Как снизить стоимость возврата клиентов на 25% и вернуть в 1,8 раза больше

Реактивация клиентов часто превращается в чёрную дыру бюджета. Разбираем кейс «Купера», который с помощью машинного обучения сократил расходы на возврат клиентов на четверть и увеличил их количество почти вдвое.

#Три метрики эффективной реактивации

В 2025 году тарифы на SMS выросли настолько, что многие компании столкнулись с вопросом: стоит ли вообще возвращать ушедших клиентов или дешевле привлечь новых? Максим Шагдаров, Head of CRM в «Купере», выделяет три ключевые метрики, которые должны работать одновременно:

• CPIU (стоимость возврата одного клиента) — должна снижаться
• Количество реактивированных — должно расти, а не падать из-за экономии
• Retention через 2 месяца — чтобы люди не делали один заказ по скидке и снова не исчезали

Без баланса этих трёх точек любая реактивация превращается в бессмысленную трату денег.

#Почему простая экономия не работает

«Купер» возвращает клиентов, которые не заказывали 60 дней, но покупали в течение последнего года. Основной канал — SMS с высокой конверсией и полным охватом. Команда провела серию A/B-тестов, пытаясь сократить расходы.

#Первый эксперимент: пуши вместо SMS

Гипотеза казалась логичной — пуш-уведомления дешевле, конверсия не должна сильно упасть. Реальность оказалась жёстче: конверсия в заказ упала в 1,3 раза. Для компании масштаб возврата оказался важнее копеечной экономии на канале.

#Второй эксперимент: скидка 10% вместо 20%

Логика простая — меньшая скидка означает меньшие расходы на промо. Результат оказался обратным: стоимость реактивированного клиента выросла в 1,6 раза, потому что люди просто не реагировали на слабое предложение.

Простое сокращение бюджета не работает. Нужно не меньше тратить на всех, а точечно бить по тем, кто действительно вернётся и останется.

#Как работает ML-модель для реактивации

Команда «Купера» из трёх ML-инженеров разработала модель, которая ежедневно оценивает каждого клиента из оттока. Модель анализирует четыре группы признаков:

1. История покупок — давность, частота, средний чек, состав корзины
2. Действия на сайте и в приложении
3. Активность в каналах — подписки, открытия писем
4. Реакция на прошлые промо-акции

Главная механика — uplift: разница между вероятностью заказа с промокодом и без него. Если uplift положительный — клиент без скидки не вернётся, отправляем оффер. Если около нуля — промокод не влияет, бюджет не тратим. Если отрицательный — клиент вернётся сам, исключаем из рассылки.

Модель также прогнозирует затраты при разном охвате и подбирает тип промокода. Внутри работает NBO (next best offer) — алгоритм автоматически рассчитывает, какой оффер будет оптимальным с учётом расходов на промо и прогнозируемого аплифта.

#Интеграция с логистикой

Команда пошла дальше: модель реактивации обращается к другой модели, которая прогнозирует нагрузку курьеров и их количество в разных временных слотах и геолокациях. Это позволяет генерировать заказы, которые сразу подхватываются курьерами, обеспечивая клиенту качественный сервис.

#Результаты внедрения

Сравнение третьего и четвёртого квартала 2025 года показало:

• -25% стоимости инкрементального реактивированного клиента (CPIU)
• В 1,8 раза больше реактивированных клиентов
• +3 п.п. к retention реактивированных через 2 месяца

Важный момент: результаты получены с учётом сезонности. Перед праздниками часть людей возвращается органически, поэтому команда контролировала чистый эффект через контрольные группы.

#Пять правил эффективной реактивации

На основе этого кейса Максим Шагдаров сформулировал принципы, которые работают для любых реактивационных кампаний:

1. Экономическая оправданность

Любой оффер обязан приносить положительный инкрементальный доход. Если CPIU выше LTV реактивированного клиента — вы работаете в минус.

2. Анализ причин оттока

Не все клиенты готовы вернуться из-за скидки. Часть уходит из-за сервиса, логистики или смены потребностей. Для них промокод — пустая трата бюджета.

3. ML — не единственный путь

Если нет ресурсов на сложные алгоритмы, начните с RFM-сегментации. Возвращайте недавних клиентов с высоким LTV. Это даст быстрый результат без машинного обучения.

4. Не увлекайтесь реактивацией

Слишком большая реактивированная когорта в следующем месяце давит на retention базы. Такие клиенты уходят повторно быстрее и снижают общий LTV.

5. Здоровая норма — не более 20%

Реактивированные клиенты не должны составлять больше 20% от активной базы. Приоритет — первичное удержание, а не постоянное латание оттока.

#Что это значит для селлеров

Эффективная реактивация — это когда дешевле, больше и качественнее одновременно. Машинное обучение помогает точечно работать там, где есть реальный uplift. Но сначала настройте экономику кампаний и не пытайтесь залить скидками всех подряд — это путь в никуда.