2 апреля 2026

×2 к выручке от SMS. В patch and go научились отправлять сообщения только тем, кого еще можно вернуть

У магазина уходовой и декоративной косметике patch and go SMS — один из основных и прибыльных каналов коммуникаций с клиентами. В нем отправляют персональные предложения и информацию о бонусах в программе лояльности. Компания понимала, что канал работает хорошо, но стоимость SMS росла. Чтобы увеличить эффективность рассылок, в patch and go сделали ставку на точечную сегментацию вместо массовых рассылок. Для этого внедрили ML-скоринг риска оттока.

В результате выручка от точечных SMS-рассылок в сегменте риска оттока выросла в два раза.

Задача: увеличить эффективность SMS

Кристина Золотарева

Head of SMM patch and go

Для нас важно не просто продавать косметику, а выстраивать долгосрочные отношения с клиентами. Поэтому мы делаем ставку на сервис и тщательный подбор продуктов.

Вокруг бренда сформировалось комьюнити, которое выбирает осознанный уход за кожей. Клиенты ценят бренд за высокий уровень сервиса и бесплатный подбор косметики с учетом особенностей кожи.

Такой подход помогает нам не только привлекать новых покупателей, но и удерживать существующих.

patch and go отправляет рассылки по участникам программы лояльности и тем, кто недавно сделал заказ, без учета риска оттока. Компания работает по сценарию:

patch and go используют SMS-рассылки на всех этапах клиентского пути

Как подключить email- и SMS-рассылки: гид по выбору решения

Вместе с клиентской базой росла стоимость SMS, а выручка с массовых рассылок оставалась на прежнем уровне: часть клиентов продолжала покупать за счет акций, другая часть просто перестала реагировать на сообщения.

Retention rate: как и зачем считать

Решением стал ML-скоринг: модель, которая по поведению каждого клиента предсказывает риск оттока и помогает отправлять SMS тем, для кого сообщение может стать стимулом к покупке.

Решение: внедрить ML-скоринг риска оттока

patch and go вместе с CRM-агентством CRMLOVE решили отказаться от массовых SMS-рассылок и работать точечно с разными сегментами. Для этого на клиентских данных из Mindbox обучили ML-модель, которая оценивает вероятность оттока каждого клиента на основе его истории покупок, изменения покупательского поведения, аналитики email-рассылок. Так, клиент, который покупал раз в месяц и потом пропадал на 60 дней, оказывался в зоне риска оттока.

На основе клиентских данных в Mindbox команда patch and go и CRMLOVE обучила локальную модель прогнозирования риска оттока с горизонтом в девять месяцев. Такой горизонт выбрали на основе анализа клиентской базы: к седьмому-девятому месяцу после первой покупки поведение клиентов стабилизируется, и их retention-паттерны (повторяющиеся модели поведения) становятся более предсказуемыми

Источник данных

Что получает ML-модель

Транзакционная история

Частота, давность, сумма покупок — базовые RFM-сигналы

Веб-активность (трекинг Mindbox)

Визиты, просмотры товаров, добавления в корзину — опережающие сигналы оттока

Email-поведение

Открытия, клики, отписки — индикаторы вовлеченности в канал

История покупок

Ассортимент товаров в корзине клиента, концентрация на топ-брендах, частота смены брендов — индикаторы вовлеченности клиента и его устойчивости к оттоку

Собрать такой датасет без CDP было бы сложно: транзакционная история, веб-активность и email-поведение хранятся в разных системах. Mindbox объединяет их в едином профиле клиента, поэтому команда patch and go и CRMLOVE смогла обучить модель без собственного отдела аналитики ― и получить точность выше индустриального бенчмарка.

На основе данных модель присваивает каждому клиенту предикт — числовую вероятность оттока от 0 до 100:

0–15 — лояльные клиенты, остаются сами. SMS не отправляют;
15–60 — сегмент at risk (средний риск оттока) — мягкая реактивация с небольшими бонусами;
60–85 — сегмент high risk (высокий риск оттока) — активная реактивация с бонусами и сильным офером;
85–100 — клиенты почти потеряны, тратиться на них неэффективно

Для механики выбрали сегмент среднего риска оттока at risk и high risk — клиенты, которые начали реже возвращаться, но еще реагируют на коммуникации и могут вернуться к покупке при дополнительной мотивации. Им отправляли SMS с акционными бонусами по программе лояльности, которые можно было потратить на заказ до конкретной даты. Чтобы понять, какой стимул работает эффективнее, протестировали три варианта начисления: 1000, 2000 и 4000 баллов.

Начисленные бонусы клиенты могли использовать на любую покупку

В patch and go тестировали акционные сообщения с тремя уровнями бонусов: 1000, 2000 и 4000 баллов. Подход позволил сравнить отклик разных уровней лояльности и понять, какой размер вознаграждения дает максимальный эффект без перерасхода бюджета на SMS.

Александр Лезгин

Руководитель проекта, студия CRMLOVE

Мы хотели сфокусироваться только на клиентах, для которых сообщение действительно может стать стимулом к покупке. Скоринговая модель позволила выделить эту аудиторию и сосредоточиться на работе с ней. В результате SMS начали работать как инструмент возврата клиентов: дали измеримый инкремент к конверсии и выручке и позволили эффективнее управлять расходами на канал.

Результат: выручка в сегменте риска оттока выросла вдвое

Чтобы проверить эффективность механики, провели AB-тест: клиентов из сегмента среднего риска оттока разделили на три группы по уровням лояльности. Период акции выбрали с 9 по 15 декабря 2025 года. Контрольная группа не получала сообщений — это позволило оценить, как клиенты покупают без дополнительных стимулов. Тестовая группа получала SMS с начислением бонусных баллов и призывом их потратить.

Результат AB/АБ-теста

Размер бонуса

1000
баллов

2000
баллов

4000
баллов

Контрольная группа (без SMS)

Тестовая группа (SMS с бонусом)

X +13%

Y ×3%

Z ×2%

Инкрементальный эффект:

рост выручки тестовой группы относительно контрольной — 223%;
рост выручки в основном сегменте AB-теста (тестовые SMS с 2000 бонусов) — 337%;
относительный uplift конверсии (конверсия группы с рекламой минус конверсия группы без рекламы) — +85,71%;
статистическая значимость более 80%;
мощность теста — p-value < 0,05;
ROC-AUC модели (бенчмарк индустрии: 0,75–0,85) — 0,93.

Александр Лезгин

Руководитель проекта, студия CRMLOVE

Наша следующая цель — масштабировать механику и использовать ML-подход в других CRM-сценариях:

— развивать скоринговые и рекомендательные модели, которые помогут определить, что и когда предлагать тем, кто бросил товар в корзине или смотрел один и тот же товар несколько раз, но так и не купил;

— углублять сегментацию, чтобы точнее выбирать аудиторию для коммуникаций. Нам уже удалось выделить 115 факторов, по которым строится профиль клиента;

— настраивать разные сценарии, частоту отправки и каналы под отдельные сегменты;

— тестировать стимулы внутри сегмента high risk для поиска оптимального офера.