Как считать дату следующей покупки клиента: FAQ

С чего вообще начинается расчёт — что нужно знать о клиенте?

Минимальный набор данных для первого прогноза — это дата каждой транзакции и её сумма или категория товара. Из этого уже можно вычислить индивидуальный межпокупочный интервал (MPI — Mean Purchase Interval): берёте все временны́е промежутки между последовательными покупками клиента и усредняете. Если клиент покупал 1 февраля, 5 апреля и 10 июня, интервалы составили 63 и 66 дней — средний равен 64,5 дня. Следующую покупку логично ожидать примерно 13–15 августа.

Чем длиннее история — тем точнее прогноз. На практике достаточно 4–6 транзакций, чтобы интервал стабилизировался. Если транзакций меньше трёх, используют сегментный бенчмарк: средний MPI по похожим клиентам из той же товарной категории или демографического кластера. Это грубее, но лучше, чем не делать ничего.

Простой интервал работает? Или нужна сложная модель?

Простой средний интервал хорошо работает для товаров с ритмичным потреблением: корм для животных, контактные линзы, регулярные медицинские процедуры, подписки. Там цикл физически обусловлен — упаковка заканчивается, линзы изнашиваются, срок действия рецепта истекает. Погрешность расчёта по среднему интервалу в таких категориях обычно составляет плюс-минус несколько дней.

Но как только в игру входит сезонность, разнородный ассортимент или нерегулярные покупки — простой MPI начинает врать. Клиент покупает удобрения весной и осенью, а зимой не появляется совсем. Усреднив его интервалы, вы получите прогноз посреди зимы — и уйдёте в молчание как раз тогда, когда он начинает думать о следующем сезоне. Здесь нужны модели, учитывающие сезонные коэффициенты или хотя бы фильтрацию по месяцу первой покупки.

Статистически более устойчивая альтернатива — медианный интервал вместо среднего: он устойчив к выбросам (разовая задержка из-за командировки или болезни не ломает всю картину). Для большинства малого и среднего бизнеса медианный MPI с поправкой на сезон — уже рабочая и достаточно точная модель.

Как учесть, что клиент может уйти и не вернуться?

Это ключевой методологический вопрос. Если просто брать интервал и прибавлять его к дате последней покупки — вы будете ждать клиента, который уже давно ушёл к конкуренту. Именно для этого существует понятие «вероятность того, что клиент ещё активен» (p_alive в терминологии вероятностных моделей).

Классический инструмент — модель BG/NBD (Beta-Geometric / Negative Binomial Distribution). Она одновременно оценивает два параметра: ожидаемую частоту покупок и вероятность того, что клиент не «умер» (то есть не отказался от вас). На выходе — не просто дата, а дата вместе с уровнем уверенности. Например: «вероятность покупки в течение следующих 30 дней — 71%».

Для бизнеса, который не готов разворачивать академические модели вручную, достаточно простого правила-эвристики: если клиент не купил в течение двух-трёх своих средних интервалов — он с высокой вероятностью уходящий. Таких клиентов стоит выделять в отдельный сегмент реактивации, а не ждать с прогнозом как с обычным активным покупателем.

Что делать, если у клиента только одна покупка в истории?

Один из самых частых вопросов на практике: новый клиент купил впервые — когда ждать второй покупки? Индивидуального интервала нет. Здесь работают два подхода.

Первый — категорийный бенчмарк: смотрите, какой средний промежуток между первой и второй покупкой у клиентов, купивших тот же товар или в той же категории. Это уже даёт вполне рабочую дату для первого касания. Второй подход — анализ «ближайших соседей»: берёте клиентов с похожим чеком, каналом привлечения и категорией, смотрите их вторые покупки. Это грубый kNN, но в условиях ограниченных данных он работает лучше, чем ничего.

Важный нюанс: для новых клиентов окно второй покупки обычно короче, чем последующие интервалы. Первые 30–45 дней после первой покупки — критическое время: если клиент не вернулся в этот период, вероятность стать постоянным резко падает. Поэтому первое напоминание стоит делать раньше расчётной даты, а не точно в день прогноза.

Как автоматизировать этот расчёт, не нанимая аналитика?

Руками считать MPI по тысячам клиентов — нереально. Но и ждать отдельного data scientist-а для настройки pipeline тоже не всегда есть возможность. Есть промежуточный путь: встроить расчёт прямо в CRM или в систему, которая работает поверх вашей учётной базы.

Логика такая: при каждой новой транзакции система автоматически пересчитывает MPI клиента, обновляет прогнозную дату следующей покупки и за N дней до этой даты формирует задачу для менеджера или триггерное сообщение. Всё это может работать на основе данных из 1С или существующей CRM — без переноса данных на сторонние сервисы и без нарушения требований 152-ФЗ.

Именно так устроен «Умный цикл»: он разворачивается на сервере клиента, забирает историю покупок из 1С или CRM, считает предиктивные даты и кладёт готовые сделки обратно в CRM — менеджер видит: «Иванов, прогнозная покупка через 12 дней, предложить корм для крупных пород, средний чек 3 200 ₽». Никаких ручных выгрузок и никакого Excel.

Насколько точен прогноз и как его улучшать со временем?

Честный ответ: первые прогнозы будут неточными — особенно на клиентах с короткой историей. Точность растёт по мере накопления данных. Хороший ориентир: после 6–8 транзакций клиента модель выходит на устойчивую погрешность в пределах 10–15% от реального интервала. Это уже достаточно, чтобы отправлять коммуникацию в правильное окно, а не наугад.

Главный инструмент улучшения — обратная связь: фиксировать, сработал ли прогноз. Если клиент купил раньше расчётной даты — интервал нужно корректировать вниз. Если позже — вверх. Со временем модель адаптируется под реальное поведение конкретного человека. Это и есть «обучение на данных» без сложного ML: итеративная подстройка по факту.

Дополнительные сигналы, которые повышают точность: открытие email-рассылки (клиент «ожил»), посещение сайта, звонок в поддержку. Даже без покупки эти события говорят о том, что цикл потребности активируется — и прогнозную дату стоит сдвинуть ближе.

«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.