ML-модели — популярный инструмент современности, но далеко не все понимают, как заставить его работать в полную силу. Объединенная команда ECCO, Out of Cloud (Kokoc Performance, входит в Kokoc Group) и Coffee Analytics попробовала — и вырастила конверсию, выручку и ROMI.

Цена ошибки возросла в 6 раз: почему решили использовать ML-модель

Слаженная работа партнеров началась три с половиной года назад. Самая главная цель любого маркетинга — увеличение прибыли, и ECCO не исключение. Команда Out of Cloud (Kokoc Performance) работает над коммуникацией и CRM-стратегией, агентство Coffee Analytics проводит аналитику данных, подсвечивая зоны риска и точки роста. Одной из этих точек и стала разработка ML-модели.

Полина Масалович, менеджер по прямым коммуникациям Ecco

ML-модель намного лучше человека умеет определять сегменты клиентов с высокой вероятностью покупки. Например, мы проводим акцию — 30% скидка на кроссовки. У нас несколько миллионов пользователей, как понять, каким сегментам нужно отправлять рассылку или СМС?

Мы можем сделать предположительные выводы о том, какой сегмент наиболее релевантен, кто с высокой вероятностью кликнет по ссылке в СМС и купит. Но человеческими силами делать это долго и не всегда точно. ML-модель справится быстрее и будет основываться на гораздо большем количестве данных.

К тому же, если человек, составляя прогноз, ошибется — это будет очень дорогая ошибка. Некоторые операторы увеличили стоимость СМС в 6 раз — соответственно, в 6 раз возросла цена ошибки. Теперь нам нужно максимально вовремя и максимально верно попасть в нужного человека с правильным оффером. И ML-модель отлично с этим справляется, собирая наиболее способные к покупке сегменты. Им отправляется СМС — а затем рассчитывается конверсия и выручка.

Около года назад Coffee Analytics занялись разработкой модели. Не все получилось сразу: такие сложные истории требуют нескольких итераций. 

Как создавалась ML-модель

Самая первая модель показывала не лучшие результаты по точности, и Coffee Analytics в течение полугода ее активно дорабатывали по нескольким направлениям:

  1. Внедрение новых признаков. Модель собирает сегменты, исходя из их признаков: средний чек, пол, возраст, время последней покупки, время посещения сайта, выполнение определенных целей на сайте и т. д. Этот список постепенно расширялся, тестировался и достиг порядка 111 признаков.
  2. Увеличение объема данных. В обучающую выборку с каждым месяцем входит все больше и больше данных, которые влияют на вероятность покупки. Поведение клиентов меняется год от года, внешние факторы меняются — все это нужно закладывать в базу знаний модели.
  3. Обогащение новыми данными. У нас есть 3 источника данных: Mindbox (отсюда берутся практически все данные), ECCO (передает нам данные по заказам, но вскоре мы планируем забирать их из Mindbox) и Яндекс Метрика (берем данные о сессиях клиентов на сайте по тем клиентам, кого можем смэтчить с идентификатором Mindbox). Mindbox ID для нас главный идентификатор, так как по нему дальше и будут отправляться коммуникации. Для увеличения точности, помимо CRM-данных, мы начали использовать агрегированные данные поведенческих сессий из Яндекс.Метрики.

Антон Шестаков, руководитель проектов аналитики Coffee Analytics

Данные Метрики и Mindbox живут в разных системах. Общего ключа у них нет: в Mindbox клиент опознаётся своим постоянным идентификатором, а в Метрике обезличенным идентификатором браузера или устройства. Связать их удалось через события, которые фиксируются в обеих системах одновременно: оформленные заказы, просмотры товаров по паре «идентификатор товара + дата и время». Когда к одному устройству притягивалось сразу несколько клиентов Mindbox, спорные связки разрешал взвешенный скоринг: каждая «улика» получала вес по надёжности источника, числу событий и их давности – побеждал вариант с наибольшим счётом. Так связалось около 65% идентификаторов, а после отсева заведомо ненадёжных пар (люди меняют устройства, куки устаревают) в модель попало 35% наблюдений и этого хватило, чтобы расширить набор признаков с 43 до 111 и поднять F1 (баланс между «не ошибаться в тех, кого выбрали» и «не упустить тех, кто купит») на 40%. 

Этих улучшений было достаточно, чтобы по инициативе Полины сделать тестовую первую рассылку. Процесс был понятен: ECCO формируют задачу, Out of Cloud (Kokoc Performance) запрашивают сегмент для СМС, Coffee Analytics его выгружают, и Out of Cloud (Kokoc Performance) отправляют СМС собранным сегментам.

Первая же рассылка — 2,4% конверсии!

Первая же тестовая рассылка СМС показала взрывной результат! 14 августа 2025 года мы отправили сегментам с самой высокой вероятностью покупки, которые собрала модель, вот такое СМС о скидках: 

Та самая первая СМС. И кстати, уместить оффер в 70 символов стандартного СМС — тот еще квест!

Мы сравнили показатели по сегментам, выбранным моделью, и клиентам, собранным вручную: 

Конверсия 2,36% для сегмента СМС просто колоссальная! 

Посмотрели на доход: с 1 смс в этой рассылке он был в 1,4 раза выше у сегментов, собранных с помощью ML, чем у сегмента, собранного вручную. 

Если сравнивать не только по конверсии, а по доходу с 1 смс, то видим следующую картину.

Также посчитали затраты, доход и вывели ROMI. Оказалось, что рассылка, собранная моделью, заработала практически столько же, сколько и остальные сегменты, собранные вручную. ROMI по ML-рассылкам составил 3 581%, по вручную собранным сегментам — 2 478%.

Внутренний анализ показал, что это не случайность — при росте вероятности покупки растет и конверсия. Мы строили подобные графики по нескольким рассылкам, и везде наблюдали эту корреляцию.

При росте вероятности покупки растет и конверсия

Интересно, что для клиентов с меньшими объемами отправок, такой подход тоже подойдет. Так, например, рассылка “night_sale_10122025_rub-promo”, в которой участвовали несколько разных сегментов по ВП и разной численности. И сегмент из 1155 человек, но с максимальной вероятностью покупки на момент расчета, показал конверсию 14,46% (!), а доход с 1 смс = 1 864,09 руб. Это показывает, что можно делать рассылки разного объема и добиваться высоких показателей. 

По результатам теста модель была запущена в постоянную работу и стала частью CRM-стратегии ECCO. В первой тестовой отправке в августе 2025 года было 32 384 СМС, затем Out of Cloud (Kokoc Performance) старались применять сегмент с ML 1 раз в месяц. Coffee Analytics при этом постоянно апгрейдили и дорабатывали модель.

В начале 2026 года мы замерили результаты до и после внедрения ML. До внедрения (01.2025-07.2025) средняя конверсия в месяц массовых СМС составляла 0,41%, после внедрения (08.2025-12.2025) — 0,65%. 

Замерили и бизнес-показатели. Согласно данным ML по MindBox, прирост заработка составил +20% с 1 смс. Мы фиксируем прирост выручки — а это самое важное.

Виктория Окунева, ведущий менеджер по клиентской стратегии Out of Cloud (Kokoc Performance)

В последнее время обстоятельства не сильно нам благоволили. Данных о клиентах не хватало — основным источником данных по сайту был GA4 (Google Analytics 4), который закрыли и пришлось искать другие варианты. Цена СМС выросла в 6 раз. Мы вынужденно сжимались, и ML-модель казалась спасением. Я очень хотела, чтобы ребята скорее ее запустили и наш клиент получил бы лучшие результаты. После успешного теста мы начали активно ее применять, и это просто изменило мою жизнь! Применение ML скорректировало дальнейшую стратегию по использованию СМС-канала в коммуникациях, благодаря ей нам удалось добиться хороших результатов. 

Сейчас работа над моделью заключается в итерациях по улучшению точности, чтобы результаты становились лучше и лучше. 

Продать за 70 знаков: тестируем тексты СМС

Также мы продолжаем тестировать кликабельность различных текстов СМС на сегментах, собранных ML-моделью и вручную. Тексты СМС ограничены 70 знаками, а цену одной СМС, напомним, подняли в 6 раз. У нас просто нет права ошибиться — нужно делать все тексты максимально конверсионными. Поделимся интересными наблюдениями.

1. Сделали упор на скорое окончание акции (эффект FOMO), но в разной интерпретации. Первый вариант выиграл на сегменте с ML, а на сегменте, собранном вручную, не выявили статистической значимости.

Первый вариант выиграл на сегменте с ML, а на сегменте, собранном вручную, не выявили статистической значимости

2. В первом варианте подсветили “свежесть” акции и проинформировали о ее начале. Во втором просто сообщили об акции. В обоих сегментах первый вариант оказался однозначным победителем по кликам.

В обоих сегментах первый вариант оказался однозначным победителем по кликам

3. Четкое указание сроков действия акции + популярное название акции — первый вариант выиграл как по кликам, так и по конверсии в заказ.

Первый вариант выиграл как по кликам, так и по конверсии в заказ

4. Здесь мы использовали разные формулировки, а во втором варианте указали дату окончания акции (эффект FOMO). Второй вариант выиграл на одном из сегментов, на втором сегменте нет статистической значимости.

Второй вариант выиграл на одном из сегментов

Ложка дегтя: сложности и ограничения

Не обошлось и без проблем:

  1. Ограничение бюджета. Многие думают, что достаточно запустить ML-модель — и она будет бесплатно обрабатывать данные. Однако это не так — нужно платить за каждого человека. В базе ECCO несколько миллионов клиентов, и если мы будем использовать ML для всех, то потратим огромное количество денег только на расчеты. Поэтому у нас стоят ограничения: берем в расчет только тех клиентов, у которых была какая-то активность на сайте/приложении за последний период — например, 500 тысяч клиентов*. И только по ним строим вероятность покупки на ближайшие 14 дней — остается менее 300 тысяч* с вероятностью покупки строго больше 0. Включение большего количества клиентов сильно увеличит число клиентов с нулевой вероятностью покупки. 
  2. Сложности с масштабированием. У пункта 1 есть и обратная сторона. Не всегда ML-модель может отдать столько клиентов, сколько мы хотим отправить СМС. Например, у нас бюджет на 400 000* отправок, но ML на эту дату может находить только 200 000 клиентов с высокой вероятностью покупки.

*цифры приведены для примера логики расчетов и не соответствуют реальным показателям.

На самом деле «нехватка» аудитории может быть не проблемой, а защитой бюджета. Каждая отправленная СМС стоит денег (3–7 руб. в зависимости от телеком-оператора), а конверсия в заказ у клиентов с низкой вероятностью покупки падает. Чем ниже вероятность покупки — тем меньше прибыли приносит каждая дополнительная СМС. 

На крупных рассылках могут быть ситуации, когда добор будет слишком по холодной аудитории, и соответственно не окупаться. Тогда выгоднее будет отправить 200 000 клиентов, отобранных моделью, и сэкономить бюджет. Это требует дополнительного исследования, которое мы проведем в будущем. 

Советы бизнесу: когда и как стоит использовать ML-модель

Даже если у бизнеса нет маркетингового канала СМС, ML все равно будет полезной в других каналах. Причина проста — с ее помощью можно делать меньше касаний клиента, а значит — меньше его триггерить и утомлять. Тем самым можно сокращать количество отписок — ведь практически никто не любит поток рекламных сообщений.

Однако следует помнить, что не все могут получить моментальный и заметный результат от ML: например, если у вас слишком мало данных, то ML просто будет не на чем обучаться.

Внедрение ML — не просто техническое решение, а стратегический шаг, требующий подготовки.

1. Начните с четкой бизнес-задачи и данных. Не стоит внедрять ML "для галочки". Технология эффективна, когда у вас есть конкретная и измеримая проблема:

  • Рост затрат при стагнации выручки: если ваши маркетинговые бюджеты растут, а отдача от каналов (например, СМС) падает, ML поможет отсеять нецелевую аудиторию.
  • Низкая конверсия персонализированных каналов: если вы тратитесь на email или SMS-рассылки, но конверсия оставляет желать лучшего, модель может предсказать, кто с наибольшей вероятностью совершит покупку.
  • Наличие качественных данных: основа для любой ML-модели — это история покупок, поведенческие сигналы (просмотры, клики), данные о взаимодействии с рассылками, посещение сайта и мобильного приложения. Убедитесь, что эти данные собраны и структурированы.

2. Проведите A/B-тестирование для проверки гипотез. Как и в нашем кейсе, любой алгоритм требует валидации. Не верьте модели на слово — проверьте её в "боевых" условиях:

  • Разделите аудиторию на тестовую группу (рассылка по модели), контрольную (обычная рассылка) и группу, которая не получает сообщения вообще.
  • Измеряйте инкрементальный эффект — рост конверсии или выручки именно за счет использования ML, а не за счет других факторов. Это покажет реальную добавленную стоимость технологии.

3. Оптимизируйте мобильный путь клиента. Большинство СМС-рассылок открываются и отрабатываются на мобильных устройствах. Если после клика по ссылке пользователь попадает на неадаптированную страницу с долгой загрузкой, конверсия упадет:

  • Убедитесь, что посадочные страницы (лендинги, карточки товаров) оптимизированы для смартфонов.
  • Используйте сокращенные и брендированные ссылки, чтобы экономить символы в СМС и вызывать доверие.
  • Минимизируйте число шагов от сообщения до оформления заказа.

4. Интегрируйте ML-модель в вашу CRM/платформу автоматизации. Чтобы не загружать сегменты вручную каждый раз, настройте автоматическую передачу данных между ML-моделью и системой рассылок (как в примере с Mindbox). Это сэкономит часы работы маркетолога и позволит проводить A/B-тесты "на лету", быстро корректируя стратегию.

Самый главный вывод

Кейс ECCO — это яркий пример того, как машинное обучение перестает быть абстрактной "умной" технологией и превращается в конкретный инструмент повышения эффективности маркетинга. Компания не просто автоматизировала процесс, а научилась предсказывать поведение клиентов, что позволило в 1,6 раза увеличить отдачу от SMS-рассылок. 

Для бизнеса это значит, что пора переходить от стратегии "отправить всем" к стратегии "отправить нужному в нужное время". Внедрение ML-моделей — это не просто способ сократить бюджет на SMS, это возможность перераспределить ресурсы на более эффективные каналы и офферы, тем самым увеличивая общую прибыльность клиентской базы. Компании, которые первыми освоят этот подход, получат значительное конкурентное преимущество в борьбе за внимание и кошелек клиента.