Lead scoring для интернет-магазина: как оценивать подписчиков в email-маркетинге

В базе интернет-магазина легко накопить 50 000 подписчиков и при этом получать открываемость 8%. Причина обычно не в текстах писем, а в том, что вы отправляете одинаковые сообщения всем: и тому, кто купил вчера, и тому, кто подписался три года назад на распродажу и с тех пор не открыл ни одного письма.

Lead scoring (скоринг лидов) решает эту проблему: каждому подписчику присваивается балл, отражающий его интерес к покупке. Дальше email рассылка для интернет магазина строится не по всей базе, а по сегментам с разной температурой — и это заметно меняет конверсию при том же бюджете на трафик.

Что такое lead scoring и как он работает в e-commerce

Lead scoring — это числовая оценка подписчика по совокупности признаков: что он смотрит, как давно покупал, как реагирует на письма. Баллы суммируются, и по сумме вы понимаете, кто готов покупать сейчас, кого нужно подогревать, а кого можно перевести в редкую рассылку и не портить репутацию домена.

В B2B скоринг часто строят на должности и размере компании. В интернет-магазине всё проще и точнее: сигналы поведенческие, они лежат в веб-аналитике, CRM и самом сервисе рассылок.

Скоринг — не про то, хороший ли подписчик. Он про то, какой следующий шаг будет уместен: письмо с персональной скидкой, напоминание о брошенной корзине или молчание.

Какие данные собирать для модели

Поведение на сайте

• просмотры карточек товаров и категорий;
• добавления в корзину и в избранное;
• глубина сессии и частота визитов за 30 дней;
• использованные промокоды и участие в акциях.

Покупки и деньги

• давность, частота и сумма заказов — модель RFM;
• средний чек и категории, в которых покупает;
• возвраты, отмены, оставленные отзывы.

Взаимодействие с письмами

• открытия и клики за последние 30 и 90 дней;
• переходы на целевую страницу и добавление товара после клика;
• отписки, жалобы на спам, неактивность более 180 дней.

Как построить lead scoring: пошаговый план

1. Соберите данные за 6–12 месяцев: заказы, события на сайте, статистику рассылок.
2. Определите целевое действие. Для интернет-магазина это первый или повторный заказ, а не открытие письма.
3. Выделите 6–10 признаков, которые реально различают покупателей и молчунов. Не закладывайте 50 переменных на старте.
4. Задайте вес каждого признака в баллах и добавьте отрицательные значения для отписок и жалоб.
5. Проверьте модель на исторических данных: посмотрите, какие баллы были у тех, кто в итоге купил.
6. Разделите базу на 3–5 сегментов по сумме баллов: горячие, тёплые, холодные, спящие, отписанные.
7. Настройте разные сценарии писем для каждого сегмента и запустите A/B-тест.
8. Пересматривайте веса раз в 1–2 месяца: ассортимент и сезонность меняют поведение аудитории.

Пример балльной шкалы для интернет-магазина

Конкретные цифры зависят от ниши, но принцип распределения весов выглядит так:

• +30 — оформленный заказ за последние 30 дней;
• +20 — добавление товара в корзину без покупки;
• +10 — просмотр трёх и более карточек за один визит;
• +8 — клик по письму за последние 14 дней;
• +5 — подписка на новые поступления или бонусную программу;
• −10 — нет открытий 90 дней;
• −50 — жалоба на спам или отписка.

Правило простое: чем ближе действие к деньгам, тем выше вес. Открытие письма — слабый сигнал, покупка — самый сильный.

Как применять скоринг в email рассылке для интернет магазина

Скоринг бесполезен, если он лежит в отчёте. Ценность появляется, когда баллы автоматически определяют, какое письмо и когда получит подписчик.

Сегменты и сценарии

• Горячие. Триггерные письма: брошенная корзина, напоминание о просмотренном товаре, персональная подборка. Частота — 2–4 письма в неделю.
• Тёплые. Вовлекающая рассылка: обзоры, гид по выбору, анонсы акций. 1–2 письма в неделю.
• Холодные. Реактивация: опрос о причинах молчания, полезный материал, мягкий оффер.
• Спящие. Одно-два письма в месяц или полное исключение из массовых отправок, чтобы не портить доставляемость.

Отдельно настройте триггеры на рост балла: если подписчик набрал +20 за добавление в корзину, письмо должно уйти в течение часа, а не в ближайшую плановую отправку.

Как реализовать модель технически

Для базовой версии достаточно сервиса рассылок с поддержкой тегов и автоматизации: баллы удобно хранить как атрибут подписчика и обновлять через вебхуки из CRM. Если магазин работает на платформе с открытым API, события с сайта передаются напрямую.

Когда ассортимент широкий и сегментов много, подключают CDP или хранилище данных: там баллы пересчитываются автоматически, а история поведения хранится дольше, чем в стандартном профиле подписчика. Грамотная email рассылка для интернет магазина в этом случае опирается на свежие данные, а не на выгрузку месячной давности.

Типичные ошибки

• Считать открытия главным сигналом. Из-за превью в почтовых клиентах метрика шумная, опираться только на неё нельзя.
• Использовать одну шкалу для всех категорий: покупатель мебели и покупатель косметики ведут себя по-разному.
• Не чистить базу. Скоринг не заменяет регулярную работу с неактивными адресами.
• Забывать о согласии на рассылку и требованиях к обработке персональных данных.

Метрики, по которым проверяют модель

Качество скоринга оценивают не по размеру базы, а по приросту выручки на письмо и на получателя. Смотрите на конверсию из клика в заказ по сегментам, долю отписок и жалоб, а также на то, какая часть выручки от рассылок приходится на горячие сегменты.

Хороший результат — когда 10–20% базы с высоким баллом дают большую часть дохода от писем, а массовые отправки по спящим сегментам прекращаются и перестают вредить доставляемости.

Итог

Lead scoring превращает плоскую базу подписчиков в понятную воронку. Вы начинаете говорить с каждым сегментом на его языке и в его темпе, а не отправляете одну и ту же акцию всем подряд.

Начните с малого: соберите данные за полгода, выберите 6–8 признаков, задайте веса и разделите базу на три сегмента. Уже первая версия модели часто показывает, что часть подписчиков незаслуженно получает лучшие офферы, а самые перспективные остаются без внимания.

Дисклеймер: скоринг не гарантирует роста продаж и зависит от качества данных, ассортимента и сезонности. Перед изменением сценариев рассылок проверяйте модель на небольшой выборке и учитывайте требования законодательства о персональных данных и рекламных коммуникациях.