Как прогнозировать повторные продажи: чек-лист

Шаг 1. Убедитесь, что у вас есть данные для прогноза

Прежде чем строить любую модель, проверьте качество исходного материала. Прогноз повторных продаж держится на трёх столпах: история транзакций с датами, привязка чека к конкретному клиенту (не просто к кассовому узлу) и хотя бы минимальный профиль — что именно купил, в каком объёме, на какую сумму. Без этих данных вы прогнозируете погоду, глядя в потолок.

Чек-лист по данным: ✓ Каждая продажа привязана к ID клиента, а не к анонимному чеку. ✓ В базе есть история минимум за 12 месяцев. ✓ Категория товара или услуги зафиксирована структурированно (не «разное»). ✓ Дата последней покупки обновляется автоматически, а не вручную. ✓ Есть хотя бы один канал связи: телефон или e-mail. Если хотя бы два пункта не выполнены — начните с них, иначе любая аналитика будет давать мусор на выходе.

Шаг 2. Рассчитайте реальный цикл покупки по сегментам

Средний цикл покупки по всей базе — бесполезная цифра. Клиент, который берёт корм для собаки раз в три недели, и клиент, который раз в полгода покупает линзы — это два принципиально разных ритма. Прогнозирование повторных продаж начинается с сегментации не по социодему, а по поведенческому интервалу.

Как считать: возьмите всех клиентов с двумя и более покупками в одной категории. Вычислите медианный интервал между первой и второй покупкой, между второй и третьей — и так далее. Медиана точнее среднего: она не искажается редкими выбросами (клиент, который не покупал год, а потом сделал три заказа за неделю). Разбейте базу на кластеры: «быстрый цикл» (до 30 дней), «средний» (30–90 дней), «длинный» (90+ дней). Для каждого кластера момент контакта будет разным.

Важный нюанс: цикл покупки — не константа. Он меняется вместе с жизненной ситуацией клиента. Клиника, которая ведёт пациента с хроническим заболеванием, видит одну частоту визитов; после ремиссии частота падает. Статичная модель это не учитывает, динамическая — учитывает. Именно поэтому прогноз нужно пересчитывать, а не устанавливать раз и навсегда.

Шаг 3. Определите «окно контакта» — когда именно писать

Рассчитать цикл — это половина работы. Вторая половина — понять, в какой момент внутри этого цикла уместен контакт. Слишком рано — раздражает и воспринимается как спам. Слишком поздно — клиент уже купил у конкурента или просто забыл о вас.

Практическое правило: контактируйте в промежутке от 70% до 85% от медианного интервала. Если медианный цикл — 30 дней, оптимальное окно — с 21-го по 25-й день после последней покупки. Именно тогда потребность уже формируется, но решение ещё не принято. Для товаров с фиксированным сроком службы (фильтры, линзы, расходники) окно можно сузить — там потребность более предсказуема. Для услуг с эмоциональным компонентом (косметология, стоматология) добавьте триггер события: день рождения, сезон, результат предыдущей процедуры.

Чек-лист по окну контакта: ✓ Окно рассчитано отдельно для каждого сегмента и категории. ✓ Контакт не совпадает с праздниками и нерабочими днями. ✓ Есть приоритизация: если клиент попадает в несколько окон одновременно — какое сообщение идёт первым. ✓ Канал коммуникации выбран под профиль клиента, а не по принципу «всем одно и то же».

Шаг 4. Проверьте, что предложение соответствует прогнозу

Ошибка, которую делают даже компании с хорошей аналитикой: они правильно рассчитывают момент, но отправляют неуместное предложение. Клиент купил корм для кошки — ему присылают акцию на собачьи игрушки. Пациент прошёл чистку зубов — получает рассылку про ортопедию. Это не персонализация, это имитация персонализации.

Настоящий прогноз повторных продаж включает не только «когда», но и «что». Модель должна учитывать: что купил в прошлый раз, что покупают похожие клиенты на том же шаге пути, что логично предложить следующим — дополняющий товар, повторный заказ того же или апгрейд. Это называется контекстным предложением. Именно оно конвертирует, а не скидка ради скидки.

Чек-лист по офферу: ✓ Предложение базируется на истории конкретного клиента, а не на общем промо-календаре. ✓ Есть логика up-sell и cross-sell, прописанная по категориям. ✓ Скидка — не единственный инструмент: напоминание, бонус, приоритетная запись, бесплатная консультация тоже работают. ✓ Текст сообщения персонализирован хотя бы на уровне имени и названия товара или услуги.

Шаг 5. Автоматизируйте цикл и исключите ручной труд

Если прогноз повторных продаж живёт в Excel и требует ежемесячного обновления руками маркетолога — это не система, это героизм. Рано или поздно таблица устареет, человек уйдёт в отпуск, и весь выстроенный процесс рассыплется. Устойчивая система прогнозирования работает автоматически: данные из 1С или CRM поступают в модель, модель пересчитывает прогнозы, сделка или задача создаётся без участия человека.

Что должна делать автоматизация: ✓ Забирать актуальные данные о покупках без ручного экспорта. ✓ Пересчитывать индивидуальный цикл клиента после каждой новой транзакции. ✓ Создавать задачу или сделку в CRM с нужным оффером и датой контакта. ✓ Фиксировать результат: купил, отказался, не ответил — и корректировать следующий прогноз. ✓ Соблюдать требования 152-ФЗ: данные не уходят в облако без согласия, обработка происходит на стороне клиента.

Именно такую архитектуру реализует «Умный цикл»: предиктивная модель разворачивается на сервере клиента, работает поверх существующей 1С и CRM, и кладёт готовую сделку туда, где менеджер её уже ждёт. Никаких новых интерфейсов для обучения — только результат в привычном инструменте.

Итог: что отличает прогноз от угадывания

Прогнозирование повторных продаж — это не магия и не большие бюджеты. Это последовательная работа с данными: сначала качество базы, потом расчёт реального цикла, потом точное окно контакта, потом контекстный оффер, потом автоматизация всей цепочки. Пропустите любой шаг — и система будет давать сбои именно в нём.

Если вы хотите посмотреть, как эта логика работает на вашей реальной клиентской базе, — мы готовы провести демо «Умного цикла» с вашими данными. Без обязательств и без шаблонных презентаций: только конкретные прогнозы по вашим клиентам и вашим категориям.

«Умный цикл» строит такой прогноз автоматически

Берёт данные из вашей учётной системы, считает следующую покупку каждого клиента и кладёт готовую сделку в CRM. Покажем на демо «горячий список» по вашей базе.