Кейс: как запустить триггерную логику повторных заказов в B2B e‑commerce при ограниченных автоматизации и контакт-политике
Одна из самых оборотных механик в екоме — Next Order — отправлялась вручную. Её нельзя было автоматизировать из-за ограничений контактной политики (1 маркетинговая рассылка в неделю) и большого ассортимента — несколько категорий FMCG, которые могли каннибализировать друг друга.
Задача — выстроить бизнес-логику приоритизации отправок, которая бы учитывала все ограничения, была максимально приближена к реальным циклам закупок и легла бы в основу автоматизации отправок.
Что сделали
- Выбрали 4 оборотообразующих и высокочастотных категории.
- Проанализировали частоту покупок клиентов с 4+ заказами.
- Для чистоты эксперимента выбрали тех, у кого частота покупок была около 30 дней.
- Тест проводили с участием контрольной группы.
- Метрики: частота заказа, средний чек.
- Настроили отправку по понедельникам, выбрав как приоритет «оборотность» категории. Сначала — письмо с категорией 1, через неделю — письмо с категорией 2, затем — 3 и 4. Сценарий проверял совершение заказа за это время и таких клиентов исключал из цепочки.
Важно: это не окончательное решение, необходимо было сделать подход к автоматизации как промежуточному этапу до внедрения ML-приоритизации отправок.
Анализ проводился по следующим условиям:
— анализ показателей по пользователям до и после попадания в новую логику;
— рассматривались заказы с атрибуцией к каналу рассылок;
— сравнение двух периодов: 01.01.2025–31.07.2025 (далее «Группа А») и 01.08.2025–30.09.2025 (далее «Группа Б»);
— показатели были дополнены общими показателями и среднемесячными, так как сравнивать среднемесячные показатели более корректно из-за разной длины периодов.
Краткие выводы
— Тестирование автоматизации сценария Next Order продемонстрировало положительный результат на покупателях из выгрузок «Категория 1» и «Категория 3». Для данных групп отмечается увеличение среднемесячной частоты заказов и среднемесячного ARPPU (в среднем в 1,8 раз) и прирост величины среднего чека (на 5,15% и 8,95% соответственно).
— Удовлетворительный результат для выгрузок «Категория 2» и «Контрольная группа». Для них также зафиксировано увеличение показателей среднемесячной частоты заказов (в два раза) и среднемесячного ARPPU, однако отмечается снижение среднего чека на 17,84% и 1,33% соответственно.
— Для выгрузки «Категория 4» наблюдается снижение по показателям, однако выборка группы Б для этой выгрузки является малой и делать выводы на основе данных результатов не совсем корректно.
— На основе полученных результатов можно сказать, что автоматизация сценария Next Order демонстрирует положительный результат на показателях, которые в дальнейшем влияют на величину оформленного оборота.
Подробные результаты проведённого анализа
Выгрузка «Категория 1»:
— наблюдается увеличение среднемесячной частоты заказа почти в 2 раза до 0,77 заказа в месяц
— средний чек увеличился на 5,15%;
— среднемесячная выручка с платящего пользователя увеличилась более чем в два раза.
Выгрузка «Категория 2»:
— среднемесячная частота заказа увеличилась чуть более, чем в 2 раза и составил 0,75 заказа в месяц;
— наблюдается снижение среднего чека на 17,84%;
— среднемесячная выручка с платящего пользователя увеличилась в полтора раза.
Выгрузка «Категория 3»:
— среднемесячная частота заказов увеличилась на 60,61% и составила 0,53 заказа в месяц;
— отмечается увеличение среднего чека на 8,95%;
— среднемесячная выручка с платящего пользователя увеличилась на 74,75%.
Выгрузка «Контрольная группа»:
— среднемесячная частота заказов увеличилась в 2 раза и составила 0,77 заказа в месяц;
— средний чек незначительно снизился на 1,33%;
— среднемесячная выручка с платящего пользователя увеличилась почти в два раза.
Выгрузка «Категория 4»:
— среднемесячная частота заказов увеличилась на 66,67% и составила 0,6 заказа в месяц;
— отмечается снижение среднего чека на 42,58%;
— среднемесячная выручка с платящего пользователя снизилась на 5,36%.
Этап 1. Подготовка данных и выбор аналитической базы
Работа началась с формирования корректной аналитической выборки. Были выгружены данные по заказам пользователей из Mindbox за год. В выборку включили только тех пользователей, которые совершили два и более заказов. Это позволило работать с повторяемым поведением, а не с разовыми покупками.
Фокус анализа был направлен на категории с циклическим потреблением. Это принципиально важно, потому что именно в них есть повторяемый спрос. В рамках проекта рассматривались категории вроде хозяйственных товаров, бумаги, канцелярии, продуктов питания.
Этап 2. Определение реального цикла повторной покупки
На этом этапе задача заключалась не в том, чтобы найти «среднее значение по больнице», а в том, чтобы понять саму структуру поведения.
Разберём на примере категории 1. Пользователи с двумя заказами демонстрируют слишком высокую вариативность интервалов. Их поведение нестабильно, и на его основе нельзя строить триггеры. Однако при четырёх и более заказах картина меняется. Интервалы начинают стабилизироваться, и появляется возможность работать с метриками.
Медианный интервал между покупками составил 47 дней. При этом 25‑й перцентиль оказался на уровне 29 дней. Это дало основу для построения триггерной логики.
Ключевая идея — работать не с одной точкой, а с диапазоном.
Интервал 29–47 дней стал зоной коммуникации. Он позволяет покрыть разные типы пользователей. Те, кто обычно покупает раньше, получают напоминание в момент отклонения от привычного поведения. Те, кто покупает позже, получают мягкий стимул чуть заранее.
Такой подход позволяет не просто «попасть в дату», а работать с отклонениями от нормы, что значительно усиливает эффект.
Этап 3. Настройка логики с учётом бизнес-ограничений
Перед внедрением важно было синхронизировать логику с продуктовой и коммерческой командой. Особенно это касается случаев, когда в коммуникации используется стимул. Если в триггере есть скидка или специальное предложение, смещение точки отправки становится критичным.
В этом случае целесообразно ориентироваться ближе к 75-му перцентилю. Это позволяет не стимулировать тех пользователей, которые и так бы совершили покупку, и сосредоточить усилия на тех, кто потенциально выпадает из цикла.
Даже внутри одной категории может существовать несколько сценариев отправки в зависимости от типа коммуникации.
Этап 4. Персонализация логики на уровне пользователя
Следующий слой — это переход от категорийной логики к персональной. Если у пользователя есть достаточная история заказов, появляется возможность рассчитывать индивидуальный интервал. В основе лежит анализ промежутков между его покупками.
Например, если пользователь делает заказы с интервалами 10, 12 и 9 дней, его устойчивый интервал составляет около 10 дней. Соответственно, триггер отправляется через 10 дней после последнего заказа. Это позволяет учитывать реальный ритм конкретного бизнеса клиента и значительно повышает релевантность коммуникации.
Триггеры в CRM: сущность, типы и современные ограничения →
Для пользователей с недостаточной историей персонализация невозможна. В этом случае используется категорийная логика. Оптимальным решением становится использование 75-го перцентиля, который снижает риск слишком раннего контакта.
Этап 5. Проверка гипотезы через A/Б‑тестирование
После построения логики был проведён A/Б‑тест. Контрольная группа продолжала получать коммуникации по текущей логике. Тестовая группа — по новой, основанной на перцентилях и пользовательских интервалах. Ключевая метрика — количество заказов на пользователя за период теста.
Особое внимание уделялось методологии. Для корректной оценки результата был рассчитан минимальный детектируемый эффект. Также определена длительность теста с учётом частоты триггеров. Это важный момент: чем длиннее цикл покупки, тем дольше должен идти тест.
— И что, у нас получилось?
Основной результат проекта — это не просто внедрение триггеров, а смена подхода.
Коммуникации перестают быть календарными и становятся поведенческими. CRM-команда выходит из ручного продакшена и начинает работать с системой.
Даже при ограниченной автоматизации и жёсткой контакт-политике можно выстроить эффективную механику повторных заказов, если опираться на реальные данные и учитывать вариативность поведения.
Ключевой принцип здесь простой (и наш любимый): не подстраивать пользователя под коммуникацию, а подстраивать коммуникацию под пользователя.
Проект реализован командой аналитиков и маркетологов Мейлфит совместно с командой бренда.
