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.