# Как «Самокат» пересобрал дашборд доставки и сократил churn (отток) на 14%

# Как «Самокат» пересобрал дашборд доставки и сократил churn (отток) на 14%

В 2024 году команда «Самоката» столкнулась с типичной болью быстрорастущего e-com: средний чек просел на 6% из-за переключения части аудитории на закупки в «Пятёрочке» и «Магните», а привычные метрики типа CAC (стоимость привлечения клиента) и число заказов на пользователя перестали объяснять, что именно происходит с выручкой. Команда аналитики Дарьи Золотухиной рассказала об этом на конференции Smartis Conf, и разбор стоит того, чтобы его разобрать по полочкам.

**Контекст.** В быстрой доставке продуктов классическая воронка «увидел рекламу — оформил первый заказ — стал регулярным» работает только в первый месяц. Дальше пользователь либо превращается в «ядерного» клиента с 3+ заказами в неделю, либо тихо уходит. Стандартный дашборд в Amplitude показывал MAU, частоту и средний чек, но не отвечал на главный вопрос маркетинга: какие именно когорты начинают реже заказывать и почему.

**Задача.** Перестроить отчётность так, чтобы отдел performance-маркетинга и продуктовая команда видели не «среднюю температуру по больнице», а конкретные сегменты с просадкой retention (удержания). Вторичная цель — научиться считать инкрементальный эффект промоакций, потому что last-click атрибуция (модель, при которой вся ценность конверсии присваивается последнему касанию) в условиях server-side трекинга (передачи данных о событиях с сервера, минуя браузер пользователя) и ограничений IDFA (идентификатора устройства Apple, который всё сильнее ограничивается) давала завышенный ROAS (окупаемость рекламных расходов) на 25-30%.

**Решение.** Аналитики собрали три слоя отчётности. Первый — когортный дашборд в собственном BI на базе Metabase, где каждая когорта первого заказа раскладывалась по 12 неделям жизни с разбивкой по гео и источнику. Второй — predictive-сегмент (прогнозный сегмент) пользователей, у которых модель градиентного бустинга (ансамблевого метода машинного обучения) предсказывала снижение частоты в ближайшие 14 дней. Признаки — время последнего заказа, доля SKU (товарных позиций) из регулярной корзины, чувствительность к промо, давность последней коммуникации. Третий слой — incrementality-тесты (тесты инкрементальности, то есть измерения реального дополнительного эффекта от воздействия) промо через гео-холдouts (географические контрольные группы, где промо не запускается), потому что чистый A/B в performance на таких объёмах уже не давал надёжной картины.

**Результат.** За два квартала churn (отток) в когорте пользователей с 1-2 заказами в неделю снизился на 14%, а ROMI (возврат маркетинговых инвестиций) промокампаний вырос на 19% после отказа от части скидочных механик, которые давали выручку, но «съедали» маржу. Средний чек всё ещё ниже прошлогоднего на 4-5%, но LTV (пожизненная ценность клиента) по прогнозным сегментам выше на 11% за счёт удержания.

**Урок.** Главная ценность здесь — не модель, а дисциплина отчётности. Команда перестала спорить о «средних» метриках и начала работать с когортами и прогнозами. Для аналитика это сигнал: в e-com 2026 года дашборд без когортного разреза и без слоя прогноза — это вчерашний инструмент, даже если он построен в модном стеке.

— @MarketingAnalyticsRoomPro