Общее количество CRM коммуникаций на 1 человека ежегодно кратно растет, главным образом за счет пушей и email. Покупатели вынуждены сортировать релевантные офферы и отписываться или игнорировать остальные. В результате, для поддержки высокого CTR и доходности брендам нужно не только проводить много АБ тестов выявляя лучшие предложения для своей ЦА, но и хорошо сегментировать базу для поиска идеальных комбинаций "сегмент-офферы".

Но стандартными средствами, например, RFM анализа, не получится достичь высокой однородности групп и попадания в ее потребности. Использующий только 3 транзакционных признака, метод хорош скорее для первичной оценки. Посмотрим как выглядит реальное распределение клиентов в базе (черные точки) на паре признаков и желтые вертикально-горизонтальные линии границ RFM на иллюстрации ниже. Видно, что эти линии весьма грубо выделяют скопления клиентов и в одном сегменте может быть 3 и более других однородных мелких сегментов.

Продолжением RFM подхода является Микро-сегментация с использованием ML (машинное обучение) для определения границ. Значительно более точный инструмент, обладающий своими аналитическими преимуществами, подробнее о них далее. И также простой в использовании.

Как создается такой инструмент? В дополнение к RFM признакам берутся еще 20-30 подходящих в данной товарной категории, часто менее очевидных. Например:

● По среднему уровню примененной скидки;
● По ширине потребительской корзины;
● По частоте использования баллов лояльности;
● По разнообразию категорий товаров;
● По среднему периоду между заказами;
● По максимальному числу любимого товара в чеке;
● По предпочтению времени дня для покупки или дня недели;
● По уровню коммуникабельности;
● По поведенческой интенсивности;
итд

И для каждой подходящей пары строятся карты сегментаций. ML алгоритм k-means определяет оптимальное кол-во сегментов разбиения и точные границы между ними. Работа именно с парами признаков позволяет изучать сегменты в визуально приятном 2Д формате, оценивая итоговые сегменты и реальное распределение клиентов.

Ниже пример по Времени доставки (и заказа) из магазина быстрой еды и Среднего чека.

Таким образом и точность разбиения базы по ширине всех доступных компании признаков и интерпретируемость этих групп клиентов значимо выше, чем в классическом RFM. На этом этапе в распоряжении аналитика появляется 10-15 подробных карт, каждая из которых делит базу клиентов на Х сегментов в своей паре признаков.

Это уже полезное знание и можно выстраивать CRM стратегию индивидуально под каждый сегмент. Но это все еще не микро-уровень. Все дело в том, что сегментации можно пересекать между собой! Но обо всем по порядку.

Так как наша конечная задача - собрать оптимальные "сегмент-офферы", мы изучаем базу в контексте "Кому" и "Что". Для этого, методологически, мы условно разделяем все сегментации на 2 типа ЦЕЛЕВЫЕ и ОПИСАТЕЛЬНЫЕ

В целевых сегментациях мы делим клиентов с позиции целей маркетинга: увеличение ценности клиента, предотвращение оттока, развитие ширины потребительской корзины, повышение лояльности и др. Те каждый сегмент отражает ценность клиента в том или ином аспекте. Целевые сегментации позволяют выстроить путь (серия сегментов), по которому мы хотели бы провести клиента, чтобы максимизировать его ценность для компании.

Описательные сегментации помогают нам лучше понимать потребности клиентов и формировать для них лучшее предложение. Это могут быть сегментации по отношению к скидкам, по приоритетным ценовым / товарным категориям, по склонности покупать много, по стремлению покупать новые коллекции / сопутствующие товары и др.

И далее аналитик формирует гипотезы роста пересекая Целевые и Описательные сегментации через всем знакомый инструмент сводной таблицы.

На простом примере разберем как происходит эта магия:
Например, вы решили проанализировать "Эконом" сегмент (из финансовой сегментации по показателям LTV и Lifetime). Чаще всего это самый крупный стагнирующий сегмент в Базе. Добавим его в фильтр сводной таблицы.
А на Оси поставили сегментации по Чувствительности к скидкам (_03_dh: от низкой <20% до стабильно высокой >40%) и склонности к покупкам категории (_09_gender: Детская, Женская, Мужская и их комбинация).

Сразу заметны закономерности, которые нужно использовать в офферах:

• покупатели Детской одежды (09_Д) индифферентны к скидкам (таких 97%);
• а в 09_ЖД сегменте таких все еще 48% и также больше всего dh_evil - "Охотников за скидками" (15%);
• стабильно высокую скидку 03_dh_robust ждут в сегменте 09_МЖД (29%).

Таким образом, один крупный Econom сегмент мы разбили на 20 микро-сегментов, каждый из которых характеризуется особым поведением. И под каждый уже сильно проще разработать свой подход в рамках CRM/CVM стратегии. И это только начало.

*А что делать, если База ну крайне большая? Мы комфортно работаем с базами 10 млн+ клиентов. Технически, таблица с принадлежностью всех клиентов к сегментам хранится в аналитическом хранилище (например Clickhouse или GBQ) и подключается как источник в Google Sheets на отдельный лист. На других с нее строятся сводные. Это позволяет работать с любой БД любой размерности без задержек в расчетах.

Сформировав список выделяющихся сегментов и оценив проседающие метрики, аналитик на следующем шаге подбирает подходящие механики воздействия на них. Это можно делать как в ручную опираясь на свой опыт и базы знаний, так и с помощью рекомендательной отдельной модели или LLM модели в общем виде.

Механики могут отличаться как по силе монетарного воздействия (часто связано с ее ценой для компании), так и типом, например быть игровыми и не задействовать монетарный стимулы.

Отдельно отметим широкий набор работающих когнитивных искажений, популярных в ecommerce.

Подробнее о работе с методологией рассказываем в руководстве. На этом этапе с готовой Сводной Таблицей для анализа компания уже самостоятельно генерирует десятки гипотез и проверяет их на АБ тестах.

Наша роль в продолжении проекта микро-сегментации сводится к 3м сервисам:

1. Обеспечить обновляемость сегментов с загрузкой новых данных из CDP. Для этого готовятся коннекторы к используемым системам и БД и с нужной регулярность (раз в день / неделю / месяц) скрипты догружают данные из БД и сегменты обновляются;
2. Предоставить ПО (программное обеспечение) - Customer Selector для визуально простого метода работы со всеми подготовленными сегментациями (графический конструктор микро-сегментов);
3. Помогать продолжать генерировать узкие гипотезы роста. Например, по 20 в месяц, чтобы отбирать лучшие 5-10 в тесте. На иллюстрации показана их простая структура.

Формат оформления гипотез заранее согласовывается с заказчиком как и другие критические вводные. Например, мин/макс размеры микро-сегмента, или маркетинговая цель, как работа исключительно с пред-оттоком.

Наиболее интересные результаты получаются с использованием больших языковых моделей (LLM) моделей для массового генерирования идей. Мы используем разные библиотеки, в основном от Antropic. Но переходить к данному инструменту мы рекомендуем после успешного завершения первого этапа с созданными гипотезами "вручную".

Возвращаясь к важному элементу технологического стека по работе с сегментами, а именно ПО для гибкой визуализации и формирования микро-сегментов, остановимся на Customer Selector App.

Данный сервис устанавливается на компьютер (в текущей версии), и позволяет:

1. Выделять криволинейные области на картах произвольной сложности;
2. Переключаться между картами и оценивать размещение уже выбранных клиентов на них;
3. Производить сложные расчёты по выделенным клиентам: квантили по числовым признакам и доли по категориальным;
4. В автоматическом режиме выгружать выбранных клиентов (те собранный микро-сегмент) в CDP/CRM-систему.

Отметим, данный сервис гибко развивается под новые запросы компаний.

В результате описанной работы:

1. Найденные сегменты загружены в CDP;
2. На каждый сегмент подготовлены 1 или несколько гипотез роста с механиками;
3. CRM команда забрифована на подготовку на продакшн рассылок и офферов к гипотезам;
4. Рассчитаны размеры контрольных и тестовых групп, а также длительность теста;
5. Проведены АБ тесты в выбранных каналах;
6. Получены подтвержденные CRM / маркетинговые / финансовые результаты;
7. Принято решение идти с новой пачкой гипотез на следующий круг --> п. 2