Как ML-скоринг помогает сократить расходы на SMS-рассылки?

ML-модель присваивает каждому клиенту вероятность оттока от 0 до 100. SMS отправляются только тем, кто ещё реагирует на коммуникации и может вернуться — сегментам at risk (15–60) и high risk (60–85). Лояльные покупают сами, а клиенты с предиктом выше 85 практически потеряны. Это позволяет не тратить бюджет на тех, кто не вернётся.

Какой результат дал AB-тест SMS с ML-скорингом в patch and go?

Инкрементальная выручка тестовой группы выросла на 223% относительно контрольной. В основном сегменте теста (2 000 бонусов) — на 337%. Прирост конверсии составил 85,71%. ROC-AUC модели — 0,93 при индустриальном бенчмарке 0,75–0,85.

Кейс студии

Массовые SMS — это налог на лень.
Мы вместе с patch and go научились платить только за тех, кто вернётся

Полная версия кейса — в журнале Mindbox

Проблема, которую все знают, но мало кто решает

patch and go — магазин уходовой и декоративной косметики. SMS у них работали: персональные предложения, напоминания о бонусах, возврат ушедших. Канал приносил деньги. Стоимость рассылок росла, а инкрементальная выручка от канала оставалась на месте: новые отправки не давали прироста сверх того, что база купила бы и без SMS.

Почему так происходит — понятно. Часть базы покупает и без SMS. Другая давно ушла и не вернётся ни за какие бонусы. Обе группы исправно получают сообщения, съедают бюджет и портят метрики. Это не CRM-маркетинг — это оплата иллюзии активности.

Задача: сделать канал эффективнее. Без увеличения бюджета.

Что мы сделали вместо очередной «оптимизации» рассылок

Перестали отправлять SMS всем подряд и обучили ML-модель, которая по поведению каждого клиента предсказывает вероятность оттока. Не «этот клиент давно не покупал» — а «этот клиент с вероятностью 73% уйдёт в ближайшие девять месяцев, если его не зацепить сейчас».

Данные для обучения брали из Mindbox: в одном профиле сходится всё — транзакционная история, веб-активность, поведение в email-канале, состав покупок. Без CDP собирать такой датасет — отдельный проект на месяцы.

Горизонт прогноза — девять месяцев: к этому сроку паттерны поведения клиента стабилизируются и становятся предсказуемыми. Модель присваивает каждому предикт от 0 до 100:

0–15 — лояльные. Покупают сами. SMS только мешают.

15–60 — средний риск (at risk). Ещё реагируют — мягкая реактивация.

60–85 — высокий риск (high risk). Нужен сильный стимул, пока не поздно.

85–100 — клиент ушёл. Тратить на него SMS-бюджет — выбрасывать деньги.

Работали с зонами at risk и high risk. Отправили сообщения с бонусными баллами с ограниченным сроком действия. Протестировали три уровня стимула — 1 000, 2 000 и 4 000 баллов — чтобы не переплачивать за возврат тех, кто вернулся бы и за меньшее.

Результат

AB-тест, декабрь 2025. Контрольная группа SMS не получала — чтобы считать инкрементальный эффект, а не продажи, которые случились бы и так.

×2

выручка от SMS в сегменте риска оттока

+337%

выручка в основном сегменте теста (2 000 бонусов)

+85%

прирост конверсии относительно контрольной группы

0,93

ROC-AUC модели (бенчмарк отрасли: 0,75–0,85)

Бюджет тот же. Просто теперь он работает только там, где есть смысл.

Главный вывод

Скоринговая модель — это не про ML ради ML. Это про то, чтобы знать, кому стоит писать, кому не стоит, а кого уже не догнать. Когда это понятно, SMS перестаёт быть ковровой бомбардировкой и становится точечным инструментом с измеримым результатом.

Следующий шаг — масштабировать подход: брошенные корзины, подбор стимулов для high risk, 115 факторов в профиле клиента, которые ещё не все задействованы. Работы достаточно.

Обсудить ваш кейс