Персонализация предложений на основе данных: разбор до/после

Ситуация «до»: данные есть, но они молчат

Магазин зоотоваров с тремя офлайн-точками и интернет-магазином вёл учёт в 1С. Там хранилась полная история покупок: кто, что, когда, в каком количестве. CRM использовалась преимущественно для фиксации контактов и редких акционных рассылок. Маркетолог раз в месяц вручную выгружал базу, сегментировал её по двум признакам — «купил за последние 90 дней» и «не купил» — и запускал одно письмо с общей акцией.

Проблема была не в отсутствии данных. Данных было достаточно: средний интервал между покупками корма у конкретного покупателя, предпочитаемые бренды, объём упаковки, реакция на предыдущие рассылки. Но всё это лежало мёртвым грузом в 1С, никак не влияя на коммуникацию. Персонализация предложений на основе этих данных существовала только в теории — на практике каждый клиент получал одно и то же.

Узкий аспект, который изменил всё: интервал потребления

Ключевым insight стала работа с одним конкретным параметром — предсказуемым интервалом потребления расходного товара. Корм, наполнитель, витамины, противопаразитарные средства — всё это покупается с определённой периодичностью, которая индивидуальна для каждого владельца животного. Кто-то берёт 2 кг на месяц, кто-то 10 кг на полтора месяца. Эти циклы читаются из истории транзакций без каких-либо опросов и допущений.

Когда система начала анализировать именно этот параметр — индивидуальный цикл потребления — а не просто «активность за 90 дней», картина изменилась радикально. Вместо двух сегментов появилось понимание: вот клиент, у которого корм заканчивается через 5–7 дней с вероятностью выше 80%. Вот клиент, который обычно докупает наполнитель в связке с основной покупкой, но в прошлый раз не взял — значит, у него заканчивается именно сейчас. Это и есть персонализация предложений на основе данных в её прикладном, неабстрактном виде.

Что изменилось в механике коммуникации

После подключения предиктивного слоя поверх существующей 1С и CRM логика рассылок поменялась полностью. Сообщение отправлялось не по расписанию и не по акции, а по событию: система определяла момент, когда конкретный клиент с высокой вероятностью подходит к концу запаса. В тексте — не «скидка 10% на всё», а «Максим, заканчивается Royal Canin Sterilised 4 кг для вашей кошки? Вот он, с доставкой завтра».

Важно: никакого ручного труда маркетолога здесь нет. Готовая сделка с заполненными позициями формировалась автоматически и ложилась прямо в CRM. Менеджер видел её в очереди и мог одним действием подтвердить или скорректировать предложение перед отправкой. Это убрало и операционную нагрузку, и человеческий фактор.

Дополнительно система начала выявлять аномалии: клиент, который покупал каждые 5 недель, вдруг пропустил цикл. Это сигнал к реактивационной коммуникации — не через три месяца, а сразу, пока конкурент ещё не стал новой привычкой.

Результат «после»: что реально изменилось

Конверсия триггерных сообщений, основанных на предсказанном интервале потребления, в несколько раз превысила показатели массовых акционных рассылок. Это ожидаемо: сообщение попадает в момент реальной потребности, а не создаёт её искусственно скидкой. Клиент не чувствует давления — он получает напоминание о том, что ему и так нужно.

Средний чек при таких коммуникациях вырос за счёт точных cross-sell предложений: система видела устойчивые паттерны совместных покупок и включала сопутствующий товар в предложение только тогда, когда вероятность его покупки была обоснована историей. Не «вам также может понравиться», а «вы обычно берёте это вместе».

Отписки от рассылок снизились: клиенты перестали получать нерелевантные письма. Частота коммуникации формально не выросла, но воспринималась как уместная — потому что каждое сообщение было привязано к реальному моменту потребности конкретного человека.

Почему это работает именно на данных из 1С, а не требует новой инфраструктуры

Принципиальный момент: вся описанная логика строится на данных, которые у большинства бизнесов с повторными продажами уже есть. История транзакций в 1С — это и есть источник для предиктивной модели. Не нужно внедрять новую систему сбора данных, не нужно переносить историческую базу в облако, не нужно ждать год, пока накопится «достаточно данных».

Работа на сервере клиента решает и вопрос соответствия 152-ФЗ: персональные данные не покидают периметр компании, не передаются третьим сторонам и не обрабатываются на внешних платформах. Для бизнесов, работающих с физическими лицами в РФ, это не формальность — это реальное снятие правового риска при масштабировании персонализированных коммуникаций.

«Умный цикл» строит такой прогноз автоматически

Берёт данные из вашей учётной системы, считает следующую покупку каждого клиента и кладёт готовую сделку в CRM. Покажем на демо «горячий список» по вашей базе.