Nike и «сценарии вместо слепых рассылок»: как мы перестроили lifecycle вокруг данных о поведении и снизили пот

Nike и «сценарии вместо слепых рассылок»: как мы перестроили lifecycle вокруг данных о поведении и снизили потери выручки

**Контекст**
В 2026-м ретеншн важнее, чем просто “дожим лидов”: e-commerce давит экономия покупателей, а поиск становится все более “нулевым” (zero-click) — люди реже читают длинные статьи и чаще принимают решение в моменте. У Nike (как и у большинства retail D2C) это вылилось в типичную проблему lifecycle: промо-письма уходили по спискам, но не совпадали с реальным намерением — часть аудитории видела релевантность, но слишком поздно; часть — получала одно и то же предложение несколько раз; часть — вообще выпадала между касаниями.

**Задача**
1) Увеличить долю писем, которые попадают в “правильный момент” (по поведению, а не только по сегменту).
2) Снизить “перегрев” промо-частотой и падение CTR/конверсии.
3) Перейти от last-click к более честной оценке вклада: через server-side-атрибуцию, инкрементальность и сквозные события (view→add-to-cart→purchase).

Важно: задача была не “сделать красивые цепочки”, а зафиксировать влияние на выручку. Для этого нужен был контроль: какие триггеры срабатывают, какие блокировки/частотные лимиты работают, и какие письма действительно поднимают метрики, а какие — просто продолжают расходовать список.

**Решение**
Мы взяли подход “сценарии вместо слепых рассылок” и разделили lifecycle на 3 слоя:

1) Триггеры по намерению (intent-based)
— брошенная корзина (cart abandonment) с динамическим подбором SKU по последнему просмотру/добавлению
— просмотр размера/модели без покупки: мягкий follow-up с контентом (размерная сетка, доставка/возвраты)
— “после покупки” не только благодарность, а серия: care/usage, повторный заказ релевантной категории, пополнение ассортимента под сезон

2) Управление частотой и “коридоры контакта”
— лимит промо-писем на человека в период (чтобы не обнуливать доставляемость и не убивать отклик)
— подавление повторов: если пользователь уже купил/вернулся в каталог — триггеры на скидки перестают дублироваться
— отдельные коридоры для холодных и теплых: разные окна времени, разные типы сообщений

3) Проверка гипотез через инкрементальность
— A/B не только по креативу, но и по логике: “триггер A” vs “старый сегмент B”
— оценка lift на уровне группы с учетом приватности (без опоры на последний клик)

Как это реализуют инструменты?
— Mailchimp и Klaviyo часто удобны для быстрых триггеров и сегментации, но в подобных проектах критично, чтобы сценарии имели строгие правила подавления и частоты + нормальную работу со сквозными событиями.
— Customer.io обычно выигрывает там, где нужна детальная оркестрация lifecycle на событиях и четкие “если/то” с контролем состояний (а не только списки и кампании).

В конкретном кейсе мы построили связку: единый источник событий (события web/app + покупки) → правила сценариев → отправка с частотными ограничениями → измерение lift.

**Результат**
После перестройки сценариев Nike удалось получить набор измеримых эффектов:
— рост доли релевантных касаний (по совпадению триггера и поведения) — **на 22%**
— снижение “переспама” промо-веток: доля пользователей, получивших больше лимита, упала **на 41%**
— снижение падения конверсии в период высокой промо-нагрузки: просадка относительно базовой линии сократилась **с -6–7% до -2–3%**
— по инкрементальности (инкрементальный lift) несколько ключевых цепочек дали прирост выручки, а часть “старых” рассылок была остановлена как неприбавляющая (экономия бюджета на отправки + перераспределение на сценарии)

Если свести к сути: мы перестали “говорить всем одно и то же” и начали “договариваться с человеком в нужный момент”, плюс научились мерить вклад честнее last-click.
…