Как считать дату следующей покупки: чек-лист

Шаг 1. Соберите чистую историю покупок — без исключений

Прежде чем считать любые интервалы, убедитесь, что история транзакций пригодна для анализа. Проверьте три вещи: уникальность идентификатора клиента (один человек — один ID, а не пять), наличие даты каждой операции с точностью до дня, и исключение аномалий — возвратов, технических нулевых чеков, оптовых закупок, которые не отражают реальное потребление.

Практически: выгрузите из 1С или CRM транзакции за последние два полных года по каждому клиенту. Отфильтруйте строки, где сумма меньше минимального порога вашего среднего чека, и строки с пометкой «возврат». То, что останется, — рабочий массив. Без этого шага любые расчёты дадут мусор.

Шаг 2. Рассчитайте индивидуальный межпокупочный интервал

Межпокупочный интервал (МПИ) — это среднее количество дней между последовательными покупками конкретного клиента. Формула проста: возьмите все даты покупок клиента, вычислите разницу между каждой парой соседних дат и усредните. Например, клиент купил 10 января, 15 марта и 20 мая — интервалы 64 и 66 дней, МПИ = 65 дней.

Важный нюанс: если у клиента меньше трёх покупок, индивидуальный МПИ ненадёжен. В этом случае используйте МПИ сегмента — группы клиентов с похожим товарным профилем и частотой. Не усредняйте всю базу в одно число: клиент зоомагазина, покупающий корм раз в три недели, и клиент, берущий аксессуары раз в полгода, — разные математические объекты.

Дополнительно считайте стандартное отклонение интервалов для каждого клиента. Если оно велико — клиент нерегулярный, и к нему нужна другая логика (см. шаг 4).

Шаг 3. Прибавьте МПИ к дате последней покупки — и скорректируйте

Базовая формула прогнозной даты: Дата последней покупки + МПИ = Ожидаемая дата следующей. Это стартовая точка, не финальный ответ. Дальше применяются три корректировки.

Корректировка 1 — сезонность. Если клиент исторически покупает чаще в феврале и июле, сдвиньте прогноз в сторону ближайшего сезонного пика. Для этого нужна помесячная агрегация покупок по сегменту за два года. Корректировка 2 — срок службы товара. Для расходников (линзы, корм, фильтры, лекарства) прогноз можно уточнить через объём последней покупки: купил корм на 15 кг — при расходе 500 г в день запас кончится через 30 дней. Корректировка 3 — тренд частоты. Если три последних интервала клиента сокращаются, он «разгоняется»; если растут — он замедляется. Учитывайте направление, а не только среднее.

Шаг 4. Отдельная логика для нерегулярных клиентов

Клиенты с высоким стандартным отклонением МПИ (больше 50% от среднего значения) — нерегулярные покупатели. Для них среднеарифметический прогноз бесполезен: он будет ошибаться постоянно. Здесь работает другой подход — вероятностная модель. Вместо «когда купит» считаем «вероятность покупки в следующие 30/60/90 дней».

Упрощённый вариант без машинного обучения: посмотрите, какой процент аналогичных нерегулярных клиентов совершил покупку в течение 30, 60 и 90 дней после последней. Это даст три вероятности. Триггер для коммуникации — когда вероятность 90-дневной покупки падает ниже порога (например, 40%), клиент переходит в сегмент «риск оттока», а не в сегмент «скоро купит».

Главная ошибка — смешивать регулярных и нерегулярных клиентов в одной модели. Это занижает качество прогноза для обеих групп.

Шаг 5. Переведите прогноз в действие: что должно произойти в CRM

Дата следующей покупки бесполезна как число в таблице. Она должна автоматически создавать задачу или сделку в CRM за N дней до прогнозной даты — с персональным предложением, привязанным к истории конкретного клиента. N выбирается под ваш цикл коммуникации: для SMS/мессенджера — 3–5 дней, для email с каталогом — 7–10 дней, для обзвона — 1–2 дня.

Проверьте, что в сделке есть: имя клиента, прогнозируемый товар или категория (на основе предыдущих покупок), канал коммуникации (предпочтительный для этого клиента), и ответственный менеджер. Без этих полей «готовая сделка» — просто напоминалка, а не инструмент продажи.

После первых 60–90 дней работы модели обязательно считайте точность: какой процент прогнозов попал в окно ±14 дней от фактической покупки. Если точность ниже 50% — ищите ошибку в данных или в логике сегментации. Если выше 65% — модель работает и её можно масштабировать на всю базу.

«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.