Реактивация «уснувшей» базы Lamoda через предиктивные модели

Реактивация «уснувшей» базы Lamoda через предиктивные модели

Контекст: В эпоху снижения среднего чека на 5–8%, e-com (электронная коммерция) переходит от агрессивного поиска новых пользователей к глубокой проработке LTV (пожизненной ценности клиента). Для Lamoda задача удержания становится приоритетной, так как привлечение нового покупателя в сегменте Fashion (мода) дорожает из-за перехода на server-side (серверную) атрибуцию и усложнения работы с cookies (файлами данных).

Задача: Снизить отток пользователей, которые совершили последнюю покупку более 6 месяцев назад, и повысить эффективность рекламных кампаний через дообучение алгоритмов lookalike (похожих аудиторий).

Решение: Вместо классических рассылок «мы по вам скучаем», была внедрена система предиктивного скоринга (оценки вероятности). Команда маркетинга совместно с RevOps (системой управления выручкой) выделила сегмент пользователей с высокой склонностью к покупке определенных категорий товаров, основываясь на истории поиска и просмотрах в AI-overviews (ИИ-обзорах товаров).

Реактивация проводилась через каскадную модель:
— Сначала — персонализированная коммуникация в канале с самым высоким показателем open rate (открываемости).
— Затем — таргетинг на этот сегмент в рекламных сетях с использованием lookalike-аудиторий, построенных на «ядрах» лояльных покупателей.
— Использование Server-to-Server (прямой передачи данных) для исключения из показов тех, кто совершил покупку в течение последних 48 часов, что позволило сэкономить бюджет на неактуальных показах.

Результат:
— Стоимость привлечения реактивированного клиента оказалась на 35% ниже, чем стоимость привлечения нового пользователя.
— Конверсия из клика в покупку в группе реактивации выросла на 2,4 процентных пункта.
— Общий LTV (пожизненная ценность) сегмента, прошедшего через цепочку, увеличился на 12% за счет кросс-продаж (продаж сопутствующих товаров), предсказанных алгоритмом.

Урок: В условиях Zero-click (мира, где пользователь получает ответ без перехода на сайт), побеждает тот, кто лучше владеет данными о собственном клиенте (First-party data). Сейчас недостаточно просто «догнать» пользователя ретаргетингом. Необходимо использовать предиктивные модели, которые определяют не только «кого вернуть», но и «какой именно товар предложить, чтобы закрыть потребность в моменте».

Главный вывод: Перенос фокуса с массовых кампаний на точечную реактивацию через предиктивную аналитику — это единственный способ сохранить маржинальность в условиях, когда стоимость трафика растет, а покупательская способность стагнирует. Работайте с RevOps, чтобы каждое касание рекламы имело прямую корреляцию с выручкой, а не просто с охватом.

— @RetentionPaid

По этой же теме советуем @VideoAdsCraft