Когортный анализ повторных покупок: разбор до/после

Где именно «ломался» цикл: что показал анализ когорт

Когортный анализ по дате первой покупки — не новый инструмент, но большинство команд применяют его поверхностно: смотрят на общую кривую удержания и фиксируют «провал на третьем месяце». В данном случае мы пошли глубже и разбили клиентскую базу не только по дате первой покупки, но и по категории первого товара. Оказалось, что клиенты, стартовавшие с готовых очков, возвращались за линзами в среднем через 38–45 дней — и именно эта когорта давала основной объём повторных продаж. Клиенты, начавшие с оправы под заказ, возвращались через 11–14 месяцев, но конверсия возврата у них была вдвое выше — если с ними вообще работали в нужный момент.

Проблема состояла в следующем: маркетолог рассылал одно «напоминание о визите» раз в квартал по всей базе. Для когорты с 38-дневным циклом это напоминание приходило либо слишком рано (клиент только что купил), либо с опозданием в 3–4 недели после того, как окно возврата закрылось. Для когорты с годовым циклом письмо нередко попадало в нужный момент случайно — как лотерея. Когортный разрез по продуктовым группам сделал невидимое видимым: компания системно промахивалась по времени для большинства сегментов.

Ключевой инсайт: «средний цикл» — это ложная метрика

Когда считаешь среднее время между покупками по всей базе, получаешь число, которое не описывает ни одного реального клиента. В данном кейсе среднее составляло 73 дня — и по этой цифре не жил никто: ни «линзовая» когорта с 38-дневным ритмом, ни «оправочная» с годовым. Маркетинговый календарь, выстроенный вокруг среднего, гарантированно опаздывал или торопился для каждого конкретного человека.

Правильный подход — строить отдельную когорту для каждой продуктовой группы или даже для каждой комбинации «первый товар + канал привлечения». Да, это усложняет аналитику. Но именно это усложнение и даёт рост: вы начинаете говорить с клиентом тогда, когда у него реально возникает потребность, а не тогда, когда вам удобно напомнить о себе.

Важное следствие: когортный анализ повторных покупок — это не разовый отчёт, а живая модель. Циклы меняются вместе с ассортиментом, сезонностью, изменением покупательского поведения. Компания, которая пересчитывает когорты раз в год, через полгода уже работает с устаревшей картой.

Что изменилось после: персональные окна вместо общих рассылок

После того как когортная модель была построена, следующим шагом стало присвоение каждому клиенту в CRM его индивидуального «ожидаемого окна возврата» — диапазона дат, когда вероятность следующей покупки максимальна. Для «линзовой» когорты это окно шириной 7–10 дней открывалось примерно на 35-й день. Для «оправочной» — на 11-м месяце, плюс-минус три недели в зависимости от сезона.

Вместо квартальной рассылки по базе коммуникация стала инициироваться автоматически: когда клиент входил в своё окно возврата, в CRM появлялась задача менеджеру или уходило персонализированное сообщение — с конкретным товаром из той категории, с которой у клиента был зафиксирован предыдущий контакт. Это и есть суть предиктивного подхода: не «напомни всем раз в квартал», а «напомни этому человеку именно сейчас и именно про это».

Результат через два полных цикла наблюдений: доля клиентов с повторной покупкой в течение 14 месяцев выросла с 31% до уровня, который руководство компании теперь считает внутренним бенчмарком и не раскрывает публично — но рост был существенным и воспроизводимым в двух из трёх городов присутствия. Третий город отстал из-за неполноты исторических данных в локальной 1С — что само по себе ценный урок о качестве данных как фундаменте любой когортной модели.

Почему когортный анализ должен жить в CRM, а не в Excel

Главная операционная проблема когортного подхода — разрыв между аналитикой и действием. Аналитик строит когорты в BI-инструменте или таблице, передаёт вывод маркетологу, тот формирует сегмент в CRM вручную, запускает кампанию — к этому моменту часть клиентов уже вышла из окна возврата. Цикл принятия решений слишком длинный для потребительских ритмов с циклом в 30–45 дней.

Решение — замкнуть петлю: когортная модель должна обновляться автоматически на транзакционных данных из 1С или торговой системы, а результат её работы — готовая задача или сделка — должен появляться прямо в CRM без ручного вмешательства. Именно так работает предиктивный CRM-маркетинг в его зрелой форме: система сама вычисляет, у кого сейчас открылось окно возврата, формирует персональное предложение и кладёт его в очередь менеджера или в автоматическую коммуникацию.

Для бизнеса на 1С это особенно важно: вся история транзакций уже есть в системе, когортная модель строится на реальных данных без экспорта и склейки таблиц, а соблюдение требований 152-ФЗ обеспечивается за счёт работы на сервере клиента — данные не покидают инфраструктуру компании.

С чего начать: минимально необходимый набор данных

Для первого когортного разреза повторных покупок достаточно трёх полей: идентификатор клиента, дата покупки, категория или SKU товара. Если эти данные есть в 1С или CRM хотя бы за последние 18–24 месяца — когортная модель уже строится. Дополнительные поля (канал привлечения, сумма чека, город) обогащают модель, но не являются обязательными на старте.

Два частых препятствия на практике: дубли клиентов (один человек под разными номерами телефонов) и неполная история в 1С из-за миграций или ручных правок. Оба решаются на этапе дедупликации до построения когорт — и это обычно занимает больше времени, чем сам анализ. Именно поэтому важно начинать не с красивых дашбордов, а с аудита качества 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.