Половина повторных заказов — в первые 7 дней после покупки: от метрики к гипотезе
Повторные покупатели в e-commerce могут формировать значительную часть выручки, но доля возвратов не показывает, какую механику стоит проверить. На данных B2B-магазина продуктовая команда с помощью ИИ-ассистента «Дина» определила первые семь дней после заказа как период для проверки и превратила найденную закономерность в продуктовый эксперимент.
Почему привычных отчётов недостаточно
Обычно представление о возвращаемости складывается из трёх отчётов:
- сколько покупателей совершили повторный заказ;
- сколько покупок приходится на одного клиента;
- какую долю выручки приносят первые и повторные покупки.
Эти показатели можно разбить по регионам, источникам или категориям товаров — и всё равно не получить ответа на главный вопрос: чем опыт вернувшихся покупателей отличается от опыта тех, кто ограничился одним заказом.
Даже 5–7% повторных покупателей могут формировать до 20% выручки интернет-магазина. Но высокая ценность возвращаемости ещё не делает её продуктовой задачей. Команда видит итоговый показатель, а в бэклоге появляются скидки, рассылки, программа лояльности или изменения первого заказа — без понимания, какая механика связана с реальным поведением покупателей.
Показатель, который не подсказывает следующего действия, остаётся отчётностью, а не инструментом управления продуктом интернет-магазина.
В этом кейсе покажем, как продуктовая команда интернет-магазина прошла путь от общей задачи «увеличить долю повторных покупок» до конкретной гипотезы и эксперимента.
Перед исследованием: объединили данные о поведении и заказах
В основе кейса — данные оптового интернет-магазина строительных материалов. Его клиенты оформляют крупные B2B-заказы через личные кабинеты, а части покупателей регулярно требуются одни и те же позиции.
Данные о заказах поступали в «Динамику» из учётной системы магазина, действия покупателей на сайте — со счётчика. Профили были связаны между вебом и CRM, поэтому платформа могла объединить цифровое поведение с фактически совершёнными заказами.
Для такого исследования необходимы:
- событие покупки с датой и уникальным идентификатором заказа;
- идентификатор покупателя или компании;
- сумма и свойства заказа;
- действия покупателя на сайте или в приложении;
- связь профиля между цифровым продуктом и учётной системой;
- период наблюдения, соответствующий естественному циклу повторной покупки.
В B2B-магазине часть расчётов выполнялась на уровне компании, поскольку несколько сотрудников могли оформлять заказы от одного клиента. Поведение на сайте анализировалось на уровне покупательского профиля. Эти уровни нельзя механически смешивать: каждый отвечает на свой вопрос.
Исследовать повторные покупки можно только тогда, когда транзакции и цифровое поведение складываются в один покупательский путь, а не остаются разными наборами данных.
Шаг 1. Определили, когда покупатели возвращаются
Отправной точкой стал отчёт «Возвращаемость». Он показывает, какая доля покупателей из каждой когорты совершает повторный заказ через месяц, два, три и далее.
В исследуемом магазине около 14% покупателей возвращались уже в первый месяц после первой покупки. Во второй месяц повторный заказ совершали 11,8%, в третий — 7,7%, в четвёртый — 4,2%.
Увеличить
Однако помесячная возвращаемость не показывает, сколько времени проходит непосредственно между первым и вторым заказом. Для этого команда построила воронку из двух одинаковых событий — «покупка → повторная покупка» — и переключила отчёт в режим анализа времени конверсии с окном наблюдения 90 дней.
Медианное время до второго заказа составило шесть дней. При этом 62% повторных покупок совершались в течение первых 12 дней.
Увеличить
Затем в «Динамике» создали два динамических сегмента:
- повторные покупатели — два и более заказа за выбранный период;
- разовые покупатели — один заказ за тот же период.
Состав сегментов пересчитывался автоматически. Дальше эти две группы использовались во всех сравнениях.
Отчёт возвращаемости, время до второй покупки и динамические сегменты решают разные задачи. Первый показывает, сколько покупателей вернулось. Второй — когда это произошло. Сегменты позволяют исследовать, чем поведение двух групп отличается.
Прежде чем искать причину повторной покупки, нужно точно определить, кого сравнивает команда и в каком временном окне происходит интересующее её поведение.
Шаг 2. Проверили вклад повторных покупателей в выручку
У продуктовой команды всегда больше возможных улучшений, чем времени на их исследование и разработку. Поэтому, прежде чем сравнивать поведение разовых и повторных покупателей, нужно было понять, насколько эта задача значима для бизнеса.
В «Динамике» продуктовая команда сравнила выручку двух сегментов: покупателей с одним заказом и покупателей с повторными заказами.
Разрыв оказался существенным. За год 39% покупателей, совершивших вторую покупку, принесли 86% выручки магазина. Помесячная выручка повторных покупателей в несколько раз превышала выручку разовых.
Увеличить
Затем понадобилось понять, как выручка распределяется по количеству заказов на клиента. Готового отчёта для такого разреза не было: расчёт требовал обращения к сырым данным в ClickHouse.
Для более подробного разреза продакт-менеджер мог передать задачу аналитику или самостоятельно написать запрос во встроенном SQL-редакторе. В этом кейсе расчёт поручили «Дине»: она подготовила и выполнила SQL-запрос, а затем распределила клиентов по четырём группам — с одним заказом, 2–3, 4–10 и 11 заказами или больше.
Результат уточнил значение повторных покупок:
- больше половины клиентов совершили только один заказ и принесли 9,6% выручки;
- клиенты с 2–10 заказами сформировали растущую промежуточную группу;
- ядро клиентов с 11 и более заказами обеспечило 60,5% выручки.
Увеличить
Связь поведения покупателей с выручкой помогает понять, заслуживает ли задача отдельного продуктового цикла. В этом кейсе ответ был однозначным: повторные покупки формировали основу выручки магазина.
Шаг 3. Проверили, можно ли предсказать возвращение по первому заказу
Следующий вопрос — чем отличаются покупатели, которые возвращаются. Возможно, они изначально выбирают другие товары, заказывают более крупные партии, тратят больше или используют особые условия доставки.
Каждый такой разрез можно собрать в «Динамику» вручную: добавить свойства заказа к отчёту возвращаемости, сравнить сегменты на трендах или подготовить SQL-запрос. Но проверка нескольких возможных различий быстро превращается в отдельное исследование.
Поэтому следующим шагом стал прямой вопрос «Дине»:
Чем отличаются покупатели с одним заказом от тех, кто покупает несколько раз?
Для ответа «Дина» сравнила характеристики первых заказов у разовых и повторных покупателей. Результат оказался неожиданным: значимых различий почти не было. Будущие постоянные покупатели заказывали сопоставимые товары, похожими партиями и на близкие суммы.
Размер и состав первой покупки не позволяли уверенно определить, кто вернётся.
Увеличить
Отсутствие ожидаемого различия — тоже результат. Оно позволяет не тратить продуктовый цикл на изменение первого заказа, если данные не показывают связи с возвращаемостью.
Шаг 4. Определили семидневное окно для проверки
Проверка первого заказа не помогла определить, кто из покупателей вернётся. Поэтому команда вернулась к временному профилю, построенному на первом шаге, и посмотрела на него уже как на основу для эксперимента.
Медианное время до второго заказа составляло шесть дней. Половина покупателей, которые вообще совершали повторный заказ, возвращалась примерно в течение первой недели. За первые 12 дней происходило 62% всех повторных покупок в заданном окне наблюдения.
Эти данные не доказывают, что воздействие в первую неделю увеличит вероятность второго заказа. Покупатели могли вернуться в этот срок и без дополнительных действий со стороны бизнеса.
Но анализ помог сузить задачу. Вместо общей цели «повысить возвращаемость» появился конкретный вопрос: может ли воздействие в первые семь дней после первого заказа увеличить конверсию во вторую покупку?
Продуктовая аналитика не дала готового ответа, почему покупатели возвращаются. Она сделала более важное для следующего цикла: определила, что именно и в какой момент стоит проверить.
Семь дней — не универсальный ориентир для любого интернет-магазина. В этом кейсе такой период для проверки выбрали на основе данных конкретного бизнеса. В другом продукте он будет зависеть от ассортимента, частоты спроса и привычного цикла покупки.
и «Дина» на практике Записаться на демо
Шаг 5. Сформулировали гипотезу
Опираясь на выбранное семидневное окно, команда сформулировала гипотезу: если помочь покупателю вернуться в течение первых семи дней после первого заказа, конверсия во вторую покупку может увеличиться.
«Дина» предложила несколько возможных механик, учитывающих специфику B2B-магазина:
- отправить в первые дни после заказа сервисную коммуникацию со статусом отгрузки, документами и сопутствующими позициями;
- заранее подготовить повторную поставку той же позиции для клиентов с регулярной потребностью;
- поставить менеджеру задачу связаться с новым клиентом в течение первой недели.
Это не готовый план внедрения. Каждая механика требует оценки со стороны команды: соответствует ли она реальному покупательскому сценарию, можно ли её реализовать и какое изменение поведения она должна вызвать.
«Дина» сокращает путь от сложного анализа до предметной гипотезы, но не выбирает продуктовый приоритет и не доказывает причинность за команду.
Шаг 6. Подготовили эксперимент для проверки гипотезы
Для проверки гипотезы команда создала эксперимент в «Динамике». Гипотезу связали с фиче-флагом, после чего определили контрольную и тестовую группы.
Основной метрикой стала конверсия во второй заказ в течение семи дней. Дополнительное окно наблюдения — 90 дней — позволит увидеть, не произошло ли простое перераспределение повторных покупок во времени.
Увеличить
На момент подготовки кейса результат эксперимента ещё не был получен. Проверка должна показать, действительно ли воздействие в первые семь дней увеличивает конверсию во второй заказ, а не просто совпадает с естественным циклом покупки.
Закономерность показывает, что стоит проверить. Только эксперимент отвечает, способно ли выбранное воздействие изменить поведение покупателей.
Результат исследования: гипотеза и настроенный эксперимент
За несколько часов продуктовая команда с помощью «Динамики» и «Дины» прошла путь от общего показателя до конкретной гипотезы и настроенного эксперимента:
- зафиксировала базовую возвращаемость и время до второго заказа;
- создала динамические сегменты разовых и повторных покупателей;
- связала повторные покупки с вкладом в выручку;
- проверила различия в характеристиках первого заказа;
- отказалась от направлений, которые не подтверждались данными;
- определила приоритетное временное окно;
- сформулировала гипотезу;
- подготовила эксперимент с основной и дополнительной метриками.
Главный результат кейса — не ещё один отчёт и не рекомендация «работать над удержанием». Команда сформулировала проверяемую гипотезу и определила параметры её проверки: первые семь дней после первого заказа, контрольную и тестовую группы, конверсию во второй заказ как основную метрику и дополнительное окно наблюдения в 90 дней.
Аналитик из процесса не исчезает. Он подключается, когда требуются сложная методология, проверка расчётов или интерпретация результатов перед значимым решением. Но типовой путь от показателя до первичной гипотезы продакт-менеджер может пройти самостоятельно внутри одной системы.
Повторная покупка становится управляемой продуктовой задачей, когда команда может связать итоговый показатель с поведением покупателей и определить следующий проверяемый шаг.
Коротко по главным вопросам
Что показывает доля повторных покупок?
Она показывает, какая часть покупателей совершила больше одного заказа за выбранный период. Сам показатель не объясняет причины возврата и не определяет, какую продуктовую механику следует проверить.
Какие данные нужны для исследования повторных покупок?
Нужны события заказов, дата и идентификатор каждой покупки, сумма и свойства заказа, идентификатор покупателя или компании, поведенческие события сайта или приложения и связь профиля с учётной системой.
Зачем создавать динамические сегменты?
Они позволяют использовать одни и те же автоматически обновляемые группы разовых и повторных покупателей во всех последующих отчётах и сравнениях.
Может ли «Дина» определить причину повторной покупки?
«Дина» помогает приблизиться к ответу: сравнивает группы покупателей, находит закономерности и помогает сформулировать гипотезу. Но подтвердить причинную связь можно только с помощью эксперимента.
Как проверить найденную гипотезу?
Нужно определить воздействие, создать контрольную и тестовую группы, выбрать основную и дополнительные метрики и провести эксперимент на части аудитории.
