+50% выручки и рост доли e-com в 4 раза за 6 месяцев: кейс внедрения CVM-стратегии для Termoland

Клиент и ниша

Клиент: Termoland - федеральная сеть термальных комплексов в России. Сейчас работают 15 комплексов по стране, еще 9 - в стадии строительства и уже анонсированы.

Ниша: индустрия развлечений, Wellness & SPA и рекреационного девелопмента

Задачи и цели

Цель: увеличить выручку за счет текущей работы с текущей базой клиентов, увеличить долю e-com минимум в 4 раза (с 5% до 20%)

Задача: выстроить систему, которая позволит запустить регулярную работу над активацией,  повторными продажами и удержанием - без роста рекламного бюджета

Фокус: увеличение LTV (Lifetime Value), рост среднего чека, повышение частоты покупок / визитов, рост e-com показателей по комплексам.

Решение

Любой бизнес стремится оптимизировать расходы на привлечение и удержание клиентов. К тому же в большинстве ниш новый клиент сегодня обходится дорого. Поэтому важно не только наращивать приток аудитории, но и развивать текущую базу - стимулировать первую покупку или визит, возвращать людей и увеличивать долю повторных продаж. Иначе рост быстро упирается в постоянно растущую стоимость рекламы.

CVM - это подход к работе с клиентской базой, цель которого увеличить ценность каждого клиента для бизнеса. Он помогает не просто привлекать новых людей, а системно переводить существующих клиентов в более прибыльные сегменты - повышать частоту покупок, средний чек и удержание. За счёт этого растёт выручка без увеличения рекламного бюджета.

В ходе анализа базы выделяются сегменты (группа с общими статическими характеристиками) и когорты (группа пользователей, объединенных общим действием и временным интервалом), определяется их ценность и перспектива. Под каждый из них подготавливаются офферы и подбираются каналы ведения коммуникаций.

Задачи

• Провести глубокий анализ базы и финансовых показателей;
• Выделить сегменты и когорты;
• Определить каналы коммуникации для каждого сегмента и когорты;
• Сформировать персональные оферы и предложения;
• Настроить аналитику и отчеты в DataLens, подключить CarrotQuest и Salebot для автоматизации коммуникаций;
• Управлять перетоками сегментов в когортах на основе данных.

Результат

Увеличили выручку на 50% за счет работы с текущей базой клиентов

Увеличили долю e-com в 4 раза (с 5% до 20%)

Срок

Период - 6 месяцев (с апреля 2025 года по декабрь 2025 года)

Стартовая точка проекта

К моменту старта проекта у Termoland уже была большая база клиентов и регулярные рассылки. Но по мере роста стало понятно, что работать с базой “вручную” и без единой системы уже нельзя - нужна понятная сегментация, прозрачная аналитика и метрики, которые показывают, что реально дает результат.

Также было важно собрать данные из разных источников в одну картину, понять путь клиента (CJM) и оценивать, как рассылки и другие касания влияют на покупки и посещения. Текущие инструменты не давали целостного понимания и мешали использовать потенциал базы на максимум.

Мы предложили более системный подход: разделили базу на сегменты и когорты, настроили управляемые сценарии коммуникаций и сделали аналитику, чтобы решения принимались на основе данных, а выручка от работы с базой росла.

Как мы выстроили CVM-стратегию

Можно выделить несколько крупных блоков:

• Анализ и Сегментация базы клиентов — разделили базу на группы по ценности для бизнеса

• Подбор лучших каналов коммуникации — для каждого сегмента определили, где клиент более активен: email, SMS, TG, push-уведомления на сайте и в приложении, реклама и др. 

• Персонализация офферов и акций — для разных сегментов подбирали разные предложения и проверяли их в рассылках. 

• Контроль перетока клиентов между когортами — стимулировали переход клиентов в более ценные когорты путем персональных предложений. 

Выполненные работы

1. Анализ базы: кто приносит выручку и как ведет себя клиент (RFM и ABC XYZ)

Чтобы понять, какие клиенты приносят больше всего прибыли, как часто они покупают и кто уже “остывает”, мы провели несколько видов анализа базы.

• Разделили клиентов по давности, частоте и сумме покупок (RFM-анализ). Так мы увидели, кто покупал недавно, кто покупает регулярно и кто тратит больше остальных.
• Разделили клиентов по вкладу в выручку и стабильности покупок (ABC XYZ-анализ).Это помогло понять, какие группы дают основную выручку, и насколько предсказуемо они покупают.

• Собрали похожих клиентов в группы по поведению и интересам (кластерный, поведенческий и продуктовый анализ).Так мы получили более точные сегменты, чем просто “мужчины/женщины” или “по возрасту”.
• Использовали специфические бизнес-фильтры — например, выделили сегмент ценных B2C-клиентов и пользователей, которые покупают часто («покупки в каскаде»), а также проанализировали конверсии по ключевым действиям.

Это позволило построить гипотезы о том, какие действия реально повышают ценность каждого сегмента. 

Такой анализ включает десятки показателей, но в рамках CVM мы фокусируемся на ключевых метриках:

• Удержание клиентов (Retention Rate)
• Ценность клиента за всё время взаимодействия с брендом (Customer Lifetime Value, CLV / LTV)
• Длительность жизненного цикла клиента (Lifetime / Time Value, TV)
• Частота покупок или визитов (Frequency)
• Средний чек (Average Order Value)
• Давность последнего визита или покупки (Recency)
• Доля повторных покупок
• Окупаемость маркетинговых вложений (ROMI, Return on Marketing Investment)
• Доля цифровой выручки (DRR, Digital Revenue Ratio)
• Реакция клиентов на коммуникации (открытия, клики, покупки)
• Влияние онлайн-коммуникаций на офлайн-покупки (ROPO, Research Online, Purchase Offline)

Это позволило понять, какие сегменты наиболее ценны для бизнеса, подготовить персональные предложения и лучше увидеть, что влияет на рост LTV и удержание клиентов.

Цель: 

• Выявить лучших клиентов  (Принцип Парето): 20% покупателей, приносящих 80% прибыли.
• Разработка индивидуальных предложений для разных сегментов (например, реактивация «уснувших» клиентов или поощрение постоянных).
• Оптимизация бюджета: Перестать тратить деньги на рекламу для неактивных клиентов.

По итогам анализа мы выделили основные группы клиентов, оценили их вклад в выручку и определили стратегию работы с каждой из них (например: «Чемпионы», «Лояльные», «Потерянные» и др.).

2. Сегменты клиентов: ценность, активность, риск ухода

Чтобы адаптировать коммуникации под разных клиентов, делать персональные предложения и управлять переходом клиентов между когортами, мы разделили базу на сегменты и оценили значимость каждого из них по следующим принципам:

• финансовая ценность для бизнеса (выручка, CLV);
• покупательская активность (частота, регулярность);
• стадия жизненного цикла клиента;
• уровень вовлеченности и риск оттока.

Для каждого сегмента определялись: доля в клиентской базе; вклад в выручку; типичное поведение и предпочтительные каналы коммуникаций; потенциал развития и приоритетность для бизнеса.

Использование сегментов и когорт в комплексе позволило:

• не только зафиксировать текущее состояние клиентской базы, но и управлять ее развитием;
• отслеживать, какие сегменты растут или сокращаются за счет когорт;
• оценивать эффективность коммуникаций и продуктовых изменений на уровне конкретных групп клиентов;
• выстраивать прогнозы по развитию клиентской базы и выручки.

Важно: комплексы располагаются в разных регионах России,  как следствие, сегменты и когорты у них разные, поэтому стратегия разрабатывалась, исходя из конкретного комплекса.

3. Персональные предложения для клиентов

Мы определили, откуда приходит каждый сегмент (как клиенты попадают в базу) и какими услугами и акциями он чаще пользуется. Это помогло подготовить специальные офферы.

Дальше на основе сегментации и когортного анализа мы собрали предложения, учитывая:

• ценность клиента для бизнеса,
• его поведение и историю взаимодействий,
• стадию жизненного цикла и вероятность отклика,
• предпочтения по продуктам и цене.

Офферы включали: продуктовые рекомендации, скидки и бонусы, сервисные и контентные предложения, а также индивидуальные сценарии коммуникаций.

Такой подход делает коммуникации более точными и полезными для клиента, повышает конверсию и помогает переводить клиентов в более ценные когорты - без постоянных и лишних скидок.

В дальнейшем данные использовались для тестирования гипотез для увеличения среднего чека, чтобы сделать персональное предложение для конкретного сегмента

4. Автоматизация коммуникаций и воронок  

Для автоматизации маркетинга мы использовали CDP-платформу (Customer Data Platform — систему, которая собирает данные о клиентах из разных источников и позволяет запускать персональные коммуникации).

5. Создание Telegram-бота 

На старте проекта мы решили работать не только с базой клиентов в 1С и CRM клиента, но и дополнительно собрать базу пользователей в Telegram-боте, чтобы использовать её для push-уведомлений и рассылок.

Для каждого комплекса был создан Telegram-бот и настроены сценарии работы.

Клиенты попадали в Telegram-бот разными способами:

• Через попап на сайте

• Через рассылку писем

За 4 месяца нам удалось увеличить базу Telegram-бота на 1 436% от начального объёма

В Telegram-боте мы не только отправляем уведомления об акциях, но и дополнительно сегментируем клиентов и показываем им разные индивидуальные предложения.

Так у нас появился ещё один прямой канал коммуникации с клиентами, через который мы можем отправлять предложения.

6. Настройка автоворонок, создание триггерных сценариев

Для каждой когорты, с учётом сегментов внутри неё, мы подготовили специальные предложения и настроили сценарии коммуникаций.

Также мы внедрили персонализацию по SKU (Stock Keeping Unit - уникальный код товарной позиции): по этим кодам анализировали, какие услуги и продукты выбирает клиент, и на основе этого формировали индивидуальные предложения.

Пример когорты и письма:

Когорта: клиенты, которые раньше покупали абонемент, но он закончился месяц назад.

Предложение: скидка 10% на абонементы по промокоду.

Срок действия промокода: 5 дней.

Этой когорте отправили email-рассылку.

Открываемость письма - до 53%.

7. Коммуникации в разных каналах

В ходе анализа оценили фактическую реакцию сегментов и когорт на различные каналы: email, push в приложении и Telegram-бот, SMS, мессенджеры и соцсети, звонки колл-центра, Performance каналы и др.

Для каждого канала оценили ключевые показатели: доставляемость, открытия, клики и конверсии. На основе этого определили, какие каналы лучше работают для разных типов клиентов и на разных этапах их жизненного цикла.

Цель - снизить избыточную нагрузку на клиента, повысить отклик и выстроить коммуникации в удобном для клиента формате, что напрямую влияет на удержание и рост ценности.

Подготавливалось определенное предложение и отправлялось именно в том источнике, где с большей вероятностью клиент совершает действие.

• Для части базы - отправлялись письма с акцией / предложением 
•  Если клиент не читает письма, то ему в последующем их не отправляют, а делают смс рассылку или push уведомление в Telegram-боте

• Для другой части клиентов - загрузили базу в Яндекс Аудитории и транслировали персональные предложения в рекламе

Это позволило нам значительно сократить расходы и перераспределить бюджет между источниками.

8. Система персональных промокодов

Так как на сайте уже была возможность использовать промокоды, мы использовали их для трёх задач: давать разные промокоды разным когортам, собирать дополнительную аналитику и привлекать пользователей в Telegram-бот.

9. Первичные продажи - активизация базы

После анализа базы мы увидели, что в ней есть много контактов, которые ещё ни разу не были в комплексе и ничего не покупали, но с ними уже можно выстраивать коммуникации.

Для этой когорты мы запустили отдельную работу по активации - чтобы привести людей к первой покупке или первому визиту.

Мы подготовили для них предложения и отправили их через разные каналы:

• email-рассылки
• SMS
• push-уведомления в Telegram-боте
• реклама по загруженной аудитории (на основе базы)

10. Попап на сайте - не только набор базы, но и работа с текущей

На сайте мы настроили попапы для сбора контактов - отдельные варианты под разные сегменты. 

Клиент заходил на сайт и через 10 секунд видел попап с предложением получить промокод на скидку. Получить промокод можно было после перехода в Telegram-бот. 

Использование попапов на сайте позволяет не только делать персональные предложения текущим клиентам, но и постоянно пополнять и сегментировать базу.

11. Письма и рассылки

Часть клиентов хорошо реагирует на email-рассылки - это видно по открываемости писем и переходам по ссылкам.

Мы регулярно тестируем темы и заголовки, чтобы повысить открываемость, а также отправляем разные офферы и акции для разных сегментов.

Если клиенты в определённой когорте письма не читают, мы исключаем их из email-рассылок и переключаем коммуникации на другие каналы.

12. Дополнительная сегментация при росте базы

Когда база быстро растёт или изначально большая, одной общей сегментации уже недостаточно. Поэтому мы делим клиентов глубже - на подкогорты и микросегменты, чтобы делать предложения точнее под их интересы.

Например, часть клиентов приходит в основном по акциям, выбирает определённые дни недели или покупает только разовые тарифы. Для таких групп мы делаем отдельные предложения и добавляем в коммуникации рекомендации по интересам - чтобы увеличить средний чек и запустить допродажи. 

Мы постоянно тестируем не только офферы, но и каналы коммуникаций. То, что показывает лучший результат, оставляем на постоянной основе и масштабируем как подтверждённую гипотезу.

13. Работа с обратной связью клиентов (NPS) 

Важная часть работы с базой - сбор обратной связи через NPS (оценка готовности рекомендовать).

Эта обратная связь помогла понять, что именно смущает клиентов, почему они перестают ходить и что им не понравилось. Также мы увидели, чего клиентам не хватает, и на основе этого смогли делать более точные персональные предложения.

14. Аналитика эффективности и ключевые метрики 

Чтобы оценить влияние CVM-подхода на бизнес-показатели, мы отслеживали несколько метрик: конверсии по гипотезам, долю рекламных расходов, частоту посещений, средний чек, LTV и переход клиентов между когортами. Это позволило понять, какие механики действительно работают и как они влияют на поведение клиентов.

В рамках проекта тестировались разные механики индивидуальных офферов: возврат клиентов с абонементом, работа с брошенной корзиной, предложения для новых клиентов и активация текущей базы.

Некоторые сценарии показали особенно высокий результат. Например, письмо с напоминанием о брошенной корзине дало конверсию до 34%, а предложения для новых посетителей сайта — до 19,5%.

Это подтвердило, что персонализированные сценарии коммуникаций значительно повышают конверсию.

Данные по ДРР (доли рекламных расходов)

Данные ROPO (влияние онлайн на офлайн-покупку) и LTV (ценность клиента за всё время)

Анализ сделан в октябре, поэтому данные по вторичным продажам за октябрь пока неполные.

Визуальное снижение показателей LTV и ROMI к октябрю обусловлено спецификой накопления данных в ROPO-моделях.

1. Фактор "Временного лага" в LTV

На графике "Вторичная покупка (LTV)" мы видим резкое снижение в сентябре и октябре. Это происходит потому, что клиенты, привлеченные в апреле, имели в распоряжении 100% времени отчетного периода для совершения повторных покупок в офлайне. Клиенты же октября находятся в системе всего несколько дней. Они уже совершили первичную покупку (что видно по росту желтого графика), но физически не успели совершить второй и третий визит, которые формируют основной объем LTV.

2. Математическое занижение ROMI

График "Динамика ROMI" показывает отрицательный тренд, так как формула учитывает 100% маркетинговых расходов (при этом расходы по периодам были неравномерными, судя по первому графику) в момент привлечения, но лишь малую долю будущей прибыли.

В апреле когорта уже окупилась и принесла кратный доход.

В октябре расходы зафиксированы в полном объеме, а доход от "хвоста" продаж (эффект ROPO) еще не поступил в отчет.

3. Эффект ROPO (Research Online, Purchase Offline)

Поскольку мы отслеживаем влияние онлайна на офлайн, путь клиента от клика до повторного похода в магазин может занимать значительное время. Ранние месяцы демонстрируют накопленный эффект этого влияния, в то время как последние точки графика отражают только "быстрые" конверсии.

Трудности по ходу проекта

Часто эффективность коммуникаций оценивают по размеру базы, доставляемости (доли сообщений, которые успешно дошли до получателей) и открытиям. Это полезные метрики, но их недостаточно, чтобы понять, как коммуникации реально влияют на поведение клиентов.

В рамках проекта мы расширили подход к аналитике. Помимо формальных метрик мы оценили фактическую доступность аудитории в разных каналах — какая часть клиентов и какие сегменты действительно взаимодействуют с нами в конкретный период.

Такой подход помог точнее понять, какие каналы и сценарии работают для разных сегментов, и выстроить стратегию на основе данных. В итоге рассылки и касания стали не просто “отправкой”, а инструментом, который влияет на бизнес-показатели.

Результат

Что сделали

• Настроили работу с промокодами для разных когорт.
• Подключили CDP-платформу и автоматизировали рассылки.
• Запустили push-уведомления в Telegram-бот и попапы на сайте для разных сегментов.

Что получили

• Увеличили выручку за счет работы с текущей базой клиентов (+50%).

Увеличили долю e-com в 4 раза (с 5% до 20%).

Конверсии по гипотезам

Данные по ДРР (доля рекламных расходов)

Рост частоты посещений (было 1 раз в месяц - стало 2 раза в месяц)

Средний чек по длительности посещения (сравнение когорт сентябрь / декабрь)

Переток из одной когорты в другую

Выводы и уроки

CVM - это не просто работа с базой клиентов, а постоянный процесс анализа данных, проверки гипотез и корректировки коммуникаций на основе результатов.

Управление перетоками сегментов позволяет перейти от простого наблюдения за изменениями в базе к формированию ее структуры и управлению выручкой бизнеса.

Ключевой принцип CVM - управление изменением структуры базы. Мы отслеживаем, как клиенты ведут себя внутри когорт во времени: становятся активнее, "остывают" или уходят в риск оттока. На этой основе выстраиваем сценарии, которые помогают возвращать клиентов, повышать частоту визитов и средний чек, а также переводить клиентов в более ценные для бизнеса сегменты.

Эффективность CVM оценивается через динамику метрик CLV/LTV, retention и частоты покупок/визитов. Для Termoland такой подход особенно важен, потому что значительная часть выручки формируется повторными визитами, а значит рост можно получать не только за счет привлечения, но и за счет грамотной работы с текущей базой через несколько каналов (сайт, мессенджеры, CRM и др.).

В итоге CVM дает понятную сегментацию, более точные предложения, рост LTV и более эффективное распределение маркетингового бюджета.

Если вы хотите получить похожий результат

Подход хорошо работает в бизнесах, где есть повторные покупки или регулярные визиты и можно выстраивать омниканальные коммуникации:

• сетевые магазины с интернет-магазином
• продуктовый ритейл с приложением
• развлекательные комплексы
• физкультурно-оздоровительные комплексы
• агрегаторы билетов и мероприятий
• спортивные команды (билеты, абонементы, мерч)
• отели с онлайн-бронированием
• курортные комплексы с мероприятиями
• артисты с продажей билетов онлайн
• концертные площадки

Мы продолжаем развивать CVM-механику: усиливаем систему лояльности, настраиваем сценарии допродаж в Telegram и Max, выстраиваем единый личный кабинет, улучшаем сегментацию по когортам и аналитику по частоте покупок и LTV. Для ускорения обработки данных используем ИИ-инструменты при построении RFM-анализа и когортного анализа.