Как X5 смотрит на покупателя не по опросу, а по корзине: кейс retail-панелей

В FMCG-брендинге часто спорят о «настроении рынка», но в 2026 году выигрывает тот, кто видит не декларации, а поведение. Retail-панели как раз дают такую оптику: не «что человек сказал», а **что он реально купил, где и как часто**.

Контекст. У X5, как у любого крупного ритейлера, база покупок огромна, но сама по себе она отвечает только на вопрос «что продали». А бренд-менеджеру нужно больше: кто уходит в частоту, кто снижает чек, какие категории теряют повторные покупки, а какие растут за счёт промо. Для этого X5 в последние годы усиливал связку транзакционных данных, аналитики по чекам и панельных наблюдений.

Задача была практическая: понять, как меняется покупательское поведение в условиях экономии. Средний чек в e-com и офлайне в 2026 году давит вниз, и это видно не по одному месяцу, а по траектории кошика за несколько периодов. Нужно было отделить эффект промо от реального перераспределения спроса.

Решение — смотреть на поведение через несколько срезов:
— частота покупок по сегментам домохозяйств;
— доля промо в корзине;
— миграция между ценовыми уровнями;
— повторная покупка по категории через панели лояльности и чековые данные.

Что это показало. В ряде категорий рост выручки шёл не за счёт объёма, а за счёт более дорогих SKU в промо-периоды. При этом доля покупателей, которые переходили на более дешёвые аналоги, росла заметно быстрее, чем сама категория. Для бренда это важнее, чем голая выручка: можно видеть ранний сигнал эрозии премиальности ещё до падения продаж.

Результат для команды — более точная работа с ассортиментом и промо. Когда видно, что промо «съедает» маржу, но не создаёт прироста частоты, его можно пересобрать: уменьшить глубину скидки, поменять механику, развести роли SKU по полке. В некоторых категориях это даёт больше, чем наращивание медийного давления.

**Урок простой:** retail-панель полезна не как отчёт «о рынке вообще», а как инструмент управления долей, частотой и ценовой эластичностью. В эпоху privacy-first атрибуции и слабого last-click именно такие данные становятся опорой для решений: где удерживать, где расширять, а где бренд уже начинает терять покупателя в корзине.

— @PanelDataRoom