Как Befree снизил стоимость заказа на 7% с помощью ML-ретаргетинга

Пока большинство ритейлеров продолжают лить бюджеты на всех, кто просто зашел на сайт, Befree (входит в Melon Fashion Group) пошел другим путем. Компания внедрила ML-ретаргетинг от Mindbox и начала платить за показы только тем, кто действительно готов купить. Итог — стоимость заказа из «Яндекс Директа» упала на 7%, а конверсия в заказ выросла на 0,44 п.п.

#Почему классический ретаргетинг перестал окупаться

Классическая схема ретаргетинга во fashion-ритейле проста: догоняем рекламой всех, кто покинул сайт без покупки. Но у этого подхода есть фундаментальная проблема. Бюджет размазывается тонким слоем и по тем, кто уже выбрал товар и почти готов заплатить, и по случайным прохожим, зашедшим поглазеть на новую коллекцию за утренним кофе.

Именно так долгое время работал и Befree. В начале 2025 года рекламные расходы резко пошли вверх, и команда приняла решение оптимизировать механику. На смену интуитивному таргетингу пришел инструмент предиктивной аналитики — ML-ретаргетинг Mindbox.

Механика работы инструмента далека от магии, но впечатляет точностью:

• Трекер на сайте собирает массив данных о каждом посетителе: просмотренные категории, время в сессии, факт добавления в корзину, тип устройства и источник перехода.
• ML-модель обрабатывает эти сигналы и присваивает пользователю предикт — числовую оценку вероятности покупки от 1 до 100.
• Вся аудитория автоматически делится на 10 сегментов по готовности к транзакции.
• Ставки на показы корректируются динамически: повышаются для «горячих» сегментов и снижаются для тех, кто вряд ли вернется.

#Что показал АБ-тест: −3 п.п. ДРР и +0,44 п.п. к конверсии

Эксперимент ставили по всем канонам продуктовой аналитики. Сначала двухнедельный АА-тест подтвердил, что показатели CPO (стоимость заказа) и конверсии в двух случайных выборках идентичны. Только после этого запустили основную фазу.

Контрольная группа работала по старым правилам — без сегментации и с нулевыми ставками. В тестовой группе ставки корректировали на 10% в зависимости от предикта:

• Для сегментов с вероятностью покупки 60–90% — повышали.
• Для сегментов с вероятностью покупки 30–50% — снижали.

За шесть недель чистого теста разница между группами стала статистически значимой на уровне 95%. И вот какие результаты зафиксировали в тестовой группе:

• Стоимость заказа (CPO) снизилась на 7%.
• Доля рекламных расходов (ДРР) упала на 3 п.п.
• Конверсия в заказ выросла на 0,44 п.п.

Возврат инвестиций в маркетинг (ROMI) по итогам эксперимента и вовсе достиг 727,54%.

«Эра больших бюджетов закончилась, и сегодня важно внимательно считать расходы на рекламу. С помощью ML-ретаргетинга мы перераспределили рекламный бюджет в пользу аудитории с высоким потенциалом покупки и таким образом снизили долю рекламных расходов», — комментирует Иван Анисимов, руководитель продвижения Befree.

#Неочевидные результаты на холодном look-alike

После успеха на теплой аудитории команда Befree решила проверить, сработает ли ML-сегментация для привлечения новых клиентов. На основе четырех топ-сегментов с высоким предиктом внутри «Яндекса» собрали look-alike-аудитории и запустили кампанию на холодный трафик в РСЯ.

Тест проводили в последние недели декабря 2025 года, а результаты оценивали в середине января 2026-го — с поправкой на отложенные покупки в новогодние праздники. ДРР кампании на look-alike-аудиторию составил 33,77%. Это на 10,04 п.п. выше, чем у оптимизированной РСЯ-кампании со стандартным таргетингом за тот же период.

На первый взгляд — провал. Но есть нюанс.

#Почему «провальный» тест на самом деле удался

Эксперимент был пробным: без полноценного АБ-теста и оценки статистической значимости. Старая рекламная кампания на стандартном таргетинге отлаживалась месяцами. А новая, построенная на ML-сегментах, с ходу за пару недель показала сравнимые цифры.

«На первый взгляд может показаться, что эксперимент с сегментами на look-alike-аудитории не удался. Ведь ДРР оказался выше, чем в обычной look-alike-кампании. Но мы видим здесь большой потенциал: старая рекламная кампания на стандартном таргетинге работает давно, мы ее регулярно оптимизируем. А в новой с ходу за пару недель получили сравнимые показатели, которые можно постепенно улучшать, оптимизируя ставки, креативы, форматы или места показа», — объясняет Юлия Мацюк, менеджер по контекстной рекламе Befree.

Команда увидела не поражение, а точку старта для итераций. Следующий шаг — докрутка креативов, форматов и мест показа, чтобы вывести кампанию на окупаемость.

#Планы: ML-сегментация уходит в CRM

Самый амбициозный следующий шаг Befree — связать предиктивную аналитику с CDP Mindbox и использовать ML-сегментацию в CRM-маркетинге. Оценка вероятности покупки будет сохраняться в профиле клиента и обновляться в реальном времени.

Это открывает сценарии, недоступные при классическом подходе. Например, в триггерных рассылках по брошенным корзинам можно будет давать скидку не всем подряд, а дозировать оффер в зависимости от восприимчивости конкретного клиента. Тому, кто и так готов купить, скидка не нужна. А колеблющемуся — небольшой стимул может помочь принять решение.

#Что это значит для селлеров

Кейс Befree — не просто история крупного ритейлера с 250 магазинами. Это сигнал: эра бездумного ретаргетинга заканчивается. Предиктивная аналитика перестает быть игрушкой для избранных и становится инструментом прямого влияния на юнит-экономику. Для селлеров на маркетплейсах, которые управляют рекламными кампаниями в Яндекс Директе или на площадках вроде Ozon и Wildberries, принцип работает так же: платить нужно не за всех, а только за тех, кто с высокой вероятностью купит. Начните с простого — сегментируйте аудиторию хотя бы по поведенческим факторам и перераспределите бюджет в пользу «горячих» пользователей. Результат может удивить даже без внедрения ML-моделей.