ReMetod
Свяжитесь с нами

Маркетинг и реклама / Repeat rate

Как посчитать долю повторных покупок с ИИ

Доля повторных покупок (Repeat Rate) — это процент клиентов, которые совершили более одной покупки за период. Формула: (клиенты с 2+ покупками / все клиенты) × 100%. ИИ автоматизирует расчет, очищает данные и помогает выявить причины повторных покупок.

Проблема

Почему это важно

Без расчета доли повторных покупок бизнес не понимает, насколько лояльны клиенты и эффективна ли программа удержания. Маркетинговые бюджеты тратятся на привлечение новых клиентов, хотя удержание существующих часто дешевле и выгоднее.

Почему возникает

  • Данные о покупках разрознены по разным системам (CRM, касса, интернет-магазин), их сложно объединить.
  • Отсутствует единое определение повторной покупки: учитывать ли возвраты, разные категории товаров, период.
  • Ручной расчет в Excel занимает время и подвержен ошибкам при больших объемах данных.

Риски и потери

  • Неверная оценка лояльности клиентов приводит к неэффективным маркетинговым кампаниям.
  • Упущенная возможность увеличить прибыль за счет удержания клиентов.
  • Потеря конкурентного преимущества из-за медленной реакции на изменения поведения клиентов.

Что влияет на результат

  • Период анализа (месяц, квартал, год).
  • Определение повторной покупки (вторая покупка в целом или в определенной категории).
  • Учет возвратов и отмен.
  • Сегментация клиентов (по каналам, регионам, товарам).

Типичные ошибки ручного подхода

  • Ошибки при объединении данных из разных источников.
  • Неправильное определение уникального клиента (по email, телефону, ID).
  • Игнорирование возвратов, что завышает показатель.
  • Разные периоды для разных клиентов, если не задана когорта.

Определение

Что важно понимать

Repeat Rate

Доля повторных покупок — процент клиентов, совершивших более одной покупки за период.

Показывает лояльность клиентов и эффективность программ удержания.

Когорта

Группа клиентов, совершивших первую покупку в один и тот же период (например, месяц).

Позволяет корректно сравнивать поведение разных групп клиентов.

ИИ (искусственный интеллект)

Технологии, позволяющие автоматизировать анализ данных, выявлять закономерности и прогнозировать поведение.

Ускоряет расчет, повышает точность и помогает находить факторы, влияющие на повторные покупки.

Данные

Какие данные нужны

Данные о покупках

Основной источник для расчета: кто, когда и что купил.

  • ID клиента
  • Дата покупки
  • Сумма покупки
  • Товар/категория
  • Канал продаж

Данные о клиентах

Для идентификации уникальных клиентов и сегментации.

  • ID клиента
  • Email/телефон
  • Дата первой покупки
  • География
  • Сегмент

Данные о возвратах

Чтобы исключить возвращенные покупки из расчета и не завышать показатель.

  • ID покупки
  • Дата возврата
  • Причина возврата

Методология

Методика расчета доли повторных покупок

Принципы

  • Определить период анализа (например, месяц).
  • Определить, что считается повторной покупкой (например, вторая покупка в течение 90 дней).
  • Использовать уникальный идентификатор клиента для подсчета.
  • Исключать возвраты и отмены.
  • Рассчитывать показатель по когортам для корректного сравнения.

Допущения

  • Период анализа фиксирован.
  • Повторная покупка — это вторая покупка в целом, если не задано иное.
  • Возвраты исключаются из расчета.

Ошибки

  • Не учитывать возвраты.
  • Считать повторные покупки по количеству заказов, а не по клиентам.
  • Смешивать разные периоды без когортного анализа.
  • Использовать неполные данные о клиентах.

Роль ИИ

Как ИИ решает задачу

Бизнес-правило

Автоматическая очистка и объединение данных о покупках из разных источников

Данные на входе: Выгрузки из CRM, кассы, интернет-магазина

Что делает модель: Сопоставляет записи по ID клиента, удаляет дубли, корректирует ошибки

Результат: Единая таблица с уникальными клиентами и их покупками

Как используется: Система использует эти данные для расчета Repeat Rate

Машинное обучение

Сегментация клиентов по поведению и характеристикам

Данные на входе: История покупок, демографические данные, каналы привлечения

Что делает модель: Кластеризует клиентов на группы (например, новые, активные, уходящие)

Результат: Сегменты клиентов с описанием их поведения

Как используется: Маркетолог использует сегменты для таргетированных кампаний

Машинное обучение

Выявление факторов, влияющих на повторные покупки

Данные на входе: История покупок, данные о взаимодействиях (письма, звонки), отзывы

Что делает модель: Анализирует корреляции и строит модель важности факторов

Результат: Список факторов с оценкой влияния на вероятность повторной покупки

Как используется: Руководитель использует для корректировки стратегии удержания

Машинное обучение

Прогнозирование вероятности повторной покупки для каждого клиента

Данные на входе: История покупок, активность, сегмент

Что делает модель: Обучает модель на исторических данных и предсказывает вероятность повторной покупки в следующем периоде

Результат: Список клиентов с вероятностью повторной покупки

Как используется: Маркетолог формирует список для рассылки с промокодами

Разбор

Как это работает

  1. 1

    Вход: данные о покупках из всех источников. Действие: система объединяет их по ID клиента, удаляет дубли и возвраты. Результат: чистая таблица покупок.

  2. 2

    Вход: таблица покупок. Действие: система определяет период анализа и для каждого клиента считает количество покупок. Результат: список клиентов с числом покупок.

  3. 3

    Вход: список клиентов с числом покупок. Действие: система отбирает клиентов с 2+ покупками. Результат: подмножество повторных покупателей.

  4. 4

    Вход: общее число клиентов и число повторных. Действие: система рассчитывает Repeat Rate = (повторные / все) × 100%. Результат: процент повторных покупок.

  5. 5

    Вход: Repeat Rate и данные о клиентах. Действие: система сегментирует клиентов и выявляет факторы, влияющие на повторные покупки. Результат: отчет с рекомендациями.

Расчет

Формула расчета

Базовая формула для расчета доли повторных покупок:

Repeat Rate

Repeat Rate = (Число клиентов с 2+ покупками / Общее число клиентов) × 100%
  • Число клиентов с 2+ покупками — количество уникальных клиентов, совершивших более одной покупки за период.
  • Общее число клиентов — количество уникальных клиентов, совершивших хотя бы одну покупку за период.

Условный пример: За месяц было 1000 клиентов, из них 300 совершили более одной покупки. Repeat Rate = (300 / 1000) × 100% = 30%.

Допущение: Период должен быть одинаковым для всех клиентов. Рекомендуется считать по когортам.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: расчет Repeat Rate для интернет-магазина

  • Допущение: Интернет-магазин за месяц: 2000 уникальных клиентов совершили покупки.
  • Допущение: Из них 500 клиентов совершили более одной покупки.
  • Допущение: Возвраты составили 50 покупок, они исключены.
Repeat Rate = (500 / 2000) × 100% = 25%. Это означает, что 25% клиентов совершили повторную покупку за месяц.

Repeat Rate 25% — это ориентир, но важно сравнить с прошлым периодом и по сегментам. Если в прошлом месяце было 20%, рост может быть связан с успешной программой лояльности.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

  • Динамика Repeat Rate по периодам
  • Сравнение по сегментам клиентов
  • Влияние маркетинговых кампаний на повторные покупки

Какие риски учтены

  • Рост Repeat Rate может быть вызван сезонностью, а не реальным улучшением
  • Сегмент с низким Repeat Rate может быть небольшим, и выводы могут быть статистически незначимы

Какие варианты рассматривались

  • Увеличить бюджет на привлечение новых клиентов
  • Сфокусироваться на удержании существующих

Удержание существующих клиентов обычно дешевле и дает более высокий ROI, поэтому приоритет — повышение Repeat Rate.

Если Repeat Rate уже высокий (например, >60%), возможно, выгоднее инвестировать в привлечение новых клиентов.

Результат

Что видит пользователь

Дашборд с Repeat Rate

График изменения Repeat Rate по месяцам, разбивка по сегментам, список клиентов с высокой вероятностью повторной покупки

Маркетолог видит, какие сегменты требуют внимания, и запускает таргетированные кампании

Отчет о факторах повторных покупок

Список факторов (канал привлечения, категория товара, время с первой покупки) с оценкой влияния

Руководитель корректирует стратегию удержания на основе данных

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

  • Сбор и очистка данных о покупках
  • Расчет Repeat Rate по заданным правилам
  • Сегментация клиентов
  • Формирование отчетов и дашбордов

Требует настройки

  • Настройка правил определения повторной покупки (период, исключение возвратов)
  • Настройка порогов для сегментации
  • Интеграция с CRM и другими источниками данных

Остаётся за человеком

  • Интерпретация результатов и принятие решений о маркетинговых действиях
  • Выбор сегментов для кампаний
  • Оценка нестандартных ситуаций (например, резкий скачок Repeat Rate)

Внедрение

Как внедрить решение

Быстрый запуск

  • Выгрузить данные о покупках из CRM в Excel
  • Удалить дубли и возвраты вручную
  • Посчитать Repeat Rate по формуле в Excel

Рабочая система

  • Настроить автоматическую загрузку данных из CRM и кассы в базу данных
  • Создать скрипт для расчета Repeat Rate по заданным правилам
  • Построить дашборд в BI-системе для визуализации

Расширенный вариант

  • Внедрить ML-модель для прогнозирования вероятности повторной покупки
  • Подключить данные о взаимодействиях (email, звонки) для анализа факторов
  • Настроить автоматические уведомления о снижении Repeat Rate

Подготовка

Чек-лист перед запуском

  1. 1

    Определить период анализа (месяц, квартал).

  2. 2

    Определить, что считается повторной покупкой.

  3. 3

    Убедиться, что данные о покупках полные и без дублей.

  4. 4

    Исключить возвраты и отмены.

  5. 5

    Использовать уникальный ID клиента.

  6. 6

    Рассчитать Repeat Rate по когортам.

  7. 7

    Сравнить с прошлым периодом и по сегментам.

  8. 8

    Настроить автоматический расчет в системе.

  9. 9

    Проверить корректность данных на тестовом периоде.

  10. 10

    Определить ответственного за мониторинг показателя.

Вывод

Главное

Доля повторных покупок — ключевой показатель лояльности, который нужно считать регулярно и сравнивать с прошлыми периодами.

Основные данные — история покупок с ID клиента и датами. Расчет прост: (клиенты с 2+ покупками / все клиенты) × 100%.

ИИ автоматизирует расчет, очищает данные, сегментирует клиентов и помогает выявить факторы, влияющие на повторные покупки.

Начните с выгрузки данных о покупках за последний месяц и расчета Repeat Rate в Excel, чтобы получить базовое значение.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает, как строить обучение вокруг бизнес-проблемы и автоматизировать расчеты с помощью ИИ. Практикум помогает освоить инструменты для автоматизации аналитики, включая расчет метрик, таких как Repeat Rate.

В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.

Посмотреть программу практикума

Вопросы

Что обычно уточняют

Нужен ли ИИ для расчета Repeat Rate, если можно посчитать в Excel?

Для разового расчета Excel достаточно. Но если данных много, они в разных системах, и нужно регулярно отслеживать показатель, ИИ автоматизирует процесс, снижает ошибки и позволяет глубже анализировать факторы.

Как часто нужно пересчитывать Repeat Rate?

Рекомендуется ежемесячно, чтобы отслеживать динамику. Для более точного анализа можно считать по когортам еженедельно.

Что делать, если Repeat Rate низкий?

Проанализируйте сегменты с низким показателем, выявите причины (например, плохой сервис, несоответствие ожиданиям) и запустите программы удержания: персональные предложения, программы лояльности, улучшение качества обслуживания.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите автоматизировать расчет Repeat Rate и других метрик с помощью ИИ? Приходите на бесплатный вебинар ReMetod.

Ближайший вебинар

Вводный вебинар
Ближайшая дата появится в календаре

Разберем, где ИИ уже дает управленческую пользу, какие задачи стоит брать первыми и как не уйти в хайп.

Записаться на вебинар
Диагностика

Бесплатный разбор вашего кейса

25–30 минут: фиксируем задачу, данные, возможную автоматизацию и ближайший проверяемый результат.

Записаться на разбор
Практикум

Практикум 1 «Архитектор»

Полный путь от бизнес-проблемы до рабочей модели решения, интерфейса и проверки результата.

Перейти к практикуму