RFM-анализ, ML-алгоритмы и учет маржинальности: как в М.Видео утроили ROI промоакций
М.Видео работает на высококонкурентном рынке бытовой техники и электроники, где промоакции стали ключевым инструментом поддержания продаж на фоне снижения спроса и роста чувствительности покупателей к цене. При клиентской базе более 80 млн человек массовые скидки обеспечивали рост выручки, однако эффективность промо снижалась: ROI составлял около 80%, так как значительная часть клиентов совершала бы покупку и без дополнительных стимулов.
Целью проекта стало повышение окупаемости маркетинговых акций за счет персонализации предложений. В фокусе были семейные покупатели и технологичная молодежь, для которых универсальные скидки перестали быть мотиватором. Компании требовался data-driven подход, позволяющий определять клиентов, которым оффер действительно необходим для совершения покупки.
Целью проекта стало повышение окупаемости маркетинговых акций за счет персонализации предложений. В фокусе были семейные покупатели и технологичная молодежь, для которых универсальные скидки перестали быть мотиватором. Компании требовался data-driven подход, позволяющий определять клиентов, которым оффер действительно необходим для совершения покупки.
Описание кейса / решения
М.Видео — один из крупнейших российских ритейлеров бытовой техники и электроники, развивающий мультикатегорийный маркетплейс с опорой на собственную розничную сеть, онлайн-платформу и омниканальную модель продаж. Компания обслуживает более 80 млн клиентов и активно использует CRM-маркетинг и персонализацию как ключевые инструменты роста продаж и удержания аудитории.
На фоне высокой конкуренции, снижения потребительского спроса и роста чувствительности покупателей к цене компания столкнулась с падением эффективности массовых промоакций. Несмотря на рост выручки во время акций, ROI маркетинговых кампаний составлял около 80%: значительная часть клиентов совершала покупку даже без скидок, а универсальные офферы приводили к избыточным затратам на бонусы и снижению маржинальности.
Необходимо было определить:
Работа над проектом проходила в несколько этапов.
На первом этапе была внедрена RFM-сегментация клиентской базы по давности, частоте и сумме покупок. Это позволило разделить аудиторию на 9 сегментов и определить приоритетность коммуникаций для разных категорий клиентов — от наиболее ценных и лояльных до менее активных пользователей.
Следующим шагом стало внедрение ML-модели propensity-to-buy, прогнозирующей вероятность покупки на основе поведенческих данных клиентов за предыдущие периоды. Модель анализировала историю заказов, посещения сайта и приложения, просмотры товаров, поисковые запросы, взаимодействие с бонусной программой и другие сигналы. На основе прогноза аудитория была дополнительно разделена на 20 сегментов — от клиентов с минимальной вероятностью покупки до тех, кто готов приобрести товар без дополнительной мотивации.
Это позволило отказаться от неэффективных массовых скидок и направлять предложения только тем клиентам, для которых промо действительно влияло на решение о покупке. Дополнительно модель была дообучена с учетом маржинальности товаров, чтобы размер скидки рассчитывался индивидуально и соответствовал экономике конкретной категории продукции.
Для оценки реального эффекта использовались контрольные группы и A/B-тестирование, что позволило измерять не только общую выручку от кампаний, но и их инкрементальный эффект.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
До внедрения ML-персонализации М.Видео использовал массовые промоакции на клиентскую базу более 80 млн человек. Несмотря на рост выручки в период акций, эффективность кампаний оставалась низкой: ROI промо составлял около 80%, а конверсия в использование оффера — всего 2,9%. Значительная часть скидок расходовалась на клиентов, которые были готовы совершить покупку и без дополнительной мотивации. Доля CRM-канала в общей выручке компании находилась на уровне 5%.
После внедрения RFM-сегментации, ML-модели propensity-to-buy и системы персонального расчета офферов компания перешла от массовых акций к data-driven персонализации. Промо стали получать только клиенты с высокой вероятностью отклика на предложение, а размер скидки начал рассчитываться с учетом маржинальности товара и поведения пользователя.
В результате:
В чем полезность и уникальность кейса?
Уникальность кейса заключается в переходе М.Видео от массовых промоакций к ML-управляемой персонализации с фокусом не на охват, а на инкрементальный эффект и прибыльность. Компания не просто сегментировала клиентов, а построила систему, которая прогнозирует вероятность покупки, определяет необходимость оффера для каждого клиента и рассчитывает размер скидки с учетом маржинальности товара.
Ключевое отличие проекта — использование data-driven подхода для сокращения неэффективных скидок. Вместо увеличения охвата компания намеренно сократила аудиторию промо до наиболее релевантных клиентов, сохранив рост продаж и значительно повысив ROI.
Проект показал, что глубокая персонализация может превратить промоакции из инструмента стимулирования спроса в полноценный драйвер прибыльности бизнеса.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Кейс хорошо масштабируется. Его можно применять в других компаниях ритейла и e-commerce с большой клиентской базой и промо-зависимыми продажами. Подход (RFM + ML-прогноз покупки + персонализация скидки + инкрементальная оценка) универсален и помогает снижать затраты на скидки и повышать ROI маркетинга в разных отраслях.
М.Видео — один из крупнейших российских ритейлеров бытовой техники и электроники, развивающий мультикатегорийный маркетплейс с опорой на собственную розничную сеть, онлайн-платформу и омниканальную модель продаж. Компания обслуживает более 80 млн клиентов и активно использует CRM-маркетинг и персонализацию как ключевые инструменты роста продаж и удержания аудитории.
На фоне высокой конкуренции, снижения потребительского спроса и роста чувствительности покупателей к цене компания столкнулась с падением эффективности массовых промоакций. Несмотря на рост выручки во время акций, ROI маркетинговых кампаний составлял около 80%: значительная часть клиентов совершала покупку даже без скидок, а универсальные офферы приводили к избыточным затратам на бонусы и снижению маржинальности.
Необходимо было определить:
- каким клиентам действительно нужен оффер для совершения покупки;
- какой размер скидки будет оптимальным;
- как сократить издержки без потери продаж;
- как повысить эффективность CRM-коммуникаций.
Работа над проектом проходила в несколько этапов.
На первом этапе была внедрена RFM-сегментация клиентской базы по давности, частоте и сумме покупок. Это позволило разделить аудиторию на 9 сегментов и определить приоритетность коммуникаций для разных категорий клиентов — от наиболее ценных и лояльных до менее активных пользователей.
Следующим шагом стало внедрение ML-модели propensity-to-buy, прогнозирующей вероятность покупки на основе поведенческих данных клиентов за предыдущие периоды. Модель анализировала историю заказов, посещения сайта и приложения, просмотры товаров, поисковые запросы, взаимодействие с бонусной программой и другие сигналы. На основе прогноза аудитория была дополнительно разделена на 20 сегментов — от клиентов с минимальной вероятностью покупки до тех, кто готов приобрести товар без дополнительной мотивации.
Это позволило отказаться от неэффективных массовых скидок и направлять предложения только тем клиентам, для которых промо действительно влияло на решение о покупке. Дополнительно модель была дообучена с учетом маржинальности товаров, чтобы размер скидки рассчитывался индивидуально и соответствовал экономике конкретной категории продукции.
Для оценки реального эффекта использовались контрольные группы и A/B-тестирование, что позволило измерять не только общую выручку от кампаний, но и их инкрементальный эффект.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
До внедрения ML-персонализации М.Видео использовал массовые промоакции на клиентскую базу более 80 млн человек. Несмотря на рост выручки в период акций, эффективность кампаний оставалась низкой: ROI промо составлял около 80%, а конверсия в использование оффера — всего 2,9%. Значительная часть скидок расходовалась на клиентов, которые были готовы совершить покупку и без дополнительной мотивации. Доля CRM-канала в общей выручке компании находилась на уровне 5%.
После внедрения RFM-сегментации, ML-модели propensity-to-buy и системы персонального расчета офферов компания перешла от массовых акций к data-driven персонализации. Промо стали получать только клиенты с высокой вероятностью отклика на предложение, а размер скидки начал рассчитываться с учетом маржинальности товара и поведения пользователя.
В результате:
- ROI промо вырос с 80% до 248%;
- конверсия в использование оффера увеличилась с 2,9% до 15%;
- охват был сфокусирован на 12,5 млн наиболее релевантных клиентов вместо всей базы;
- доля CRM-канала в общей выручке выросла с 5% до 10%;
- инкрементальный GMV достиг 1,5 млрд рублей в месяц.
В чем полезность и уникальность кейса?
Уникальность кейса заключается в переходе М.Видео от массовых промоакций к ML-управляемой персонализации с фокусом не на охват, а на инкрементальный эффект и прибыльность. Компания не просто сегментировала клиентов, а построила систему, которая прогнозирует вероятность покупки, определяет необходимость оффера для каждого клиента и рассчитывает размер скидки с учетом маржинальности товара.
Ключевое отличие проекта — использование data-driven подхода для сокращения неэффективных скидок. Вместо увеличения охвата компания намеренно сократила аудиторию промо до наиболее релевантных клиентов, сохранив рост продаж и значительно повысив ROI.
Проект показал, что глубокая персонализация может превратить промоакции из инструмента стимулирования спроса в полноценный драйвер прибыльности бизнеса.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Кейс хорошо масштабируется. Его можно применять в других компаниях ритейла и e-commerce с большой клиентской базой и промо-зависимыми продажами. Подход (RFM + ML-прогноз покупки + персонализация скидки + инкрементальная оценка) универсален и помогает снижать затраты на скидки и повышать ROI маркетинга в разных отраслях.
Результат
рост ROI промоакций с 80% до 248%
конверсия с 2,9% до 15%,
инкрементальный GMV достиг 1,5 млрд в мес
конверсия с 2,9% до 15%,
инкрементальный GMV достиг 1,5 млрд в мес
Описание кейса / решения
М.Видео — один из крупнейших российских ритейлеров бытовой техники и электроники, развивающий мультикатегорийный маркетплейс с опорой на собственную розничную сеть, онлайн-платформу и омниканальную модель продаж. Компания обслуживает более 80 млн клиентов и активно использует CRM-маркетинг и персонализацию как ключевые инструменты роста продаж и удержания аудитории.
На фоне высокой конкуренции, снижения потребительского спроса и роста чувствительности покупателей к цене компания столкнулась с падением эффективности массовых промоакций. Несмотря на рост выручки во время акций, ROI маркетинговых кампаний составлял около 80%: значительная часть клиентов совершала покупку даже без скидок, а универсальные офферы приводили к избыточным затратам на бонусы и снижению маржинальности.
Необходимо было определить:
Работа над проектом проходила в несколько этапов.
На первом этапе была внедрена RFM-сегментация клиентской базы по давности, частоте и сумме покупок. Это позволило разделить аудиторию на 9 сегментов и определить приоритетность коммуникаций для разных категорий клиентов — от наиболее ценных и лояльных до менее активных пользователей.
Следующим шагом стало внедрение ML-модели propensity-to-buy, прогнозирующей вероятность покупки на основе поведенческих данных клиентов за предыдущие периоды. Модель анализировала историю заказов, посещения сайта и приложения, просмотры товаров, поисковые запросы, взаимодействие с бонусной программой и другие сигналы. На основе прогноза аудитория была дополнительно разделена на 20 сегментов — от клиентов с минимальной вероятностью покупки до тех, кто готов приобрести товар без дополнительной мотивации.
Это позволило отказаться от неэффективных массовых скидок и направлять предложения только тем клиентам, для которых промо действительно влияло на решение о покупке. Дополнительно модель была дообучена с учетом маржинальности товаров, чтобы размер скидки рассчитывался индивидуально и соответствовал экономике конкретной категории продукции.
Для оценки реального эффекта использовались контрольные группы и A/B-тестирование, что позволило измерять не только общую выручку от кампаний, но и их инкрементальный эффект.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
До внедрения ML-персонализации М.Видео использовал массовые промоакции на клиентскую базу более 80 млн человек. Несмотря на рост выручки в период акций, эффективность кампаний оставалась низкой: ROI промо составлял около 80%, а конверсия в использование оффера — всего 2,9%. Значительная часть скидок расходовалась на клиентов, которые были готовы совершить покупку и без дополнительной мотивации. Доля CRM-канала в общей выручке компании находилась на уровне 5%.
После внедрения RFM-сегментации, ML-модели propensity-to-buy и системы персонального расчета офферов компания перешла от массовых акций к data-driven персонализации. Промо стали получать только клиенты с высокой вероятностью отклика на предложение, а размер скидки начал рассчитываться с учетом маржинальности товара и поведения пользователя.
В результате:
В чем полезность и уникальность кейса?
Уникальность кейса заключается в переходе М.Видео от массовых промоакций к ML-управляемой персонализации с фокусом не на охват, а на инкрементальный эффект и прибыльность. Компания не просто сегментировала клиентов, а построила систему, которая прогнозирует вероятность покупки, определяет необходимость оффера для каждого клиента и рассчитывает размер скидки с учетом маржинальности товара.
Ключевое отличие проекта — использование data-driven подхода для сокращения неэффективных скидок. Вместо увеличения охвата компания намеренно сократила аудиторию промо до наиболее релевантных клиентов, сохранив рост продаж и значительно повысив ROI.
Проект показал, что глубокая персонализация может превратить промоакции из инструмента стимулирования спроса в полноценный драйвер прибыльности бизнеса.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Кейс хорошо масштабируется. Его можно применять в других компаниях ритейла и e-commerce с большой клиентской базой и промо-зависимыми продажами. Подход (RFM + ML-прогноз покупки + персонализация скидки + инкрементальная оценка) универсален и помогает снижать затраты на скидки и повышать ROI маркетинга в разных отраслях.
М.Видео — один из крупнейших российских ритейлеров бытовой техники и электроники, развивающий мультикатегорийный маркетплейс с опорой на собственную розничную сеть, онлайн-платформу и омниканальную модель продаж. Компания обслуживает более 80 млн клиентов и активно использует CRM-маркетинг и персонализацию как ключевые инструменты роста продаж и удержания аудитории.
На фоне высокой конкуренции, снижения потребительского спроса и роста чувствительности покупателей к цене компания столкнулась с падением эффективности массовых промоакций. Несмотря на рост выручки во время акций, ROI маркетинговых кампаний составлял около 80%: значительная часть клиентов совершала покупку даже без скидок, а универсальные офферы приводили к избыточным затратам на бонусы и снижению маржинальности.
Необходимо было определить:
- каким клиентам действительно нужен оффер для совершения покупки;
- какой размер скидки будет оптимальным;
- как сократить издержки без потери продаж;
- как повысить эффективность CRM-коммуникаций.
Работа над проектом проходила в несколько этапов.
На первом этапе была внедрена RFM-сегментация клиентской базы по давности, частоте и сумме покупок. Это позволило разделить аудиторию на 9 сегментов и определить приоритетность коммуникаций для разных категорий клиентов — от наиболее ценных и лояльных до менее активных пользователей.
Следующим шагом стало внедрение ML-модели propensity-to-buy, прогнозирующей вероятность покупки на основе поведенческих данных клиентов за предыдущие периоды. Модель анализировала историю заказов, посещения сайта и приложения, просмотры товаров, поисковые запросы, взаимодействие с бонусной программой и другие сигналы. На основе прогноза аудитория была дополнительно разделена на 20 сегментов — от клиентов с минимальной вероятностью покупки до тех, кто готов приобрести товар без дополнительной мотивации.
Это позволило отказаться от неэффективных массовых скидок и направлять предложения только тем клиентам, для которых промо действительно влияло на решение о покупке. Дополнительно модель была дообучена с учетом маржинальности товаров, чтобы размер скидки рассчитывался индивидуально и соответствовал экономике конкретной категории продукции.
Для оценки реального эффекта использовались контрольные группы и A/B-тестирование, что позволило измерять не только общую выручку от кампаний, но и их инкрементальный эффект.
Сроки реализации
01.01.2025 — 30.04.2026
Результаты ДО и ПОСЛЕ
До внедрения ML-персонализации М.Видео использовал массовые промоакции на клиентскую базу более 80 млн человек. Несмотря на рост выручки в период акций, эффективность кампаний оставалась низкой: ROI промо составлял около 80%, а конверсия в использование оффера — всего 2,9%. Значительная часть скидок расходовалась на клиентов, которые были готовы совершить покупку и без дополнительной мотивации. Доля CRM-канала в общей выручке компании находилась на уровне 5%.
После внедрения RFM-сегментации, ML-модели propensity-to-buy и системы персонального расчета офферов компания перешла от массовых акций к data-driven персонализации. Промо стали получать только клиенты с высокой вероятностью отклика на предложение, а размер скидки начал рассчитываться с учетом маржинальности товара и поведения пользователя.
В результате:
- ROI промо вырос с 80% до 248%;
- конверсия в использование оффера увеличилась с 2,9% до 15%;
- охват был сфокусирован на 12,5 млн наиболее релевантных клиентов вместо всей базы;
- доля CRM-канала в общей выручке выросла с 5% до 10%;
- инкрементальный GMV достиг 1,5 млрд рублей в месяц.
В чем полезность и уникальность кейса?
Уникальность кейса заключается в переходе М.Видео от массовых промоакций к ML-управляемой персонализации с фокусом не на охват, а на инкрементальный эффект и прибыльность. Компания не просто сегментировала клиентов, а построила систему, которая прогнозирует вероятность покупки, определяет необходимость оффера для каждого клиента и рассчитывает размер скидки с учетом маржинальности товара.
Ключевое отличие проекта — использование data-driven подхода для сокращения неэффективных скидок. Вместо увеличения охвата компания намеренно сократила аудиторию промо до наиболее релевантных клиентов, сохранив рост продаж и значительно повысив ROI.
Проект показал, что глубокая персонализация может превратить промоакции из инструмента стимулирования спроса в полноценный драйвер прибыльности бизнеса.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Кейс хорошо масштабируется. Его можно применять в других компаниях ритейла и e-commerce с большой клиентской базой и промо-зависимыми продажами. Подход (RFM + ML-прогноз покупки + персонализация скидки + инкрементальная оценка) универсален и помогает снижать затраты на скидки и повышать ROI маркетинга в разных отраслях.
Результат
рост ROI промоакций с 80% до 248%
конверсия с 2,9% до 15%,
инкрементальный GMV достиг 1,5 млрд в мес
конверсия с 2,9% до 15%,
инкрементальный GMV достиг 1,5 млрд в мес