Когортный анализ повторных покупок: 3 подхода

Подход 1: Статические когорты по дате первой покупки

Самый распространённый вариант: берёте всех клиентов, совершивших первую покупку в один календарный период (неделя, месяц, квартал), и отслеживаете, какая доля из них сделала вторую, третью и последующие покупки. Получается классическая треугольная таблица удержания, где по горизонтали — периоды жизни клиента, по вертикали — когорты.

Плюсы: легко построить в любом BI-инструменте или даже в Excel, результат интуитивно понятен руководителю, позволяет сравнивать «урожайность» разных периодов привлечения. Минусы: подход полностью игнорирует контекст первой покупки — что именно купили, по какому каналу пришли, какова была цена чека. Два клиента, купившие в один и тот же месяц корм для кошки и ошейник, попадают в одну когорту, хотя их следующая потребность кардинально различается по срокам и характеру. В итоге средние цифры удержания маскируют сегменты с принципиально разным поведением.

Подход 2: Скользящие когорты по поведенческому триггеру

Более зрелый вариант — формировать когорты не по дате первой покупки, а по конкретному событию: первая покупка определённой категории, первый визит после длительного перерыва, первый заказ на сумму выше порогового значения. Клиент попадает в когорту в тот момент, когда совершает целевое действие, независимо от того, когда он вообще появился в базе.

Плюсы: такой анализ повторных покупок значительно точнее отражает реальные паттерны потребления. Например, в оптике клиент, купивший первые линзы, образует совершенно иную когорту по поведению, чем клиент, купивший оправу. Скользящий подход позволяет измерить удержание внутри товарной категории и найти «перекрёстные» переходы между категориями. Минусы: требует качественно размеченных данных о транзакциях и чёткого операционального определения триггера. Если в 1С или CRM нет нормальной категоризации номенклатуры, построить такой анализ сложно — сначала придётся разбираться с качеством данных. Кроме того, скользящие когорты сложнее интерпретировать: когда в одной таблице пересекаются клиенты с разными датами «входа», руководителю нужна определённая аналитическая подготовка, чтобы сделать правильные выводы.

Подход 3: Событийно-предиктивные когорты

Это логическое развитие скользящего подхода, но с принципиально иным вектором: когорты формируются не ретроспективно (что уже произошло), а проспективно — кто, судя по модели потребления, находится в «окне готовности» к следующей покупке прямо сейчас. Вместо того чтобы анализировать прошлое и делать из него выводы на будущее вручную, система непрерывно пересчитывает вероятность повторного обращения для каждого клиента и динамически формирует группы по этой вероятности.

Плюсы: анализ перестаёт быть отчётом и становится операционным инструментом. Когорта «готовы купить в ближайшие 14 дней» — это не исторический срез, а живой сегмент, которому можно отправить персональное предложение именно сегодня. Маркетолог работает не с прошлым, а с прогнозом. Удержание перестаёт быть реактивным («клиент ушёл — попробуем вернуть») и становится превентивным. Минусы: подход требует достаточного объёма транзакционной истории (как правило, от нескольких тысяч клиентов с историей хотя бы в 6–12 месяцев), а также вычислительных мощностей и алгоритмов, которые большинство компаний не строят самостоятельно. Кроме того, важно, чтобы предиктивная модель была обучена на данных именно вашего бизнеса, а не на усреднённых отраслевых бенчмарках — иначе точность прогноза окажется неприемлемо низкой.

Что выбрать: практический ориентир

Выбор подхода зависит от зрелости данных и операционных возможностей компании. Если аналитика повторных покупок только начинается — статические когорты дадут первое понимание ситуации за несколько часов работы. Когда появится чёткая категоризация товаров и услуг — переходите к скользящим когортам по триггерным событиям: это уже даёт материал для сегментированных кампаний. Событийно-предиктивный подход оправдан тогда, когда компания готова переходить от «делаем рассылку раз в месяц» к «каждый клиент получает предложение в свой момент готовности».

Важный практический момент: все три подхода работают только при условии, что данные о транзакциях хранятся структурированно и доступны для анализа. В российской рознице, клиниках и сервисных бизнесах основной источник — это 1С и CRM-система. Если между ними нет нормальной интеграции или данные дублируются и расходятся, любой когортный анализ повторных покупок будет строиться на ненадёжном фундаменте. Это первое, что стоит проверить перед выбором инструментария.

Вывод: анализ когорт как основа для действия, а не для отчёта

Когортный анализ повторных покупок ценен не сам по себе, а как основание для конкретного маркетингового решения. Статические когорты покажут, где теряете клиентов. Скользящие — объяснят, на каком шаге потребительского пути происходит отток. Предиктивные — позволят вмешаться до того, как клиент ушёл. Оптимальная стратегия для большинства бизнесов с повторными продажами: начать с первого, быстро перейти ко второму и автоматизировать третий.

Если вам интересно посмотреть, как событийно-предиктивная когортная логика работает на реальной базе вашего бизнеса — «Умный цикл» разворачивается поверх 1С и вашей CRM без переноса данных наружу. Напишите нам, чтобы обсудить демо на своих данных.

«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.