Коротко: Сегментация клиентов на ИИ делит базу в 1С на группы. Для этого используются RFM-анализ, поведенческие признаки и ML-прогноз LTV, и для каждой группы задаётся свой сценарий работы. Больше всего внимания получают «Звёзды» и клиенты, которые снижают закупки, а «Случайным» хватает недорогой массовой рассылки без участия менеджера. У производителя упаковки отток в сегменте «Звёзды» снизился на 58%, проект окупился за 4 месяца.

B2B-производитель упаковки работал со всеми клиентами по одному сценарию и из-за этого терял крупных покупателей, забывал о бывших клиентах и упускал новых. После подключения к 1С модуля сегментации на основе RFM-анализа и ML-прогноза LTV база разделилась на 8 сегментов, у каждого свой сценарий работы. Ниже описано, как это устроено и какие результаты получены.

Клиент и задача

Компания производит гофрокартонную и полимерную упаковку для пищевой промышленности и e-commerce. Исходные данные:

  • 720 активных клиентов в базе и ещё около 1 100 «спящих», которые не покупали больше года;
  • 12 менеджеров в отделе продаж;
  • 2 человека в маркетинге.

Всех клиентов обслуживали на одних условиях и по одному сценарию: звонок раз в квартал и рассылка раз в две недели.

Задачу руководство сформулировало так: компания «стрижёт всех под одну гребёнку». «Золотые» клиенты обижаются, что им не уделяют особого внимания, о «спящих» забыли, новички не проходят onboarding, а маркетинг рассылает одно и то же всем подряд. Нужно было выстроить разную работу с разными группами клиентов.

Какие были проблемы

«Золотые» клиенты не получали особого обслуживания

Топ-20 клиентов давали 64% выручки, но обслуживались так же, как клиент, купивший три раза за два года. Персональных условий, отдельной линии и приоритетных сроков у них не было. В прошлом году двое крупных клиентов ушли к конкуренту, и что именно стало причиной ухода, так никто и не выяснил.

«Спящие» клиенты выпали из поля зрения

В базе числились 1 100 контрагентов, которые раньше покупали активно, а потом перестали. Менеджеры о них не вспоминали, потому что звонили в первую очередь текущим клиентам со срочными вопросами. По оценкам, не меньше 80–120 из них вернулись бы, если бы с ними связались.

Новичков обслуживали так же, как давних клиентов

Клиент, купивший впервые, не понимал, как работает компания, какие у неё условия и к кому обращаться по разным вопросам. Сценария onboarding не существовало. Половина новых клиентов уходила в первые 90 дней, а компания даже не отличала их от остальных.

Маркетинг отправлял всем одно и то же

Письмо о новом ассортименте уходило сразу на все 1 800 контактов. Открываемость была 8%, кликабельность — 1,3%. Маркетолог понимал, что базу нужно сегментировать, но не знал, по какому признаку и кого в какую группу отнести.

Скидки давали без всякой логики

Менеджеры решали о скидке по ощущению: «нормальный клиент, давайте поторгуемся». Например, клиенту с месячным оборотом 50 тыс. дали скидку 15%, а клиенту с оборотом 800 тыс. в месяц — 8%.

Что сделали

К 1С подключили аналитический модуль сегментации. В его основе три компонента:

  • RFM-анализ (Recency, Frequency, Monetary): давность, частота и сумма покупок;
  • поведенческие признаки: динамика, ассортиментная корзина, сезонность, реакция на акции;
  • ML-прогноз LTV (lifetime value): сколько клиент принесёт за следующие 24 месяца.

8 сегментов клиентской базы

Модель распределила всю базу по восьми сегментам:

Сегмент Описание
«Звёзды» Топ по обороту, растут
«Лояльные» Стабильно покупают, средний оборот
«Чемпионы прошлого» Давали много, сейчас закупают меньше
«Новички в риске» Купили 1–2 раза, могут уйти
«Спящие с потенциалом» Давно не покупали, но раньше были активны
«Случайные» Один разовый заказ
«Малыши» Стабильные мелкие закупки
«Уходящие» Резко снизили активность

Для каждого сегмента есть описание поведения, рекомендованный сценарий работы и оценка LTV.

Сегмент клиента в карточке 1С

Открыв карточку контрагента, менеджер сразу видит его сегмент, прогноз LTV, рекомендованную скидочную политику и тренд за 6 месяцев. Заходить в отчёты и гадать, крупный это клиент или нет, не нужно: цвет светофора и три цифры видны с первого взгляда.

Автоматические сценарии работы

  • «Звёзды»: персональный менеджер, звонок раз в месяц, индивидуальные условия, первыми получают доступ к новинкам.
  • «Чемпионы прошлого»: менеджеру приходит уведомление о том, что клиент снижает закупки и с этим нужно разобраться.
  • «Спящие с потенциалом»: отдельная email-кампания с предложением вернуться.
  • «Новички в риске»: сценарий onboarding из 4 контактов за первые 90 дней.
  • «Случайные»: недорогая массовая рассылка, менеджер не отвлекается.

Сегментированный маркетинг

Маркетинг получил 8 списков по сегментам, которые обновляются автоматически. Теперь каждая email-кампания отличается предложением, тоном и частотой. Средняя открываемость выросла с 8% до 22%, в сегменте «Звёзды» — до 47%.

ИИ-предупреждение об уходе клиента

Когда активность клиента падает на 60% и больше, он попадает в сегмент «Уходящие». Менеджер получает уведомление в Telegram и в 1С: «Клиент X входит в зону риска, рекомендуется проактивный контакт». Предупреждение приходит, пока клиент только собирается уйти, а не когда он уже ушёл.

Результаты

  • Отток в сегменте «Звёзды» снизился на 58% благодаря персональному обслуживанию и уведомлениям о снижении активности.
  • Кампания по возврату «Спящих с потенциалом» вернула 17% сегмента, это дало +14 млн оборота за квартал.
  • Удержание «Новичков в риске» в первые 90 дней выросло с 48% до 71% благодаря сценарию onboarding.
  • Открываемость email-рассылок выросла с 8% до 22% в среднем и до 47% в премиум-сегменте.
  • Скидки теперь зависят от сегмента: средняя скидка по базе снизилась на 1,8%, а удовлетворённость топ-клиентов при этом выросла.
  • Прогноз LTV виден прямо в карточке 1С, поэтому менеджер решает, сколько уступить в торге, исходя из ценности клиента.
  • Проект окупился за 4 месяца: возврат «спящих» и удержание «звёзд» покрыли затраты на внедрение.

Частые вопросы

На каких данных строится сегментация клиентов в 1С?

Используются RFM-анализ (Recency, Frequency, Monetary) и поведенческие признаки: динамика, ассортиментная корзина, сезонность, реакция на акции. К ним добавляется ML-прогноз LTV, то есть оценка того, сколько клиент принесёт за следующие 24 месяца.

Что менеджер видит в карточке контрагента после внедрения?

Сегмент клиента, прогноз LTV, рекомендованную скидочную политику и тренд за 6 месяцев. Информация подана цветом светофора и тремя цифрами, поэтому в отчёты заходить не нужно.

Как система предупреждает о возможном уходе клиента?

Если активность клиента резко падает, на 60% и более, он попадает в сегмент «Уходящие». Менеджер получает уведомление в Telegram и в 1С с рекомендацией связаться с клиентом, пока тот ещё не ушёл.