Next Best Offer: как предлагать клиенту то, что он купит с наибольшей вероятностью
Каталог из 5000 позиций, а в письме — одни и те же три хита. Разбираем, как NBO и ML находят тот самый оффер, который человек реально купит.
У вас есть база на сотни тысяч клиентов, история покупок за пять лет и CRM, который умеет почти все. А в рассылке по-прежнему уходит один и тот же баннер «Скидка 15% на всю коллекцию». Знакомо? Проблема не в том, что скидка плохая. Проблема в том, что вы предлагаете всем одно и то же, хотя данных хватает, чтобы предложить каждому свое.
Повторные продажи — это место, где разница между «продали еще раз» и «угадали, что человеку нужно» превращается в десятки процентов выручки. Именно тут на сцену выходит подход Next Best Offer. Про него много говорят, но мало кто реально доводит до рабочего сценария. Азим Вишняков, Co-founder ClientCore, разбирает механику по-честному — с цифрами и граблями.
Next best offer что это и почему это не «просто рекомендации»
Next Best Offer — это логика, которая для каждого конкретного клиента определяет, какое предложение принесет максимальную вероятность покупки прямо сейчас. Не самое маржинальное для вас. Не самое популярное в каталоге. А то, что с наибольшим шансом купит именно этот человек на текущем шаге своего пути.
Разница с обычными рекомендациями тонкая, но критичная. Рекомендации отвечают на вопрос «что похоже на то, что он смотрел». NBO отвечает на вопрос «что он купит следующим». Это разные модели и разная математика. Первая опирается на сходство товаров, вторая — на поведение, частоту, жизненный цикл и предсказание следующего шага.
Самая частая путаница у клиентов: они думают, что NBO — это блок "с этим товаром покупают". Нет. У нас был кейс в косметике: блок похожих товаров давал конверсию 1,2%, а NBO, который учитывал срок дочерпывания крема и предлагал докупку за неделю до того, как баночка закончится, дал 6,8%. Один и тот же клиент, разная логика.
Азим Вишняков
Co-founder, ClientCore
Откуда NBO берет уверенность: данные, без которых ничего не работает
Любая модель next best offer живет на данных. И тут начинается самое скучное и самое важное. Если транзакции лежат в одном месте, поведение на сайте — в другом, а данные о возвратах вообще нигде, никакой ML не спасет.
Минимальный набор, на котором уже можно строить осмысленные предложения: история заказов с датами и составом, частота и средний чек, поведение на сайте (просмотры, корзины, брошенные сессии), реакция на прошлые коммуникации и, желательно, данные о сроке потребления товара. Последнее недооценивают — а зря. Для FMCG, косметики, зоотоваров и расходников это часто главный сигнал.
Норма
единый профиль клиента, где видно всю историю покупок и поведение
данные обновляются в near-real-time, а не раз в сутки ночным выгрузом
товарный каталог размечен по категориям, расходуемости, совместимости
Red flag
покупки в CRM, а просмотры сайта — в отдельной аналитике без связки
сегментация только по RFM и «давно не покупал»
каталог без атрибутов, модель не понимает, что крем и тушь — разные циклы
ML-рекомендации Mindbox: что реально делает движок
Если у вас уже стоит Mindbox, половина инфраструктуры для NBO у вас под рукой. ML рекомендации Mindbox — это готовый движок, который обучается на ваших данных и выдает персональные подборки под конкретного клиента и конкретное место: письмо, попап, блок на сайте, карточку товара.
Движок умеет несколько типов рекомендаций — от «популярное в категории» до персональных, основанных на индивидуальном поведении. Для NBO нас интересуют именно персональные сценарии, где модель предсказывает следующий интерес, а не просто показывает топ продаж. Коробочная модель — хороший старт, но настоящий рост дает донастройка под вашу специфику: какие сигналы важнее, как часто переобучать, какие товары исключать из выдачи.
Многие включают ML-рекомендации в Mindbox, ставят галочку "персональные" и считают, что внедрили NBO. А потом удивляются, что блок показывает то, что человек уже купил месяц назад. Мы такое чинили десятки раз — нужно добавлять правила исключения и учитывать жизненный цикл товара. Сам движок не виноват, виновата настройка по умолчанию.
Азим Вишняков
Co-founder, ClientCore
Персональные рекомендации после покупки: золотое окно post-purchase
Момент сразу после покупки — самый недооцененный в большинстве CRM-стратегий. Клиент только что заплатил, он лоялен, он доверяет, его внимание на пике. И что обычно происходит? Уходит сухое «Спасибо за заказ, ваш трек-номер такой-то». Все. Окно закрылось.
Персональные рекомендации после покупки работают именно в этот момент, но с важной оговоркой — нельзя продавать в лоб через минуту после оплаты. Логика NBO здесь тонкая: сначала подтверждение и забота, потом — релевантное предложение в правильный момент. Купил кофемашину — через несколько дней предложи капсулы и средство для чистки. Купил корм на месяц — напомни о докупке за неделю до того, как он закончится.
Это и есть суть NBO в post-purchase: не «купи еще что-нибудь», а «вот то, что тебе логично понадобится дальше». Триггерные цепочки на основе предсказания следующей потребности дают конверсию в разы выше промо-рассылок — потому что попадают в реальный момент потребности, а не в момент, когда вам захотелось продать.
Норма
post-purchase цепочка разведена по времени: забота → польза → оффер
предложение зависит от того, что именно купили и когда закончится
NBO учитывает, что человек уже в активной фазе и не давит скидками
Red flag
одно письмо «спасибо» и тишина на месяцы
допродажа в лоб сразу после оплаты, без паузы
предложение случайного товара из топа, не связанного с покупкой
Как NBO двигает ARPU, а не просто конверсию письма
Перестаньте мерить успех открываемостью. NBO работает на два больших рычага: повышение частоты покупок и рост среднего чека. Вместе они дают рост ARPU — выручки на клиента, а это та метрика, ради которой вообще стоит затевать всю историю с персонализацией.
Механика простая. Когда вы предлагаете релевантное следующее, человек покупает чаще — потому что вы напоминаете о потребности в нужный момент. И покупает дороже — потому что NBO подбирает не самое дешевое, а оптимальное по вероятности и ценности. Грамотно настроенный движок балансирует между «что точно купит» и «что выгоднее продать», не уходя в крайности.
В одном проекте e-com электроники мы перевели post-purchase с общих промо на NBO-логику. За квартал частота повторных покупок выросла на 22%, средний чек повторных заказов — на 14%. ARPU по активной базе подрос примерно на треть. И заметьте — мы не увеличивали частоту рассылок, мы увеличили попадание. Меньше писем, больше денег.
Азим Вишняков
Co-founder, ClientCore
С чего начать, если NBO еще нет
Не надо сразу строить космос. Начните с инвентаризации: какие данные у вас есть, как они связаны, что умеет ваш текущий стек. Чаще всего оказывается, что 70% нужного уже лежит в Mindbox или CRM — просто не используется.
Дальше выберите один сценарий, где эффект очевиден. Для большинства это либо докупка расходников по циклу потребления, либо комплементарные товары в post-purchase. Запустите, померяйте на A/B, докрутите. Один работающий сценарий приносит и выручку, и понимание, как устроена ваша база. После этого масштабировать на остальные точки контакта гораздо проще.
И главное — не пытайтесь заменить здравый смысл моделью. ML отлично находит паттерны, но бизнес-правила (что не предлагать, что исключать, где притормозить с частотой) задаете вы. Связка «умная модель + понятные правила» работает лучше, чем любая из частей по отдельности.
Норма
старт с одного измеримого сценария и честного A/B
бизнес-правила прописаны и накладываются поверх модели
регулярный пересмотр выдачи: что показываем, что исключаем
Red flag
внедряем NBO «везде сразу» без приоритизации
полностью доверяем модели без правил исключения
меряем успех по open rate, а не по выручке и ARPU
Часто задаваемые вопросы
Чем NBO отличается от обычных товарных рекомендаций?
Товарные рекомендации обычно показывают похожее или популярное. NBO предсказывает, что клиент купит следующим, опираясь на его поведение, частоту покупок и жизненный цикл товара. Это предложение под конкретного человека и конкретный момент, а не статичный блок «с этим покупают».
Нужен ли отдельный сервис, если у нас уже стоит Mindbox?
В большинстве случаев нет. ML-рекомендации Mindbox закрывают значительную часть задач NBO. Вопрос почти всегда в настройке: правила исключения, учет цикла потребления, выбор персональных сценариев вместо коробочных. Отдельный движок имеет смысл только при очень специфичной логике, которую стандартный инструмент не покрывает.
Как быстро NBO даст результат?
Первый рабочий сценарий — например, персональные рекомендации после покупки или докупка по циклу — можно запустить за несколько недель, если данные в порядке. Эффект на конверсию виден уже на первых A/B-тестах. Влияние на ARPU и частоту покупок честнее оценивать на горизонте квартала, когда накопится статистика по повторным заказам.
