Как считать дату следующей покупки: чек-лист
Большинство CRM-систем фиксируют прошлое — дату последней покупки, сумму чека, канал обращения. Но деньги зарабатываются на будущем: на точном понимании того, когда клиент снова будет готов купить. Рассчитать эту дату можно не интуицией, а конкретным алгоритмом. В этом чек-листе — пять обязательных шагов: от подготовки данных до финального триггера в CRM…
Шаг 1. Очистите историю транзакций — без этого прогноз не работает
Прежде чем считать любые интервалы, проверьте данные на три типичных загрязнения: дубли (один клиент под разными ID из-за смены телефона или email), аномальные покупки (корпоративные закупки раз в год, которые не отражают реальный цикл потребления) и возвраты, которые ошибочно засчитываются как покупки. Каждый из этих случаев сдвигает расчётный интервал и делает прогноз бесполезным.
Минимальный порог для надёжного расчёта — не менее трёх завершённых циклов покупки на клиента. Если у вас есть клиент с одной-двумя покупками, переводите его в отдельный пул с усреднёнными сегментными показателями и не пытайтесь строить индивидуальный прогноз — он будет хуже, чем среднее по когорте.
Шаг 2. Вычислите персональный межпокупочный интервал (MPI)
Межпокупочный интервал — это среднее количество дней между последовательными покупками конкретного клиента. Считается просто: берёте даты всех покупок, вычисляете разницу между каждой парой соседних дат, суммируете и делите на количество интервалов. Например, клиент покупал 10 января, 5 марта и 18 мая — интервалы 54 и 74 дня, MPI = 64 дня.
Важный нюанс: используйте медиану, а не среднее арифметическое, если у клиента есть выбросы — одна очень длинная пауза (болезнь, переезд) или одна очень короткая (подарочная покупка). Медиана устойчивее к таким аномалиям и даёт более реалистичный базовый интервал. Если данных мало, дополняйте персональный MPI сегментным — по категории товара, географии или типу клиента.
Отдельно учитывайте сезонность: если продукт покупают раз в год перед учебным сезоном или перед Новым годом, голый MPI даст вам неверную дату. В этом случае накладывайте сезонный коэффициент — множитель, рассчитанный по историческим данным всей базы за тот же период.
Шаг 3. Скорректируйте прогноз по поведенческим сигналам
Чистый MPI — хорошая база, но реальный клиент не ведёт себя как математическая функция. Скорректируйте прогнозную дату вниз (то есть ускорьте ожидаемую покупку) при следующих сигналах: клиент открывал письма с акцией, заходил на сайт в раздел нужного товара, звонил в поддержку с вопросом об ассортименте или оставил товар в корзине. Каждый из этих сигналов говорит о том, что потребность созревает раньше расчётного срока.
И наоборот — скорректируйте прогноз вверх (отложите ожидаемую дату), если клиент недавно обратился с жалобой и она ещё не закрыта, или если он приобрёл расширенный пакет/абонемент, который закрывает потребность на больший срок, чем обычная разовая покупка. Игнорирование таких сигналов приводит к тому, что вы звоните клиенту с предложением именно тогда, когда он на вас раздражён — и сделка срывается.
Шаг 4. Задайте окно упреждения и порог «горячести»
Прогнозная дата — это не момент звонка, а ориентир. Контактировать с клиентом нужно заранее, пока потребность ещё не стала срочной и он не успел пойти к конкуренту. Оптимальное окно упреждения зависит от цикла принятия решения в вашей категории: для расходников (корм для животных, линзы, витамины) — 5–10 дней до расчётной даты; для услуг с записью (стоматология, техобслуживание) — 14–21 день; для сложных B2B-закупок — от 30 дней.
Введите понятие «порога горячести»: это процент от MPI, после которого клиент переходит в активную очередь для коммуникации. Например, если MPI клиента — 60 дней, а порог горячести — 85%, то триггер срабатывает на 51-й день после последней покупки. Ниже порога — клиент в пассивном наблюдении, выше — в очереди на персональное предложение. Этот механизм позволяет не заваливать базу ненужными касаниями и сохранять лояльность.
Шаг 5. Автоматически кладите готовую сделку в CRM, а не задачу «позвонить»
Типичная ошибка: система рассчитала прогноз, создала задачу менеджеру «позвонить клиенту Иванову», менеджер занят, задача висит три дня, окно упущено. Прогноз есть — результата нет. Правильный финал автоматизации — не задача, а готовая сделка (или лид) в CRM с уже заполненными полями: клиент, прогнозируемый товар или услуга, персональное предложение, дата контакта.
Менеджер открывает утром pipeline и видит не список звонков, а список сделок, которые нужно подтвердить и закрыть. Это принципиально разная психология работы: вместо поиска повода для звонка — доведение уже сформированной сделки до оплаты. Скорость реакции растёт, конверсия повторных продаж растёт, а менеджер тратит энергию на продажу, а не на поиск «кому позвонить сегодня».
Для технической реализации такой схемы не нужно менять CRM или 1С — достаточно прослойки, которая читает данные из существующих систем, считает прогноз и пишет сделки обратно через API. Именно по такой архитектуре устроен «Умный цикл»: он работает поверх того, что уже есть у бизнеса, не требует миграции данных и хранит всё на сервере клиента в соответствии с требованиями 152-ФЗ.
Итог: пять шагов, которые превращают историю покупок в план продаж
Расчёт даты следующей покупки — это не разовая аналитическая задача, а непрерывный процесс: очистка данных → персональный интервал → поведенческая коррекция → окно упреждения → автосделка в CRM. Пропуск любого шага снижает точность и убивает ценность всей цепочки.
Если хотите посмотреть, как этот алгоритм работает на реальной базе вашего бизнеса — свяжитесь с командой «Умного цикла». Мы разбираем конкретные данные клиента на демо, а не показываем заготовленные слайды.
«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.
Запросить демо