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.

Отрасль

Сеть гипермаркетов материалов для ремонта
Источники данных

Сайт
Мобильное приложение
Чеки
Офлайн магазины
CRM
Каналы коммуникации

E-mail
Телефонные звонки
Push

Заказчик

Компания, объединяющая клиентов, партнёров и профессионалов в единую экосистему для улучшения и благоустройства дома.
112 магазинов
45 000+ сотрудников
66 городов
45+ видов услуг
390 000+ ассортимент товаров

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.

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.

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.

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.

Хотите усилить ваш маркетинг?

Пишите! Проведем консультацию и расскажем какие кейсы можно внедрить в ваш бизнес!