Как прогнозировать повторные продажи: кейс-разбор

Этап 1. Вычислить индивидуальный цикл покупки, а не средний по рынку

Большинство компаний, которые всё-таки берутся за прогноз, делают одну и ту же ошибку: берут среднюю частоту покупки по категории и рассылают напоминания всем разом. Корм для кошек в среднем покупают раз в три недели — значит, всем через 21 день. В итоге часть клиентов получает предложение, когда у них ещё полный склад, часть — когда уже неделю как купили в другом месте.

Правильный подход — строить индивидуальную модель на основе истории конкретного клиента. Берём три-пять последних покупок одного наименования или категории, вычисляем персональный интервал и доверительный диапазон. У одного покупателя цикл 18 дней, у другого — 35. Это разные люди с разным объёмом потребления, и их нельзя класть в одну когорту. В кейсе с зоотоварами после перехода на индивидуальные циклы точность «попадания» в окно потребности выросла с 34% до 71% — то есть вдвое больше клиентов получали предложение именно тогда, когда были готовы купить.

Технически это реализуется на данных из 1С или кассовой системы: SKU, дата покупки, количество. Никаких внешних источников не нужно — всё уже есть в транзакционной истории.

Этап 2. Разделить клиентов по предсказуемости цикла

Не все клиенты одинаково «предсказуемы». После сбора истории покупок каждого клиента можно рассчитать коэффициент вариации его интервалов. Грубо говоря: если человек покупает корм каждые 20–22 дня — это «регулярный» клиент, его цикл предсказуем, и предложение можно готовить заранее с высокой точностью. Если интервалы скачут от 10 до 45 дней — это «хаотичный» клиент, которому нужна другая механика: не напоминание о пополнении, а реактивное предложение в момент визита или после триггерного события.

В разобранном кейсе клиентская база разделилась примерно так: 48% — регулярные (цикл стабилен, отклонение менее 20%), 31% — умеренно предсказуемые, 21% — хаотичные. Для первой группы запускали автоматические предложения за 3–4 дня до прогнозной даты следующей покупки. Для третьей группы сосредоточились на up-sell в момент контакта, а не на прогнозных рассылках — это дало +12% к среднему чеку без роста числа касаний.

Сегментация по предсказуемости цикла — это не разовая операция. Её нужно пересчитывать минимум раз в квартал, потому что поведение клиентов меняется: ребёнок вырос, сменилась порода питомца, изменился бюджет.

Этап 3. Сформировать предложение под фазу цикла, а не под акцию

Классическая ошибка CRM-маркетинга — отправлять предложение, исходя из того, что нужно бизнесу сейчас (распродать остаток, выполнить план), а не из того, где находится клиент в своём цикле потребления. Результат предсказуем: клиент получает скидку на товар, который ему не нужен прямо сейчас, и воспринимает это как спам.

Прогноз повторной покупки меняет логику: предложение формируется под конкретную фазу. Клиент в «окне потребности» (за 2–5 дней до прогнозной даты) — ему достаточно простого напоминания и удобной ссылки на заказ, скидка не нужна. Клиент, который уже просрочил типичный цикл на 7+ дней, — высокий риск, что купил в другом месте; здесь уместна более ощутимая мотивация или персональный звонок. Клиент в середине цикла — хорошее время для cross-sell смежного товара без давления.

В кейсе с зоотоварами трёхфазная модель (напоминание / реактивация / cross-sell) позволила сократить общее число исходящих коммуникаций на 28%, при этом конверсия в покупку выросла на 19% по сравнению с предыдущим подходом «всем одно письмо раз в месяц».

Этап 4. Автоматически класть готовую сделку в CRM, а не задачу «позвони клиенту»

Один из ключевых разрывов между прогнозом и деньгами — операционный. Прогноз построен, окно потребности определено, предложение сформировано — и всё это превращается в задачу для менеджера: «Позвони Петрову, ему скоро нужен корм». Менеджер занят, задача висит, Петров уже купил в другом месте.

Автоматизация должна идти дальше: система сама формирует черновик сделки с нужным SKU, прогнозным количеством и персональным предложением — и кладёт её в CRM со статусом «ожидает подтверждения». Менеджер видит готовый объект, а не задачу. Это сокращает время реакции с нескольких часов до минут и снимает зависимость от человеческого фактора в рутинных повторных продажах.

В описанном кейсе переход от задач к готовым сделкам сократил среднее время от прогноза до первого контакта с клиентом с 18 часов до 2,5 часа. При этом нагрузка на отдел продаж не выросла — просто изменился формат работы.

Что нужно для запуска: данные, инфраструктура, сроки

Минимальный набор для старта прогнозирования повторных продаж: история покупок глубиной от 6 месяцев, идентификатор клиента (карта, телефон, логин), привязка к SKU или категории. Если это есть в 1С или кассовой системе — данных достаточно. Никаких дополнительных интеграций с внешними платформами не требуется.

По срокам: от выгрузки данных до первых работающих прогнозов по регулярным клиентам — реалистично 4–6 недель. Первые три недели уходят на очистку данных и построение индивидуальных циклов, ещё 1–2 недели — на настройку триггеров и шаблонов предложений. Полноценная система с трёхфазной логикой и автосозданием сделок в CRM выходит на рабочий режим примерно за 2 месяца.

Важный инфраструктурный момент для российского рынка: модели и клиентские данные обрабатываются на сервере самой компании, без передачи третьим сторонам. Это снимает вопросы соответствия 152-ФЗ и корпоративным политикам безопасности — актуально как для ритейла, так и для медицинских организаций, где требования к хранению персональных данных особенно жёсткие.

«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.