Как Lamoda связала данные из BigQuery с retention-механикой и отбила падение среднего чека

Как Lamoda связала данные из BigQuery с retention-механикой и отбила падение среднего чека

Контекст

К середине 2025 года Lamoda столкнулась с типичной для e-com картиной 2026-го: средний чек просел на 6-7%, новые покупатели стали реже возвращаться ко второй покупке, а привычная связка «первая покупка по промокоду → бросаем в ремаркетинг» перестала окупаться. При этом в базе бренда лежали терабайты сырых событий: клики, корзины, возвраты, обращения в поддержку, выходы в приложение, подборки, отзывы. Данные собирались в ClickStream, но лежали мёртвым грузом.

Задача

Найти сегменты пользователей, для которых персонализированная коммуникация реально поднимает повторные покупки, и отказаться от массовых рассылок, которые жгут базу и раздражают.

Решение

Команда аналитики собрала в BigQuery единую таблицу user_fact, куда стянулись данные из CRM, мобильного приложения, веб-сайта, программы лояльности и службы доставки. Дальше — по шагам.

— Собрали когорты по дате первой покупки и рассчитали RFM-сегменты (recency, frequency, monetary — давность, частота, средний чек). Сделали это в одном SQL-запросе с оконными функциями, без выгрузок в Python.

— Для каждого сегмента вытащили поведенческие признаки: категории просмотров, среднюю позицию в каталоге, с которой уходят без покупки, долю возвратов, реакцию на прошлые триггерные письма.

— На основе этих признаков построили uplift-модель (оценка прироста вероятности повторной покупки именно от коммуникации, а не от базового желания клиента). Здесь BigQuery использовался как хранилище фичей, а обучение шло в Vertex AI.

— Результат модели приземлили обратно в BigQuery и через Airflow раз в сутки обновляли сегменты в CDP (customer data platform — единое хранилище клиентских профилей).

— Коммуникации перестали быть «скидка 10% всем, кто молчит 30 дней». Появились сценарии: для «спящих модников» — подборка новых дропов, для «охотников за распродажами» — ранний доступ к акции, для «мам с детьми» — трехмесячный гайд по подбору размеров. Скидка ушла как основной оффер и стала точечным инструментом.

Результат

— Повторные покупки в целевой когорте выросли на 18% за два квартала.
— Доля пользователей, получавших хотя бы одну коммуникацию в неделю, снизилась с 62% до 34%, при этом выручка от email/пушей (push-уведомления) выросла на 11%.
— Стоимость привлечения повторной покупки упала на 23%, что особенно ценно на фоне общего снижения среднего чека.

Урок

Главный сдвиг произошел не в модели, а в подходе к коммуникации. Бренд перестал спрашивать «кому отправить письмо» и начал спрашивать «кому наше сообщение реально поможет купить». BigQuery здесь выступил не как хранилище ради отчётов, а как нервная система продукта: фичи уходят в модель, предсказания возвращаются в CDP, маркетинг работает по свежим сегментам каждый день. Для рынка, где первая покупка дешевеет, такая связка «данные — модель — коммуникация» становится не конкурентным преимуществом, а гигиеной.

— @BigQuery4MarketingPro