Гипотезы от ChatGPT и микросегментация. Как маркетплейс USmall растит число покупок в email

USmall — интернет-магазин одежды, обуви и товаров для здоровья из США
Масштаб бизнеса. 
840 тысяч клиентов в базе
автор
Анна Степанова,
продакт-менеджер USmall
Задача
Увеличить число покупок в email-канале
Решение
Дробить базу на микросегменты по покупкам, просмотрам товаров и потребностям
Отправлять точечные коммуникации
Результат
На 20% выросло число покупок в email
Показатели писем с микросегментацией выше, чем у остальных рекламных рассылок: 
— на 5,4 п. п. выше средний open rate
— в 3 раза выше средний CTR

ИТ. 

Самописные сайт и база данных, аналитика на Tableau, платформа автоматизации маркетинга Mindbox

Срок. 

5 месяцев (с марта по июль 2023 года)
У интернет-магазина товаров из США USmall — 840 тысяч клиентов в базе. При этом компания делает настолько точечную сегментацию, что некоторые рассылки уходят всего паре сотен получателей.
В материале расскажем:
  • как точечные сегменты помогают USmall растить кросс-продажи;
  • какие гипотезы по микросегментам оказались эффективными, а какие — не сработали;
  • как ChatGPT помог предугадать потребности клиентов, и какие его инсайты использовали в коммуникациях.

Результаты микросегментации

  • на 20%
    выросло число покупок в email с марта по июль 2023 года
  • на 5,4 п.п.
    выше средний open rate у писем с микросегментацией, чем у остальных рекламных рассылок
  • в 3 раза
    выше средний CTR у писем с микросегментацией, чем у остальных рекламных рассылок

Показатели в рассылках USmall

Средний показатель
Без микросегментации
С ней
Open rate
14,6%
20%
CTR
1,1%
3,3%
Конверсия в покупку
0,03%
0,4%
Конверсия в покупку рассчитывалась по модели last click

Как коммуницируем с клиентами раздела «Здоровье»

Автор
Альбина Миннеханова,
 CRM-менеджер, email-маркетолог USmall
Я пришла в USmall в марте 2023 года. Первые пару месяцев погружалась в процессы и тестировала первые гипотезы в email. Поначалу выделяла сегменты для рассылок с учетом истории покупок и просмотров товаров. Позже пришла идея учитывать также потенциальные потребности клиентов. Расскажу, как сделали это на примере раздела «Здоровье».
По каким параметрам сегментируем клиентов раздела «Здоровье»:
По просмотренным товарам. Мы начали с того, что отобрали 15 самых популярных категорий продуктов в разделе «Здоровье». В них в том числе вошли омега-3, витамин D, магний. Собрали сегменты из клиентов, которые недавно просматривали эти товары на сайте. Для них сделали отдельную рассылку с подборкой данных препаратов. Рассылка показала рост CTR по сравнению со стандартными рекламными рассылками.
Картинка
Обычная рекламная рассылка для клиентов из раздела «Здоровье», которая отправляется регулярно. Open rate — 13,5%, click rate — 0,5%
Картинка
Рассылка про самые популярные товары в разделе «Здоровье». Open rate — 15%, click rate — 1,8%

Продукт Mindbox
Рассылки

По потребностям. Постоянно отправлять рассылку с популярными товарами мы не могли: их число ограниченно, и клиентам это быстро надоело бы. Так появилась гипотеза сделать сегменты по потребностям покупателей.
Объясню на примере. Мы подумали: каким категориям клиентов мы можем продать магний, кому он может быть полезен. Предположили, что это люди, у которых есть болезни сердца или которые испытывают много стресса. Чтобы найти подходящих людей в нашей базе, построили сегмент в Mindbox из тех, кто искал витамины для сердца и от стресса. Для них подготовили подборку препаратов с магнием. Рассылка показала высокие open rate и click ratе. Так мы поняли, что микросегментация эффективна, и начали регулярно тестировать подобные гипотезы.
Картинка
Рассылка показала результат выше среднего: open rate — 21,5%, click rate — 3,8%

Какие ещё гипотезы с микросегментацией тестировали

Рассылка для аллергиков с антигистаминными препаратами. Эту гипотезу тестировали в начале весны. Отобрали пользователей, которые когда-либо интересовались препаратами от аллергии и сделали для них рассылку с антигистаминными препаратами.
Картинка
Рассылка с промокодом на средства от аллергии. Open rate — 30,2%, click rate — 10,3%
Потом подумали, что сегмент можно обогатить. Например, добавили туда людей, которые искали препараты для дыхательной системы, а также детей — ведь они больше подвержены аллергиям. Сегмент получился очень живой, и мы продолжаем время от времени делать отправки по нему. Пользователи и сейчас активно реагируют на эти рассылки.
Напоминание о покупке витаминов. Витамины пьют постоянно, и они регулярно заканчиваются. Мы решили напоминать людям о том, что нужно пополнить запас. Для этого выгрузили из Mindbox всех клиентов, которые купили упаковку омеги-3 месяц назад (в упаковке 30 драже, пить их нужно ежедневно). Сделали для них рассылку с заходом: «У вас заканчивается запас омеги-3, успейте пополнить». У этой рассылки были очень высокие показатели открытий и продаж и при этом невысокие отписки. Сейчас хотим автоматизировать эту рассылку по самым популярным товарам: витамину D и магнию.
Картинка
Рассылка с напоминанием пополнить запасы витаминов. Open rate — 24%, click rate — 4%

Как сегментируем клиентов раздела «Одежда»

В разделае «Одежда» «переопылять» сегменты и предлагать им новые товары оказалось сложнее, чем в разделе «Здоровье». Возможно, мы пока не нашли рабочих гипотез.
Наш стандартный подход — рассылки по брендам. Например:
  • выбираем людей, которые покупали кроссовки Nike;
  • смотрим, какие еще какие бренды покупают вместе с ним;
  • делаем общую рассылку с разными товарами этих брендов.
Картинка
Средние показатели рассылок по брендам: open rate — 15,7%, click rate — 2,6%
Также проводили эксперименты с делением по категориям. Посмотрели, кто искал на сайте футболки, платья, брюки. Собрали сегменты по категориям и предложили разные товары из них. Это оказалось не очень эффективно: низкие open и click rate, суточная выручка в дни отправки была ниже обычной.
Интересное наблюдение: отклик был преимущественно среди мужской аудитории. Мужчины прицельно приходят за футболкой и покупают именно ее. А вот с покупательницами так не работает: им интереснее просматривать разные товары и выбирать. Видим это по данным о покупках в самописном дашборде (его покажем ниже).
Картинка
Картинка
Рассылка со скидками на футболки показала неплохой результат за счет мужской аудитории. Общий open rate — 19,4%, click rate — 3,3%. Другие тесты рассылок по категориям оказались менее удачными и click rate был менее 1%
Иногда делаем рассылки о конкретных товарах. Например, в дашборде увидели, что на сайте есть спрос на кроссовки Osiris. Узкая ниша клиентов приходит к нам специально за ними. Мы собрали этих клиентов в сегмент и отправили им рассылку со ссылкой на подборку кроссовок. Показатели и выручка рассылки были выше среднего.
Картинка
Рассылка для клиентов, которые интересовались кроссовками Osiris. В письме была ссылка на подборку кроссовок, в том числе на модели с большими скидками.
Open rate — 18,2%, click rate — 5,3%

Как формулируем гипотезы для микросегментов: дашборды и ChatGPT

Дашборд в Tableau. Сначала гипотезы формулировали самостоятельно, выискивая закономерности в покупательском поведении. Для этого использовали самописный дашборд в Tableau. Его создал наш аналитик.
В дашборде собраны данные по покупательскому поведению из разных источников — Mindbox, нашего бэкенда и самописной системы аналитики. Данные в нем обновляются раз в сутки. С его помощью мы ищем гипотезы для новых сегментов и рассылок — главным образом смотрим на то, что покупали определенные клиенты и сколько денег они принесли компании. Выбирая определенные параметры на дашборде, можем собрать нужный нам портрет аудитории, а также понять, что клиенты покупают вместе, что отдельно и что можно предложить им для увеличения числа позиций в чеке.
Все клиенты наглядно поделены по разным признакам. Например:
  • категория (здоровье, одежда),
  • любимый бренд,
  • давность покупки,
  • взаимодействие с коммуникациями (пользовался промокодом или нет, открывает письма или нет).
Картинка
Каждая плиточка на дашборде — это один параметр отбора в сегмент. Например, любимый бренд, категория или давность покупки
ChatGPT. Когда решили сегментировать также по потребностям клиента — обратились за помощью к ChatGPT.
Чем дольше общаешься с чатом, тем больше он знает и может предложить более интересные идеи. Мы прошли несколько стадий:
  1. Рассказали чату про USmall, нашу аудиторию (65% женщины, 35% — мужчины), а также то, какие товары мы продаем (залили в чат все разделы и подразделы). На основе этого попросили сформировать портреты клиентов: кто может интересоваться определенными товарами. Чат прислал в ответ довольно абстрактные очевидные гипотезы в духе: раздел здоровья — для спортсменов, детские товары — для мам с детьми.
  2. Показали чату успешно проведенные сегментации и то, по какому признаку подбирали в них людей. Попросили проанализировать сегмент и сказать, какие еще товары могут быть интересны этим клиентам. Тут тоже интересных гипотез не получили.
  3. Вспомнили, что в разделе «Витаминов» есть товары — двигатели продаж, например магний, омега-3, коллаген. Попросили чат составить портрет клиента, которому нужен магний. Видимо, к этому моменту чат уже неплохо обучился и предложил хорошие идеи. Например, что это люди, которые также покупают витамины для сердца и от стресса, а также родители — детям часто выписывают магний. Идеи чата помогли раскрутить гипотезу и собрать удачный сегмент.
Картинка
Когда ChatGPT обучился, он предложил интересные гипотезы о том, какому сегменту клиентов может быть интересен магний

Что планируем

Хотим превратить удачные гипотезы в триггеры. Сейчас мы тестируем большое количество гипотез, чтобы увеличивать число товаров в чеках. В планах автоматизировать самые удачные из них. Первая на очереди — цепочка с напоминанием о том, что пора пополнить запас витаминов.
P. S. В этой истории мы рассказали о нашем продукте Рассылки. Узнайте о продукте подробнее на его странице или в разговоре с консультантом.