Как сделать реактивацию эффективной: сэкономить 25% и вернуть в 1,8 раза больше клиентов

Меня зовут Максим, я Head of CRM в «Купере». В этой колонке поделюсь нашим кейсом про реактивацию и моими мыслями на этот счёт.

Долгое время у нас, как у многих, реактивация была «чёрной дырой» бюджета. Ты вроде бы возвращаешь людей, но дорого. Непонятно — останутся ли они, и не дешевле ли привлечь нового.

В 2025 году тарифы на SMS значительно выросли, и вопрос встал ребром: что значит эффективная реактивация?

Для нас это три метрики одновременно:

• CPIU (cost per incremental user) — стоимость возврата одного клиента (затраты на промо + SMS) должна снижаться.
• Количество реактивированных — должно расти, а не падать из-за экономии.
• Retention реактивированных через 2 месяца — чтобы люди не делали один заказ по скидке и снова не уходили.

Без баланса этих трёх точек любая реактивация превращается в прожигание денег. Мы этот баланс нашли через Machine Learning. Рассказываю как.

Как мы пытались экономить до ML (и почему не получилось)

Мы возвращаем клиентов, которые не заказывали 60 дней, но покупали последний год. Основной канал — SMS (высокая конверсия, полный охват). С ростом тарифов мы провели серию A/B-тестов:

Попытка 1. Пуши вместо SMS
Гипотеза: пуши дешевле, конверсия не упадёт.
Реальность: конверсия в заказ упала в 1,3 раза. Для нас масштаб возврата важнее, чем копеечная экономия.

Попытка 2. Скидка 10% вместо 20%
Гипотеза: меньшая скидка = ниже расходы.
Реальность: стоимость реактивированного клиента выросла в 1,6 раза, потому что люди просто не реагировали.

Мы поняли, что простое сокращение бюджета не работает. Нужно не меньше тратить на всех, а точечно бить по тем, кто вернётся и останется.

Какое решение удалось найти

Мы внедрили ML-модель, которую разработала наша команда (3 ML-инженера, хранилище данных, Mindbox как оркестратор). Модель ежедневно оценивает каждого клиента из оттока по четырём группам признаков:

• история покупок (давность, частота, чек, корзина);
• действия на сайте / в приложении;
• активность в каналах (подписки, открытия);
• реакция на прошлые промо.

Главная механика — uplift: вероятность заказа с промокодом минус вероятность заказа без него.

— Uplift значимо положительный → клиент без скидки не вернётся. Отправляем оффер.

— Uplift около нуля → промокод не влияет. Не тратим бюджет.

— Uplift отрицательный → клиент вернётся сам. Исключаем.

Модель также прогнозирует затраты при разном охвате и подбирает тип промокода (размер скидки или минимальный чек). Внутри ML у нас работает NBO (next best offer) — алгоритм оптимизации ML-модели, в которой автоматически просчитывается, какой оффер будет наиболее оптимальным для клиента с учётом расходов на промо и прогнозируемого аплифта клиента для этого оффера.

Но мы пошли ещё дальше: наша модель ходит в другую модель, которая прогнозирует нагрузку курьеров и количество курьеров в слотах времени и гео. Это нужно, чтобы генерить заказы, которые сразу будут подхватываются курьерами, а клиенту — обеспечить качественный сервис.

Какие получили результаты

Мы сравнили третий и четвёртый квартал 2025 года, до и после запуска модели.

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

Важный нюанс: результаты получены даже с учётом сезонности (перед праздниками часть людей возвращается органически). Мы это контролировали через контрольные группы.

Мои выводы

На основе этого кейса и моего опыта я сформулировал 5 правил, которые теперь использую при любых реактивационных кампаниях:

1. Реактивация должна быть экономически оправдана. Любой оффер обязан приносить положительный инкрементальный доход. Если CPIU выше LTV реактивированного клиента — вы работаете в минус.

2. Всегда анализируйте причины оттока. Далеко не все клиенты готовы вернуться из-за скидки. Часть уходит из-за сервиса, логистики или смены потребностей. Для них промокод — пустая трата бюджета. Модель помогает, но вы должны понимать бизнес-контекст.

3. ML — не единственный путь. Если у вас пока нет ресурсов на сложные алгоритмы, начните с RFM-сегментации. Например, возвращайте «недавних, но ценных по LTV» клиентов. Это даст быстрый результат без ML. А когда дорастёте до данных — переходите к uplift.

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

5. Здоровая норма — не более 20% от активной базы. Приоритетом должно быть первичное удержание, а не постоянное латание оттока.

Резюме

Эффективная реактивация — это когда дешевле, больше и качественнее одновременно. ML помогает точечно бить туда, где есть uplift, но сначала нужно настроить экономику и не пытаться «залить скидками» всех подряд.