Кейс: как запустить триггерную логику повторных заказов в B2B и e‑commerce при ограниченной автоматизации и жёсткой контакт-политике

В B2B и e‑commerce проекты с широким ассортиментом почти всегда сталкиваются с одной и той же проблемой: повторные заказы не управляются системно. Особенно это усиливается, когда есть ограничения по контактной политике, сложная атрибуция и отсутствие полноценной автоматизации. В таких условиях команда начинает работать в режиме ручного продакшена, а коммуникации отрываются от реального поведения пользователей.

С такой ситуацией мы столкнулись на проекте с ассортиментом более 10 000 SKU. Коммуникации формировались вручную, не синхронизировались с циклом потребления товаров, не учитывали индивидуальное поведение пользователей. При этом действовало жёсткое ограничение: не более одного контакта на пользователя в неделю. Это исключало возможность исправить проблему частотой и требовало максимально точного попадания в момент.

Задача — не просто автоматизировать рассылки, а выстроить логику, которая будет учитывать реальный ритм закупок, при этом работать в условиях ограниченной инфраструктуры.

— У нас проблема: разрыв между коммуникацией и реальным поведением

Основная сложность заключалась в том, что цикл повторной покупки в B2B значительно длиннее и вариативнее, чем в классическом e‑commerce:

— каналы продаж разрознены;
— атрибуция сложная;
— автоматизация ограничена;
— real-time триггеры недоступны.

В такой конфигурации любая универсальная логика рассылок начинает работать хуже, чем кажется. Она либо слишком ранняя и раздражает пользователя, либо слишком поздняя и уже не влияет на поведение.

Поэтому ключевая гипотеза проекта была следующая: коммуникация должна быть привязана не к календарю, а к фактическому ритму закупки конкретной категории и конкретного пользователя.

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.

Далее была проведена предобработка данных. Ключевой задачей стало разложение заказов по категориям. Несмотря на наличие категорий в выгрузке, часть товаров была некорректно размечена. Поэтому дополнительно использовалась структура категорий сайта.

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 бумаги. 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.