности MAXIMUM Education за декабрь 2024 года. Сравнивается конверсия в заказ двух сегментов неактивных клиентов: найденных при помощи прогнозных алгоритмов и выгруженных вручную по запросу отдела продаж. Линейная модель атрибуции (учитываются конверсии в сделки тех клиентов, которые за последние 30 дней были выбраны моделью как «перспективные» и обзванивались отделом продаж)
В основном мы пополняем базу контактов с помощью бесплатных мероприятий, например вебинаров, профориентации, выставок. Пользователи оставляют email и телефон, а дальше мы с помощью целевых коммуникаций или звонков отдела продаж приводим их к покупке основного продукта — курсов подготовки к ОГЭ или ЕГЭ.
Примерно 90% базы не совершали покупку. 30% таких клиентов читают рассылки, и мы конвертируем их в покупателей с помощью целевых предложений в письмах. Некоторым подготовка к ОГЭ или ЕГЭ уже неактуальна. А кто-то все еще выбирает курс, но пока не оставляет заявку. Мы поставили перед собой задачу — научиться находить последних и помогать им решиться на покупку.
Стандартный RFM-анализ в этом случае не поможет. Нужные нам клиенты еще не делали заказов, соответственно, их нельзя классифицировать по частоте или размеру покупки.
К решению нас подтолкнул RFQ-анализ. Q означает quality, то есть качество поведения пользователя. В отличие от RFM, RFQ-анализ учитывает не покупки, а любые взаимодействия с брендом: посещение сайта или его определенных страниц, скачивание лид-магнитов, общение в боте, переходы по рекламным баннерам. Предполагается, что, анализируя поведение пользователей, можно идентифицировать, кто из них конвертируется в покупку с большей вероятностью.
Мы адаптировали этот анализ под особенности бизнеса и научились выявлять пользователей, которые не оставляют заявку и не вступают с нами в диалог, но кого можно подтолкнуть к покупке (об этом подробно расскажем в статье). Найденные контакты передаем в отдел продаж, чтобы менеджер связался с ними. В результате отдел продаж получает целевые контакты, которые конвертируются в клиентов в пять раз лучше тех, кого раньше отбирали вручную.
Шаг 1. Определили факторы, влияющие на покупку
В MAXIMUM Education собрали список критериев, по которым можно определить готового к покупке пользователя. Например, предположили, что клиент с высокой долей вероятности купит, если:
- он регистрировался в X «мягких» воронках — посещал вебинары, профориентационные консультации или пробные уроки;
- выполнил одну из определенных последовательностей действий. Например, прошел профориентацию, затем зарегистрировался на вебинар и задал вопрос о курсе в Telegram-боте;
- у него X касаний с брендом за последние 30, 60 или 180 дней — посещал сайт, открывал email, переходил по ссылкам из SMS.
Всего было порядка 30 факторов, которые сформулировали и проверили в MAXIMUM Education.
Гипотезы проверяли на исторических данных, для этого мы объединили в датасет информацию из CRM-системы и Mindbox. В итоге увидели каждое действие клиента: как он открывал письма, посещал сайт, регистрировался на вебинары, общался с отделом продаж, получал сообщения в WhatsApp. Поскольку курсы подготовки к ОГЭ и ЕГЭ покупают вплоть до мая, мы использовали данные за весь учебный год. Так мы точно знали, какие клиенты совершили покупку, а какие — нет.
В этих данных аналитики искали закономерности в покупательском поведении. Например, сравнивали посещения вебинаров, профориентаций и пробных уроков у клиентов с заказами и без. Или искали паттерны поведения у разных пользователей.
На этом этапе выяснили:
- Количество регистраций в «мягких» маркетинговых воронках не влияет на вероятность покупки.
- Нет строгой последовательности действий, которая приводит к покупке.
- Частота касаний с брендом влияет на вероятность покупки. Однако важно, чтобы пользователь сам совершал действия. Например, если ему отправили email или SMS — считать это качественным касанием нельзя. А вот если клиент перешел по ссылке в письме или сообщении — вероятность покупки повышается.
Интересно, что о высокой вероятности покупки говорило самое простое действие — посещение сайта, а не, например, звонок в колл-центр или взаимодействие с чат-ботом в WhatsApp. При этом неважно, как клиент попал на сайт: нашел ссылку в поисковике, перешел из рекламы или из письма — если он оказался на сайте, шансы на покупку возрастают.
Однако нужно было проверить на практике, насколько эффективно сегментировать клиентов по количеству посещений сайта.
Шаг 2. Проверили, как посещения сайта влияют на конверсию из рассылок в заказ
Чтобы проверить, как частота касаний пользователя с брендом влияет на вероятность покупки, провели несколько AB-тестов. Вот результаты двух из них.
Дополнительная рассылка об акции в WhatsApp после email
До исследования базы мы использовали платные каналы коммуникации (WhatsApp, SMS) только для горячей аудитории. «Горячими» считали пользователей, которые не оставляли регистрацию на курс, но хоть как-то реагировали на email-рассылки с промоакциями — открывали их или переходили по ссылкам.
Теперь у нас появилась новая гипотеза: считать «горячими» нужно клиентов с X (точное число не раскрываем по просьбе MAXIMUM Education) посещениями сайта за 30 дней. Решили протестировать этот сегмент в рассылке.
Гипотеза: конверсия в покупку из рассылки в WhatsApp будет выше у клиентов, посетивших за 30 дней сайт X раз. Сравнивали с конверсией сегмента, который использовали раньше, — с теми клиентами, кто недавно переходил по ссылке из письма, но не оставил заявку на покупку.
Тестирование: чтобы сегменты не пересекались, из базы сначала выбрали клиентов, которые переходили по ссылке из письма, и собрали их в отдельный сегмент. Затем из оставшейся базы выбрали такое же количество тех, кто посещал сайт.
Обоим сегментам отправили одинаковое сообщение в WhatsApp. Результаты сравнивали по конверсии в покупку, окно атрибуции составляло 45 дней.
Рассылка для участников теста в WhatsApp: сравнивали конверсию в покупку у двух сегментов — клиентов, посетивших за 30 дней сайт X раз, и клиентов, которые недавно переходили по ссылке из письма, но не оставили заявку на покупку
Гипотеза подтвердилась: у сегмента клиентов с X посещениями сайта за 30 дней конверсия была выше.
Сегмент
Конверсия в заявку на курс
Конверсия в покупку
Перешли на сайт по ссылке из email, но не оставили заявку
Y
Z
Посещали сайт X раз за 30 дней
2,2Y
4Z
Доверительная вероятность теста — 85%
Вывод: для рассылок в WhatsApp чаще стали использовать сегментацию по количеству посещений сайта, а не действий в email-рассылках.
Email-рассылка об акции
Когда в MAXIMUM Education проходят акции, об этом рассказывают в массовых email-рассылках. Один из параметров сегментации — взаимодействие с рассылками. Если клиент открывал хотя бы одно письмо за последние 60 дней, его относят к активным и отправляют рассылки про каждую новую акцию. Если клиент не открывает письма в течение 60 дней, он попадает в сегмент неактивных, которым рассказывают только о самых крупных акциях — примерно 1–3 письма в месяц.
В MAXIMUM Education предположили, что среди неактивных клиентов все же можно найти тех, кто готов к покупке. И если отправить им письмо об акции, можно получить дополнительные продажи, не переспамив остальную неактивную базу.
Гипотеза: у пользователей, которые не открывают рассылки, но посещают сайт, конверсия в покупку будет выше. Сравниваем с теми, кто открывает рассылки, но не посещает сайт.
Тестирование: тестовые группы были одинакового размера, сегменты не пересекались.
Тест провели во время акции, двум сегментам отправили одинаковое письмо. Результаты оценивали по конверсии в покупку. Окно атрибуции — 30 дней.
Письмо, которое получили оба сегмента: те, кто читает рассылки, и те, кто их не открывает, но посещал сайт
Гипотеза подтвердилась: у пользователей, не читающих письма, но заходивших на сайт, конверсия в покупку курса в 3,8 раза выше, чем у активной аудитории.
Сегмент
Конверсия в заявку на курс
Конверсия в покупку
Открывали рассылки, но не посещали сайт
Y
Z
Посещали сайт X раз за 30 дней, но не открывают рассылки
2,5Y
3,8Z
Доверительная вероятность теста — 95%
Аналогичный тест провели в последний день акции, и снова сегмент клиентов, посетивших сайт X раз за 30 дней, показал лучший результат.
Письмо для повторного теста по сегментам: клиентам, которые, кто читает читают рассылки, и клиентам, которые их не открывают, но посещают сайт
Сегмент
Конверсия в заявку на курс
Конверсия в покупку
Открывали рассылки, но не посещали сайт
Y
Z
Посещали сайт X раз за 30 дней, но не открывают рассылки
3,9Y
6Z
Доверительная вероятность теста — 85%
Благодаря тестам мы расширили понятие активной базы. Раньше считали активными только тех, кто читает рассылки. Теперь стали добавлять в этот сегмент и тех, кто не читает письма, но заходит на сайт, — таким подписчикам стали чаще делать офферы, и рассылки начали приносить больше продаж.
Шаг 3. Обучили и протестировали ML-модели, чтобы находить горячих клиентов
Хотя тесты показали неплохие результаты, мы не верили, что просто посещение сайта — это и есть тот самый фактор, который определяет вероятность покупки. Когда все вокруг говорят про ML-модели и сложную систему анализа клиентских действий, было странно опираться только на такой простой фактор. Казалось, что все намного сложнее и прогнозная модель с машинным обучением сможет точнее определять вероятность покупки.
К тому же мы хотели делить базу не только на две части: перспективные и нет. Было бы лучше, если бы мы могли выделять и промежуточные сегменты, например предотток, которому необходим супероффер, или совсем бесперспективных, которых нет смысла хранить в Mindbox. Поэтому я планировала, что мы сможем вернуться к идее RFQ-анализа и присваивать пользователям баллы по степени заинтересованности.
Параллельно с ручным анализом базы в MAXIMUM Education начали обучать ML-модель, которая также выделяла бы из базы клиентов, готовых к покупке. Обучалась ML-модель на исторических данных о том, как пользователь реагировал на звонки, рассылки, вел себя на сайте, какие заметки оставлял о нем отдел продаж. Результатом анализа должно быть дробное число от 0 до 1 — чем больше число, тем выше вероятность, что клиент совершит покупку.
Мы тестировали разные виды ML-моделей: логистическую регрессию (LogisticRegression от sklearn) и градиентный бустинг. Экспериментировали с масштабированием признаков (Standart Scaler и Min Max Scaler). Добавляли и удаляли признаки, например пробовали учитывать факт звонка или даже его результат — недозвон, отказ, успешная коммуникация. Экспериментировали с периодом, за который брали данные, — последний месяц влиял ощутимо сильнее, чем предыдущие.
Чтобы выбрать лучшую модель, для каждой мы проводили трехэтапную проверку. Когда модель выдавала точный прогноз, ориентируясь на исторические данные, ее проверяли на точность работы с данными последнего месяца. Если получали хороший результат, тестировали модель «в бою». Например, отдавали сформированный сегмент отделу продаж для обзвона, а потом сравнивали полученную конверсию в продажи с конверсией, которую давала ручная выборка.
Финальным этапом стал тест на свежих данных. Моделям «скормили» информацию о недавней активности клиентов за август 2024 года, скрыв информацию о совершенных покупках. И посмотрели, насколько алгоритм угадал, кто стал клиентом, а кто нет. Для оценки использовали F1-меру — показатель, который помогает учитывать точность (precision) и полноту (recall) модели. Точность показывает, какая доля клиентов, которых выбрала модель, действительно совершила покупку, а полнота — какую долю из всех реальных покупателей модель смогла правильно идентифицировать. Лучший результат (от 0,7–0,9) неизменно показывала CatBoostClassfier.
Шаг 4. Встроили прогнозную модель в работу отдела продаж
В MAXIMUM Education объединили результаты ручного анализа базы и прогнозы ML-моделей. Для этого разработали собственную прогнозную модель, которая автоматически:
- Выделяет клиентов, которые X раз посещали сайт за последние 30 дней.
- Анализирует выделенный сегмент с помощью ML-модели. Оставляет только клиентов с вероятностью покупки выше 0,8.
- Убирает из полученного сегмента клиентов, с которыми не стоит коммуницировать в этом канале. Например, если клиент не отвечает на звонки, его не добавляют в список для обзвона отделом продаж. Так, для каждого канала получается свой список клиентов.
Когда участники теста показали хорошую конверсию в покупку, мы автоматизировали передачу «горячих» контактов в отдел продаж. Теперь во внутренней базе данных собирается информация из Mindbox, обрабатывается прогнозной моделью и загружается в CRM. Оттуда менеджеры отдела продаж забирают контакты в работу.
Прогнозная модель позволила находить и приводить к покупке пользователей, которые не оставляли заявку на обучение. Так появилась новая механика — реактивация в отделе продаж.
Вторая механика, которую мы создали, — это ALARM для отдела продаж. Допустим, пользователь хочет купить курс, оставляет на сайте заявку и с ним связывается отдел продаж. В идеальной вселенной после этого человек оплачивает курс, но по разным причинам этого может не произойти. Например, если клиент взял время подумать. Раньше такие пользователи часто «выпадали» из цепочки продаж. Теперь прогнозная модель отслеживает их активность: если человек заходит на сайт, его контакт автоматически передается в отдел продаж. С ним связываются повторно, чтобы завершить покупку.
Хотя на исследование и тестирование прогнозных моделей мы потратили больше времени, чем ожидал бизнес, нам удалось выполнить поставленную задачу. Мы создали механику, которая позволяет получать продажи с неактивной базы, экономя ресурс отдела продаж: ежедневные сегменты для реактивации небольшие, а конверсия в продажу у них в пять раз выше, чем при ручных выгрузках. При этом дополнительно создали инструмент повышения конверсии в сделку, в которой клиент сам проявил активность и оставил заявку.
Бонус: как с помощью прогнозной модели доработали «брошенный» сценарий
В MAXIMUM Education действует сценарий «брошенный просмотр курса». Раньше он состоял из двух email-рассылок: если пользователь не совершал покупку в течение двух дней, ему отправляли еще одно письмо.
С появлением прогнозной модели сценарий доработали. Теперь пользователям, которые не открыли в течение суток письмо «брошенный просмотр», отправляют сообщение в WhatsApp. Но не всем, а только тем, кто посещал сайт X раз за последний месяц. Оффер в сообщении прежний, но при этом конверсия в регистрацию выросла: прежде у email-рассылки была нулевая конверсия, а у сообщения в WhatsApp сейчас — 4,8%.
Письмо, которое получали раньше все клиенты, а теперь только те, кто не посещал сайт в течение месяца. Конверсия в регистрацию по last-non-direct-touch по клику — 0%
Сообщение в WhatsApp для клиентов, которые посещали сайт X раз за последний месяц. Конверсия в регистрацию — 4,8%
Планы
MAXIMUM Education уже настроил интеграцию и начал передавать прогноз ML-модели в Mindbox. Это помогает обогащать карточки клиентов данными об их заинтересованности в покупке, а также канале, в котором с ними лучше взаимодействовать.
Ранее сегменты выгружались вручную и передавались в отдел продаж для обзвона. Теперь этот процесс автоматизирован.
Следующий шаг — начать отправлять каскадные рассылки email + WhatsApp тем, кто не отвечает на звонки. Это позволит:
— перевести клиентов в мессенджер, где они могут в переписке задать вопросы и приобрести курс самостоятельно;
— максимально охватить заинтересованных пользователей всеми доступными каналами.
Также прогноз ML-модели уже начал использоваться для массовых рассылок в WhatsApp, которые отправляем из Mindbox, со специальными предложениями.
Следующим шагом будет углубление сегментации. Планируем выделить в базе большое количество сегментов: новички, активные, предотток, отток. Каждый сегмент будем делить на неперспективных и перспективных. Для последних настроим триггерные рассылки в WhatsApp.
P. S. В этой истории мы рассказывали о наших продуктах Рассылки и CDP. Узнайте подробнее на их страницах или в разговоре с консультантом.
