Клиент не пишет «я от вас ухожу». Он просто перестаёт заказывать. Сначала реже, потом с меньшим чеком, потом совсем — и вы узнаёте об этом спустя месяцы, когда вернуть его уже почти нереально. При этом все сигналы были в ваших же данных: история заказов, частота, реакции на письма. Прогноз оттока — это про то, чтобы заметить уход заранее и вмешаться, пока клиент ещё ваш.
Разберём проактивное удержание практично: что считать оттоком, как выделить уходящих через RFM, какие сигналы за этим стоят и как запускать сценарии удержания на данных из 1С-Битрикс. Сведение данных заказов с сайта и учётной системы — это как раз то, что мы настраиваем в рамках автоматизации продаж и склада на 1С.
Коротко
- Удержать клиента дешевле, чем привлечь нового, а сигналы ухода почти всегда уже есть в данных.
- Начните с RFM-сегментации по давности, частоте и сумме заказов — она проста и сразу даёт список уходящих.
- Смотрите на отклонение от нормы клиента: заказы стали реже, чек ниже, письма не открываются.
- Удерживайте по сегментам: ценному B2B-клиенту — звонок менеджера, спящей рознице — триггерное письмо.
Почему удержание выгоднее привлечения
Привлечь нового клиента почти всегда дороже, чем удержать существующего: за нового нужно заплатить рекламой, провести через первый заказ и заслужить доверие. Действующий клиент уже знает вас, у него есть история покупок, ему проще заказать снова. Поэтому даже небольшое снижение оттока часто даёт больший эффект на выручку, чем наращивание трафика.
Особенно это верно для бизнеса с повторными покупками — расходники, B2B-снабжение, сервисные категории. Там ценность клиента растянута во времени, и потеря постоянного покупателя означает потерю не одного заказа, а всего будущего потока от него. Прогноз оттока превращает это из «узнали постфактум» в «вмешались вовремя».
Что считать оттоком
Прежде чем прогнозировать отток, его нужно определить — и определение зависит от вашего бизнеса. В подписочной модели всё просто: клиент отменил подписку. В обычном магазине «ухода» как события нет — клиент просто перестаёт покупать. Поэтому оттоком считают отсутствие заказов дольше типичного для клиента интервала.
Ключ здесь — «типичного». Для магазина расходников нормальный цикл покупки — недели, и молчание в два месяца уже тревога. Для мебели или техники — годы, и отсутствие заказа полгода — норма. Сначала определите нормальный интервал между покупками для вашей категории (а лучше — для каждого клиента), и только потом стройте на нём метрику оттока.
Данные, на которых строится прогноз
Хорошая новость: для старта у вас уже есть почти всё нужное. Основа прогноза — история заказов, которая живёт в модуле «Интернет-магазин» и в учётной системе.
- История заказов. Даты, суммы, состав, частота — главный источник сигналов.
- Поведение на сайте. Заходы, просмотры, добавления в корзину, брошенные корзины.
- Реакции на рассылки. Открытия, клики, отписки — ранний индикатор охлаждения.
- Профиль клиента. Сегмент, регион, для B2B — компания и роль.
Данные разбросаны по системам: заказы — в 1С и на сайте, поведение — в аналитике, рассылки — в сервисе email. Чтобы прогноз работал, их сводят в единую картину клиента. Техническая сторона такого обмена и надёжной передачи данных между системами — тема статьи про REST, вебхуки и безопасность в Битрикс.
RFM-сегментация как быстрый старт
Не нужно начинать со сложных моделей. Самый быстрый и прозрачный инструмент — RFM-сегментация, которая раскладывает клиентов по трём осям.
| Ось | Что измеряет | О чём говорит |
|---|---|---|
| Recency | Давность последнего заказа | Насколько клиент «остыл» |
| Frequency | Частота покупок | Насколько он лоялен |
| Monetary | Сумма покупок | Насколько он ценен |
По этим трём числам клиенты раскладываются на понятные группы: «чемпионы» (часто, много, недавно), «под угрозой» (раньше покупали активно, а теперь давно молчат), «спящие» и так далее. Именно группа «под угрозой» — главная мишень удержания: это ценные клиенты, которые начали уходить. RFM не требует машинного обучения и считается на данных, которые у вас уже есть.
Признаки скорого ухода
Клиент редко уходит внезапно — обычно есть период охлаждения, в котором видны сигналы. Важно смотреть не на абсолютные числа, а на отклонение от собственной нормы клиента.
- Заказы стали реже. Интервал между покупками вырос по сравнению с привычным для этого клиента.
- Снизился средний чек. Клиент покупает то же, но меньше, или переходит на дешёвые позиции.
- Сузился ассортимент. Раньше брал разное, теперь — только базовое.
- Перестал открывать письма. Реакции на рассылки упали до нуля.
- Не заходит в кабинет. Для B2B — отсутствие входов и просмотров прайса.
От простых правил к моделям
Прогноз оттока удобно развивать по нарастающей. На первом этапе достаточно правил: «клиент из ценного сегмента не заказывал дольше двух своих циклов и перестал открывать письма → в список удержания». Такие правила прозрачны, их легко объяснить и проверить, и они уже возвращают часть клиентов.
Модели машинного обучения имеют смысл позже — когда накоплена история, а простые правила исчерпаны. Модель может учитывать больше факторов и точнее ранжировать риск, но она требует данных, обслуживания и проверки. Начинать с неё — частая ошибка: ценность создаёт не сложность алгоритма, а действие по его результату. Сначала научитесь действовать по простому списку, потом усложняйте предсказание.
Сегменты и стратегии удержания
Ключевая идея проактивного удержания — разное действие для разных сегментов. Массовая скидка всем «уходящим» одновременно сжигает маржу и приучает ждать скидок. Правильнее сопоставить сегменту адекватный ему сценарий.
- Ценный клиент под угрозой. Персональное внимание: звонок менеджера, индивидуальные условия, забота о проблеме.
- Спящая розница. Триггерное письмо с напоминанием и релевантной подборкой, при необходимости — стимул.
- Разовые покупатели. Мягкая реактивация и предложение сопутствующего, без больших вложений.
- Уже ушедшие. Отдельная кампания возврата — с честным «давно вас не было» и весомым поводом вернуться.
Триггерные сценарии
Проактивность означает, что сообщение отправляется по событию, а не по расписанию рассылки. Триггер срабатывает, когда клиент показал признак ухода, и запускает нужный сценарий.
- Определите событие-триггер. Например: прошло больше N дней с последнего заказа для клиента из активного сегмента.
- Свяжите его с сегментом. Один и тот же триггер ведёт к разным действиям в зависимости от ценности клиента.
- Задайте содержание. Полезное и релевантное: напоминание, подборка, помощь, а не «просто скидка».
- Ограничьте частоту. Один клиент не должен получать несколько удерживающих сообщений подряд.
- Замкните на менеджера, где нужно. Для ценных клиентов триггер создаёт задачу человеку, а не только письмо.
Триггеры удобно строить на бизнес-процессах и данных, которые уже ходят между сайтом и учётной системой. Автоматизацию таких сценариев — от события в заказах до задачи менеджеру — мы реализуем в рамках автоматизации на 1С.
Особенности оттока в B2B
В опте отток устроен иначе, чем в рознице, и часто болезненнее. B2B-клиент редко «исчезает» — он остаётся, но начинает закупать у вас меньше, перераспределяя объём между поставщиками. Поэтому главный сигнал в B2B — не полное молчание, а падение доли вашей категории в его закупках и снижение регулярности заказов.
Отсюда и специфика удержания: в B2B почти всегда работает человек, а не только письмо. За ключевым клиентом закреплён менеджер, и задача системы — вовремя подсветить, что клиент начал остывать, чтобы менеджер связался до того, как объём уйдёт к конкуренту. Данные о частоте и структуре закупок для этого берут из истории заказов и 1С — их сведение мы разбирали в контексте работы с данными через D7 ORM в Битрикс.
Данные из 1С и сайта вместе
Прогноз оттока хорош ровно настолько, насколько полны данные под ним. У многих компаний часть заказов проходит через сайт, а часть — напрямую через менеджеров и 1С. Если смотреть только на сайт, картина клиента будет обрезанной: он «пропал» на сайте, а на деле продолжает закупать через менеджера.
Поэтому историю заказов сводят из обоих источников — сайта и учётной системы — в единый профиль клиента. Это задача обмена и интеграции: заказы, оплаты и отгрузки из 1С должны попадать в ту же картину, что и веб-заказы. Такую связку сайта и 1С мы делаем как часть автоматизации продаж и склада, чтобы прогноз опирался на полную историю, а не на её половину.
Как измерять результат
Удержание нужно оценивать честно, иначе легко принять желаемое за действительное. Базовый подход — сравнивать поведение клиентов, попавших под сценарий удержания, с сопоставимой группой, которой его не показывали.
- Доля возвращённых. Сколько «уходящих» из сегмента сделали заказ после сценария.
- Выручка удержания. Сколько принесли возвращённые клиенты сверх ожидаемого.
- Контрольная группа. Часть уходящих оставляют без воздействия, чтобы видеть чистый эффект.
- Стоимость удержания. Во что обошлись скидки и работа менеджеров относительно возврата.
Частые ошибки
- Оттоком считают средний интервал. Игнорируют, что у каждого клиента своя частота покупок.
- Начинают со сложного ИИ. Строят модель до того, как научились действовать по простому RFM.
- Одна скидка всем уходящим. Жгут маржу и приучают клиентов ждать скидок.
- Реагируют постфактум. Пишут клиенту, когда он уже ушёл, а не при первых сигналах.
- Смотрят только на сайт. Не сводят заказы из 1С, из-за чего активный клиент кажется ушедшим.
- Заваливают сообщениями. Несколько удерживающих писем подряд раздражают и ускоряют уход.
- Не измеряют эффект. Нет контрольной группы — непонятно, работает ли удержание вообще.
Чек-лист внедрения
- Отток определён. Есть понятие «ушедшего» с привязкой к нормальному циклу покупки вашей категории.
- Данные сведены. История заказов из сайта и 1С собрана в единый профиль клиента.
- RFM посчитан. Клиенты разложены по давности, частоте и сумме; выделен сегмент «под угрозой».
- Сигналы описаны. Заданы признаки ухода как отклонение от нормы клиента.
- Сценарии по сегментам. Ценным — менеджер, спящим — триггерное письмо, разовым — мягкая реактивация.
- Триггеры настроены. Сообщения и задачи запускаются по событию, с ограничением частоты.
- Результат измеряется. Есть контрольная группа и метрики возврата и стоимости удержания.
- Процесс живой. Сценарии пересматриваются по результатам, а не остаются «как настроили один раз».
Вывод
Отток почти всегда предсказуем: клиент подаёт сигналы задолго до того, как исчезнет, и эти сигналы лежат в вашей истории заказов. Задача — научиться их читать и действовать заранее. Начните с простого: сведите данные, посчитайте RFM, выделите уходящих и запустите один-два сценария удержания по сегментам.
Не гонитесь за сложными моделями с самого начала — ценность создаёт действие, а не алгоритм. А поскольку в B2B и в бизнесе с повторными покупками полная картина клиента складывается из сайта и 1С, надёжный обмен между ними — фундамент всей системы удержания. Настройте его — и уходящие клиенты начнут возвращаться, пока их ещё можно вернуть.
