Data-driven трансформация в ритейле: как Lamoda перешла от сегментации к предиктивному управлению LTV

Data-driven трансформация в ритейле: как Lamoda перешла от сегментации к предиктивному управлению LTV

В условиях 2026 года, когда стоимость привлечения нового клиента (CAC) растет, а средний чек в fashion-ритейле стагнирует, компания Lamoda сфокусировалась на удержании (retention) через глубокую интеграцию данных. Задача состояла в переходе от классической RFM-модели (анализ по давности, частоте и сумме покупок) к предиктивному моделированию жизненного цикла пользователя (LTV — пожизненная ценность клиента).

Контекст: классические системы сегментации перестали учитывать смену паттернов потребления. Пользователи стали чаще переключаться между каналами, а «бесплатный» органический поиск уступил место выдаче нейросетей, что потребовало от компании контроля над первым касанием (first-party data — данные, собранные компанией самостоятельно).

Задача: внедрить CDP-решение, способное в реальном времени объединять профили пользователей из мобильного приложения, сайта и офлайн-точек (пункты выдачи заказов), чтобы предотвратить отток (churn) на ранних стадиях.

Решение: инженеры данных развернули контур, где основным источником истины стал единый профиль клиента. Вместо статических списков рассылки внедрили модель машинного обучения, которая классифицирует пользователя по вероятности совершения покупки в ближайшие 14 дней. Если вероятность падает ниже критической отметки, система автоматически триггерит персонализированное предложение не через массовую скидку, а через актуальный контент, основанный на истории поиска и предпочтениях, которые модель «вытащила» из неструктурированных данных. Атрибуция перешла на серверную сторону (server-side), что позволило исключить потери данных из-за блокировщиков рекламы.

Результат:
— Увеличение повторных покупок на 12% за счет перехода к событийному маркетингу.
— Снижение расходов на «холодные» коммуникации на 22%, так как маркетинговый бюджет был перераспределен на сегменты с высоким потенциалом LTV.
— Внедрение модели предиктивного оттока позволило сократить уход клиентской базы на 7% в годовом выражении.

Урок для Marketing Ops:
1. Данные без возможности их быстрой активации — это мертвый капитал. CDP должна работать как «мозг», управляющий всеми точками касания, а не просто как хранилище логов.
2. В эпоху Zero-click (отсутствие переходов на сайт при получении ответа от нейросетей) владение данными о поведении внутри вашего периметра становится единственным конкурентным преимуществом.
3. Отказ от last-click атрибуции (атрибуция по последнему клику) в пользу инкрементальности (анализ прироста эффективности от конкретного действия) позволил точнее оценивать вклад каждого канала в выручку, что критично для модели RevOps (объединенная ответственность за прибыль).

Для технической команды вывод один: архитектура должна поддерживать потоковую обработку данных (streaming), так как задержка в обновлении профиля клиента на 24 часа в 2026 году эквивалентна потере конверсии.

— @CDProomRu

Глубже разбирают этот метод в @AttributionRoom