Реактивация спящих: почему вернуть клиента в 5 раз дешевле, чем купить нового

Реактивация спящих: почему вернуть клиента в 5 раз дешевле, чем купить нового

**Контекст.** У зрелого ритейл-сервиса доставки рано или поздно копится «мёртвый груз» базы — люди, которые сделали 2–3 заказа и пропали на 90+ дней. На дистанции такие сегменты разрастаются до 40–60% всей базы. Деньги на их привлечение уже потрачены, а отдачи ноль. Классическая ловушка: команда роста льёт бюджет в новых, потому что это привычная метрика, и не трогает спящих, потому что «они же уже ушли».

**Задача.** Снизить стоимость инкрементального заказа. Вводная простая: привлечение нового платящего клиента через performance-каналы обходилось условно в 900–1100 ₽ CAC, а маржа с первого заказа этого не отбивала — окупаемость только на горизонте 3–4 покупок.

**Решение.** Вместо нового трафика — работа с собственной базой через каскад:
— сегментация спящих по давности и частоте прошлых заказов (RFM), а не «всех скопом»;
— ретаргетинг по загруженной базе + lookalike на узкое ядро самых маржинальных, а не на «всех покупателей»;
— реактивационная механика с порогом: персональный стимул давали только тем, у кого прогноз возврата средний — горячих не подкупали скидкой зря, холодных не жгли.

**Результат.** Главная цифра — не «вернули X%», а экономика. Стоимость реактивации спящего выходила в 3–5 раз ниже CAC нового. При этом средний реактивированный возвращался с уже известным паттерном потребления — его LTV прогнозировался точнее, а скидка съедала маржу один раз, а не на каждом заказе. Доля выручки от «оживлённых» сегментов в отдельные месяцы доходила до двузначных процентов.

**Урок.** Спящая база — это не списанный актив, а самый дешёвый источник инкрементальных заказов, который у вас уже есть. Три вывода для юнит-экономики:
— считайте не reach реактивации, а cost per reactivation против CAC — почти всегда разрыв в разы;
— скидка должна идти в сегмент по прогнозу возврата, иначе вы доплачиваете тем, кто вернулся бы сам;
— lookalike стройте от ядра по марже, а не от всей базы — иначе модель учится на тех, кого вы не хотите клонировать.

— @RetentionPaid

@PaidSearchRoom разбирают это с практической стороны