ПРОЕКТ АЛГОРИТМА
E-commerce / ДАННЫЕ И ПРОЦЕССЫРекомендации,
которые попадают.
Повысили средний чек на 22%, не меняя ассортимент
- Задача
- Персонализация предложений
- История заказов
- Персональные рекомендации
- Профили CRM
средний чек
В этом проектеБольшой каталог.
Рекомендации не убеждают.
Интернет-магазин электроники с ассортиментом 20 000 SKU столкнулся с плато в росте среднего чека. Симптом — низкая конверсия стандартных блоков товарных рекомендаций.
Найти связи
между покупками.
Модуль 'Предиктивная аналитика' изучил историю заказов и выявил скрытые паттерны покупок. На их основе система начала генерировать персональные рекомендации товаров.
- 01
Изучить заказы
Проанализировать историю покупок интернет-магазина.
- 02
Найти закономерности
Выявить скрытые паттерны и сформировать персональные рекомендации.
- 03
Обогатить профиль
Передавать поведение покупателей в CRM для точных email-кампаний.
Как связаны части решения
03 / Авторская схема- История заказов
- Поведение покупателей
- Персональные рекомендации
- Профили CRM и email-кампании
Связь с экосистемой
Данные о поведении пользователей обогащают профили в CRM, позволяя модулю маркетинга запускать точные email-кампании.
Схема показывает связи из опубликованного описания. Она не воспроизводит техническую архитектуру внедрения.
04 / Результат
Средний чек вырос на 22% (с 3400 ₽ до 4150 ₽), конверсия из блоков рекомендаций — в 4.5 раза. Это принесло дополнительную выручку в размере 1.8 млн ₽ в месяц.
Результат в цифрах
- КЛЮЧЕВОЙ ФИНАНСОВЫЙ РЕЗУЛЬТАТ
- Выручка +1.8 млн ₽ в месяц
- Средний чек
- 4 150 ₽
- Доля допродаж
- +40%
+22% — округление, указанное в исходном кейсе для изменения среднего чека с 3400 ₽ до 4150 ₽. Дополнительная выручка не равна прибыли.
