Хаос в данных стоит онлайн-магазину до 20% выручки. Как же понимать клиента в цифрах и что с делать с полученной информацией. Мини-кейсы

Фото: Ingram Publishing / Фотобанк Лори

Клиент пришел за кроссовками, не нашел нужного размера в каталоге — хотя товар есть на складе, и ушел к конкуренту. На следующий день получил от того же магазина рассылку с предложением тех самых кроссовок, которые он вчера так и не смог купить. Это не плохой сервис, это разрозненные данные — и стоят они онлайн-магазину до 20% выручки. 

Когда ecommerce собирает и связывает данные правильно, картина обратная — и в каждой нише своя: у спортивного ритейлера конверсия из карточки в заказ растет в полтора раза, у онлайн-продуктового магазина доля идентифицированных покупок доходит до 30%, у сетевого супермаркета списания на готовые блюда падают на 3% и поднимают прибыль на 5%. 

О том, какие именно данные о покупателе нужны ecommerce и как они превращаются в деньги, рассказывает Александр Чепрасов, бизнес-аналитик диджитал-интегратора QSOFT.

Что значит понимать покупателя в цифрах

Понимать покупателя — это значит видеть его как одного и того же человека, чье поведение, история покупок и обращений объединены в общий профиль. Не как ID в одной системе и e-mail в другой, а как Анну, которая раз в две недели берет корм для кошек, иногда смотрит шампуни, год назад вернула неподходящий лоток и в последний раз писала в поддержку про задержку доставки.

Чтобы получить такую картину, ecommerce работает с пятью типами данных, и каждый из них напрямую завязан на бизнес-метрики:

• Поведенческие — что человек смотрит, ищет и где выходит из воронки. Они держат конверсию (CR) и процент брошенных корзин.
• Транзакционные — что и как часто клиент покупает, какой средний чек. Это про LTV, ARPPU и долю повторных покупок.
• Идентификационные — телефон, e-mail, карта лояльности, ID устройства. Это связующее звено: без него клиент в онлайне и оффлайне выглядит как два разных человека, и LTV считается некорректно.
• Маркетинговые — из какого канала пришел клиент, сколько стоило его привлечение. Это про CAC и ROMI.
• Сервисные — обращения, жалобы, причины возвратов. Это про Churn Rate и NPS — они подсказывают, почему клиент уходит еще до того, как он реально ушел.

Дальше — три кейса, в которых сцепка этих данных превращается в измеримый эффект для бизнеса.

Как магазин возвращает покупателя, пропустившего привычный заказ 

Типичный сценарий зоомагазина. Анна покупает корм для кошек примерно раз в две недели. Если в начале третьей недели ее заказа нет — система фиксирует риск ухода: либо она уже купила у конкурента, либо собирается это сделать.

В этот момент включается триггер. Алгоритм отправляет Анне не "акция на товары для животных" в массовой рассылке, а персональное предложение именно по тому корму, который она берет регулярно. Алгоритм рассчитывает размер скидки из ее LTV: Анна — в когорте регулярных покупателей с высоким LTV, и для возврата ей достаточно небольшой скидки.

Клиенту из сегмента с низкой ценностью алгоритм может не предлагать скидку вовсе — удерживать его дороже, чем он сам приносит бизнесу. То есть данные не просто запускают коммуникацию, а определяют ее содержание и экономику. Конверсия в заказ у такой триггерной рассылки — около 20%, заказ делает каждый пятый получатель. Это в разы выше, чем у обычной массовой рассылки.

В этом сценарии сошлись четыре типа данных:

• транзакционные показали цикл покупки;
• поведенческие зафиксировали пропуск в начале третьей недели;
• идентификационные связали историю Анны в одно целое;
• маркетинговые позволили не тратить бюджет на повторное привлечение клиента, которого можно вернуть точечной коммуникацией.

Сеть "Глобус": объединила данные онлайн- и офлайн-контура в единый цифровой профиль покупателя, и за счет этого получила 30% идентифицированных покупок, более точечные email-рассылки и сокращение времени обслуживания в колл-центре. Анна — это иллюстрация механики, а "Глобус" — ее реализация на реальном клиенте.

Почему "Спортмастер" выровнял цены с Ozon

Похожая логика сработала в публичном кейсе "Спортмастера". В 2023 году компания сама запустила маркетплейс — на ее сайте появилась витрина селлеров, торгующих спортивным ассортиментом. Те же селлеры параллельно продавали свои товары на Ozon, Wildberries и Яндекс Маркете — и часто их цены там оказывались ниже: одна и та же модель кроссовок у одного и того же продавца на Ozon стоила меньше, чем на маркетплейсе "Спортмастера". Покупатель приходил на сайт Спортмастера, изучал карточку, отзывы и характеристики — а заказывал на Ozon у того же селлера. Сайт работал на чужую конверсию, а собственный маркетплейс "Спортмастера" терял продажи.

Решением стал мониторинг цен трех ключевых сторонних площадок (Ozon, Wildberries, Яндекс Маркет) для 160 000 товаров несколько раз в день. AI-модели сопоставляли контент карточек и надежно связывали SKU между маркетплейсом "Спортмастера" и сторонними площадками. На основании цен конкурентов выстроили правила работы с селлерами: те, кто держит сопоставимый ценовой диапазон между всеми каналами, получают приоритет и инвестиции; те, у кого цена на маркетплейсе Спортмастера выше, чем у того же товара на сторонних площадках, больше чем на 20%, попадают на карантин.

Результат — конверсия из карточки товара в заказ выросла в полтора раза. До проекта компания была дороже Ozon в среднем на 22%, после выравнивания — паритет, а по части товаров "Спортмастер" уже дешевле Ozon. Часть маржи переложили в комиссию продавцов, поэтому проект окупается за счет самих участников экосистемы.

За этой механикой стоят три потока данных, связанные в один контур: маркетинговые и транзакционные дают мониторинг цены в каналах и фактических продаж, а поведенческие фиксируют точку ухода клиента. Именно потому, что все они сходятся в одно место, решение по конкретному продавцу принимается автоматически.

Как супермаркет сократил списания готовой еды через скидку к закрытию 

У сетевого супермаркета была типичная для FMCG проблема: высокая доля списаний на готовых блюдах с коротким сроком годности. Решение — связать в одной системе три источника данных: с программы лояльности (по карточкам понятно, кто и в какие часы покупает выпечку), с касс (фактический спрос в реальном времени) и с ERP (партии и сроки годности).

Поверх этих данных построили модель динамического ценообразования: если в четверг к 18:00 партия булочек уходит медленнее обычного — скидка автоматически нарастает к закрытию. Покупатели быстро поняли паттерн и стали приходить чаще, потому что знают: вечером можно поймать выгодную цену.

Результат — списания сократились на 3%, чистая прибыль за счет этого выросла на 5%.

Модель опирается на фактический спрос с касс (транзакционные данные), связь покупателей с их историей через карту лояльности (идентификационные) и паттерны посещений по часам и дням недели (поведенческие).

Где на пути клиента магазин теряет выручку 

Кейсы выше — про то, что бывает, когда данные собраны и связаны. Чтобы понять, где их собирать, посмотрим на путь клиента целиком и отметим точки, в которых разрозненность чаще всего ломает выручку.

Реклама не знает, что покупатель делает на сайте. Если данные из рекламных кабинетов не связаны с поведением на сайте, маркетинг не видит, какой канал реально приносит покупателей, а какой — пустые клики. CAC считается некорректно, бюджет распределяется наугад.

Воронка теряет клиента, и непонятно на каком шаге. Если поведение в каталоге, состав корзины и финальный заказ лежат в разных системах без связи, компания не видит, на каком шаге клиент уходит и почему.

Сборка опаздывает, а клиенту обещали быструю доставку. Если WMS показывает, что сборка заказа заняла 4 часа вместо двух расчетных, а клиенту обещали доставку за день — компания узнает о причине недовольства первой, а не последней. Без связи WMS, OMS и канала коммуникации клиент пишет в поддержку, поддержка идет к логистике, логистика — к складу, и через два часа клиент получает ответ "ну так получилось". Особенно критично это в категориях, где последняя миля решает все — продукты, лекарства, любые товары срочного потребления.

Возвраты, по которым никто не делает выводы. Сервисные данные — обращения, жалобы, причины возвратов — это самый честный источник о том, что в продукте или процессе не работает. Если они хранятся отдельно от истории покупок, продуктовая команда не увидит, что у конкретной модели обуви возвращают каждую третью пару из-за неверной размерной сетки.

Техническая база, без которой все это не работает

Какие системы нужны минимум 

Чтобы собрать все в одну картину, нужно несколько ключевых блоков, а не зоопарк инструментов:

• Единый профиль клиента (CDP) — сводит данные о человеке из всех каналов в один профиль. Именно отсюда триггер по Анне знает, что она — это Анна.
• Аналитический контур (BI) — то, на что руководитель смотрит каждое утро. Не дашборд ради дашборда, а тепловая карта оттока по регионам, прогноз LTV по когортам, динамика CAC и конверсии в повторную покупку. Если после внедрения BI ни одно решение по бюджету или ассортименту не изменилось — значит, BI поставили зря.
• Мастер-системы по товару и финансам (PIM, ERP) — чтобы у одного и того же товара не было трех разных названий в разных каналах и трех разных цен.

Что между чем связано и зачем:

• Цены и остатки. ERP передает их в PIM, PIM раскидывает по всем каналам. Клиент видит одинаковую цену на сайте, в приложении и на marketplace, а компания не теряет лояльность из-за расхождений.
• Поведение пользователя. Каналы продаж и CRM собирают его в CDP. Так Анна остается одной Анной, а не пятью разными ID — и триггер по ее циклу покупок вообще запускается.
• Аналитика. Все системы отдают данные в BI. Руководитель смотрит одну картину, а не десять противоречивых отчетов от разных отделов.

Внедрять эту базу нужно последовательно. Если перепрыгнуть через порядок и сразу запустить BI поверх хаотичных источников — система покажет красивым графиком тот же хаос, который был на входе. Поэтому правильный путь выглядит так:

1. Аудит данных и процессов — где хранятся, где дублируются, где разные отделы спорят об одной метрике.
2. Базовый порядок в товарах и финансах — PIM и ERP как единый источник правды.
3. Единый профиль клиента — CDP, связанный с операционной частью и каналами коммуникации.
4. Аналитика поверх всего — BI как последняя надстройка.

Главные выводы для собственника интернет-магазина 

Если суммировать практику, выводы для собственника интернет-магазина выглядят так. Хаос в данных — это не "айтишная" проблема, а до 20% упущенной выручки прямо сейчас. На практике это:

• товар, который клиент не нашел в каталоге, потому что остатки не синхронизировались;
• рассылка с предложением товара, который клиент только что вернул;
• разная цена в магазине и на сайте, после которой клиент идет читать отзывы про конкурентов.

Понимание клиента в цифрах — это не одна метрика, а сцепка пяти видов данных: что покупает, как ведет себя на сайте, через какой канал пришел, на что жаловался, чем платил. Эффект измеряют не "ростом эффективности", а в конкретных KPI — LTV, CR, конверсия в повторную покупку, CAC, ROMI, ROI от внедрения функций, CRR, ARPPU, Churn Rate, NPS. Если после внедрения по этим метрикам ничего не сдвинулось — значит, внедряли не то.

И главное — выигрывает не тот, у кого больше данных, а тот, кто быстрее превращает их в действия. Триггерная рассылка по конкретному паттерну работает в 10–20 раз лучше массовой. Динамическая цена на коротком сроке снижает списания и поднимает прибыль. Мониторинг цены конкурентов в реальном времени конвертирует посетителя сайта в покупателя, а не в клиента другого маркетплейса.

Данные становятся активом ровно в тот момент, когда они перестают быть зоопарком систем и начинают быть единой картиной одного покупателя.