Настроить cookie
Настройки cookie
Выберите данные которые вы бы хотели передавать на сайте
Рост конверсии +7% в выделенном сегменте аудитории
Категория: кейс
Дата выхода статьи: 21.10.2024
Время прочтения: 5 минут
Основные результаты:
- с 9,7% до 13,4% вырос Open Rate благодаря адаптации информации в e-mail - рассылках;
- Возможность добавления уникальных атрибутов, например, “Стадия ремонта”;
- +7% конверсия в следующий этап коммуникации с клиентом;
- Возможность считать ROPO эффект;
- На +10% выросла доля знаний о том, какой конкретный клиент покупает какой товар;
- Обрабатываем 200 000 000 профилей.
- ОтрасльСеть гипермаркетов материалов для ремонта
- Источники данныхСайт
Мобильное приложение
Чеки
Офлайн магазины
CRM - Каналы коммуникацииE-mail
Телефонные звонки
Push
Заказчик
Компания, объединяющая клиентов, партнёров и профессионалов в единую экосистему для улучшения и благоустройства дома.
Задача
Компания обратилась к нам с запросом на создание омниканальной платформы для обработки данных о клиентах, стремясь улучшить свои коммуникации и повысить эффективность взаимодействия с клиентами. На начальном этапе стояла задача построения комплексного профиля клиента, который бы учитывал все аспекты его взаимодействия с компанией. В качестве основы для этого был выбран инструмент, позволяющий собирать и передавать данные, что обеспечило интеграцию с командами продуктовой аналитики и позволило бы использовать информацию для обучения моделей машинного обучения. Платформа CleverData Join легла в основу для построения сбора и передачи данных.
Необходимо было интегрироваться в процесс работы нашего клиента так, чтобы решать задачи по коммуникациям с клиентами компании, отдавать данные команде продуктовой аналитики, передавать данные для обучения ML-моделей.
В том числе и для решения задачи по построению рекомендательной системы на сайте - когда посетителю сайта показывается наиболее релевантный товар для допродажи.
В том числе и для решения задачи по построению рекомендательной системы на сайте - когда посетителю сайта показывается наиболее релевантный товар для допродажи.
Решение
После интеграции CDP Join была решена задача по объединению профилей клиентов в один, с учетом сбора данных из онлайн и офлайн источников. Платформа начала производить сегментацию аудиторий, хранить атрибуты и историю по ним для дальнейшего использования в аналитике и ремаркетинге, а также для обучения ML-моделей.
Пример сегмента.
Перед заказчиком встал вопрос об отслеживании этапов ремонта у клиента, чтобы своевременно показывать ему товары для дальнейших этапов. Этот сегмент был построен за счет выгрузки данных о покупках в нашу платформу, параллельно система зафиксировала данные о том, что клиент начал интересоваться товарами для ремонта, таким образом, сформировался сегмент: у человека есть пройденный этап ремонта и он зашел на сайт в поисках определенных товаров, значит пора показывать клиенту выгодные предложения для дальнейшего этапа ремонта.
Перед заказчиком встал вопрос об отслеживании этапов ремонта у клиента, чтобы своевременно показывать ему товары для дальнейших этапов. Этот сегмент был построен за счет выгрузки данных о покупках в нашу платформу, параллельно система зафиксировала данные о том, что клиент начал интересоваться товарами для ремонта, таким образом, сформировался сегмент: у человека есть пройденный этап ремонта и он зашел на сайт в поисках определенных товаров, значит пора показывать клиенту выгодные предложения для дальнейшего этапа ремонта.
Как это работает?
Мы собираем сведения о том, что делает клиент: что покупает, на какие сайты заходит, что смотрит. На основе этих данных происходит обучение ML-модели, которая определяет цепочку, действия клиента и паттерны его поведения до момента покупки.
Модель обучается на кликстриме пользователей, агрегированном с помощью CDP. Если в дальнейшем наш клиент захочет решить задачу, например, по подстройке контента на сайте, то модель можно будет использовать в связке с Модулем Оперативного Профиля, для скоринга пользователей и подстройки контента на сайте в режиме реального времени.
Мы собираем сведения о том, что делает клиент: что покупает, на какие сайты заходит, что смотрит. На основе этих данных происходит обучение ML-модели, которая определяет цепочку, действия клиента и паттерны его поведения до момента покупки.
Модель обучается на кликстриме пользователей, агрегированном с помощью CDP. Если в дальнейшем наш клиент захочет решить задачу, например, по подстройке контента на сайте, то модель можно будет использовать в связке с Модулем Оперативного Профиля, для скоринга пользователей и подстройки контента на сайте в режиме реального времени.
Особенности реализации
В данном кейсе было использовано большое количество real-time интеграций. Нам удалось справиться с задачей высокой нагрузки на систему по части обработки данных, так как одной из задач было собрать все данные в одном месте, но при этом не перепутать их, а аккуратно разложить. В кейсе производилась работа с большим объемом событий, профилей, высокой нагрузкой, организовать которую нужно было в контуре заказчика.
Результат
В результате внедрения адаптированных e-mail-рассылок, Open Rate увеличился с 9,7% до 13,4%. Это стало возможным благодаря добавлению уникальных атрибутов, таких как "Стадия ремонта", что позволило более точно сегментировать аудиторию и предлагать релевантный контент. В свою очередь, это привело к росту конверсии на 7% на следующем этапе коммуникации с клиентами.
Кроме того, компания смогла эффективно учитывать ROPO-эффект (Research Online, Purchase Offline), что дало возможность лучше понять поведение клиентов и их предпочтения. Доля знаний о том, какой конкретный клиент покупает какой товар, увеличилась на 10%, что значительно улучшило персонализацию предложений.
В настоящее время обрабатывается 200 миллионов профилей, что позволяет компании принимать обоснованные решения и оптимизировать маркетинговые стратегии.
Кроме того, компания смогла эффективно учитывать ROPO-эффект (Research Online, Purchase Offline), что дало возможность лучше понять поведение клиентов и их предпочтения. Доля знаний о том, какой конкретный клиент покупает какой товар, увеличилась на 10%, что значительно улучшило персонализацию предложений.
В настоящее время обрабатывается 200 миллионов профилей, что позволяет компании принимать обоснованные решения и оптимизировать маркетинговые стратегии.
Ищете решение, которое усилит ваш маркетинг?
Пишите! Проведем консультацию и расскажем какие кейсы можно внедрить в ваш бизнес!