Кейс «Самоката»: как BigQuery помог пересобрать retention вместо борьбы за первую покупку

Кейс «Самоката»: как BigQuery помог пересобрать retention вместо борьбы за первую покупку

В 2024-2025 у «Самоката» одна из самых дорогих метрик в e-grocery — повторный заказ. Средний чек в сегменте экспресс-доставки продуктов просел на 6-8%, конкуренция с «Яндекс Лавкой» и «ВкусВилл» обострилась до предела. Привлекать нового клиента стало в 2,3 раза дороже, чем удержать старого. Команда «Самоката» сфокусировалась на retention и LTV (пожизненной ценности клиента) — и тут на сцену вышел BigQuery.

**Контекст**

Данные лежали в трёх местах: заказы в PostgreSQL, события приложения в ClickHouse, маркетинговые расходы в API рекламных кабинетов. Соединить их вручную через SQL-запросы аналитика занимало 3-4 дня. Маркетинг не мог отвечать на вопрос «какой когорте какой промокод дать» быстрее, чем за неделю.

**Задача**

Сократить цикл «гипотеза — эксперимент — вывод» до 24 часов. Научиться считать реальный LTV по когортам с учётом оттока, а не по средней температуре по больнице.

**Решение**

Команда собрала единое хранилище на BigQuery: потоковые данные из приложения через Firebase → Streaming Insert, батчи из 1С и рекламных систем через Cloud Functions. Всё сводится в таблицы фактов по схеме «звезда»: в центре таблица заказов, вокруг — справочники клиентов, товаров, промо-акций.

Дальше появился ключевой запрос — когортный LTV с окном 90 дней:

— считаем день первой покупки для каждого клиента
— группируем по неделям когорты
— считаем накопительную выручку и churn rate (отток)
— отнимаем CAC (стоимость привлечения) по каждому каналу

Всё это в материализованном представлении, которое пересчитывается каждые 6 часов. Маркетолог сам открывает Looker Studio и видит, какая когорта из какого канала окупается на 60-й, 90-й, 120-й день.

**Результат**

За 8 месяцев: цикл эксперимента сократился с 7 дней до 18 часов, доля когорт с положительным LTV на горизонте 90 дней выросла с 34% до 51%, бюджет на привлечение перераспределили в пользу каналов с лучшей retention-кривой. Отдельный инсайт: когорты из push-подписчиков показали LTV на 27% выше, чем из платного трафика — но только при условии, что первый заказ случался в течение 48 часов после подписки.

**Урок**

Когда воронка дорожает, retention-метрики в BigQuery превращаются из «дашборда для CFO» в рабочий инструмент маркетинга. Главное — не считать LTV как среднее по всем клиентам, а строить его по когортам с поправкой на канал привлечения. Иначе оптимизируешь прошлогодний снег.

В 2026 году эта логика становится стандартом: privacy-first атрибуция (серверная, MMM, incrementality) вытесняет last-click, и без нормальной когортной аналитики в BigQuery маркетинг просто не увидит, где он зарабатывает, а где сливает.

— @BigQuery4MarketingPro