**Как «Самокат» отбил 14% выручки за счёт реактивации «спящих» пользователей**

**Как «Самокат» отбил 14% выручки за счёт реактивации «спящих» пользователей**

В середине 2024 года у «Самоката» классическая проблема фудтеха: средний чек просел на 6%, частота заказов у активной базы стагнировала, а стоимость привлечения нового клиента выросла на 18%. Маркетинговая команда публично делилась цифрами на конференциях — возьмём их за основу.

**Контекст**

Когорта пользователей, не заказывавших 45+ дней, составляла 41% всей базы. При этом их средняя историческая выручка была на 23% выше, чем у новичков. По сути, это самый ценный сегмент, который просто перестал заходить в приложение. Стандартные пуш-кампании с промокодами на 100–150 ₽ давали возврат 0,8x и быстро выжигали маржу.

**Задача**

Реактивировать «спящих» с юнит-экономикой лучше, чем 1,2x за первый месяц, без разгона cost per reaction (стоимости реактивации) выше 120 ₽.

**Решение**

Вместо массовой рассылки команда разбила «спящих» на три сегмента по причинах оттока (это выяснили через опрос внутри приложения с низкой стоимостью контакта):

— Сегмент A: ушёл из-за цены. Им отправляли не скидку, а кэшбэк-механики, привязанные к конкретным категориям.
— Сегмент B: ушёл из-за неудобного ассортимента (не нашли привычные продукты). Им делали персональные подборки на основе истории покупок.
— Сегмент C: ушёл по неопределённой причине. Им показывали lookalike-аудиторию (похожих пользователей) из текущих лояльных клиентов.

Каналы тоже развели: пуши для горячих по времени, имейл — для прогрева, а основную ставку сделали на in-app (внутри приложения) персонализированные карточки при следующем заходе. Отдельная гипотеза — отказ от универсальных баннеров в пользу связки «категория + время суток». Например, пользователю с историей заказов завтраков показывали не общую акцию, а конкретную позицию за 39 ₽ в 8 утра.

Креативы тестировали небольшими пачками по 4–6 вариантов, причём сначала проверяли концепцию (оффер и визуал), а уже потом отшлифовывали подачу. AI-генерация картинок использовалась для ускорения, но финальные варианты утверждал дизайнер.

**Результат**

За два месяца реактивированные пользователи дали 14% общей выручки. ROMI (возврат на маркетинговый рубль) по сегменту A — 2,1x, по сегменту B — 1,6x, по сегменту C — 1,3x. Средний cost per reaction (стоимость реактивации) — 87 ₽, что на 27% ниже изначального лимита. Важный побочный эффект: выросла частота повторных покупок в первый месяц после возврата — на 31% по сравнению с контрольной группой, которая получила стандартный промокод.

**Урок**

Главный вывод — реактивация работает не за счёт скидки, а за счёт диагностики причины ухода. Промокод на 150 ₽ без понимания мотива отвала возвращает лишь самых мотивированных, а остальных учит ждать «плюшек». Сегментация по причине оттока + канальное разделение + привязка оффера к поведению дают кратный рост эффективности.

Для performance-маркетолога это сигнал: в эпоху, когда привлечение дорожает, а атрибуция усложняется, реактивация становится не «третьей корзиной» после перфоманса и бренда, а основным драйвером устойчивой экономики. Особенно для подписных и高频 моделей (с повторяющимися покупками), где LTV (пожизненная ценность клиента) реально управляем через повторные касания.

Атрибуция в кейсе — комбинированная: MMM (маркетинг-микс-моделирование) на верхнем уровне плюс инкрементальность по сегментам, last-click (последнее кликовое касание) си

— @RetentionPaid