Как «Самокат» увидел отток раньше, чем покупатель дошёл до конкурента: разбор SQL-запроса

Как «Самокат» увидел отток раньше, чем покупатель дошёл до конкурента: разбор SQL-запроса

В e-com 2026 средний чек просел на 5–8%. При таком фоне битва идёт не за первую покупку, а за удержание и пожизненную ценность клиента (LTV — Lifetime Value). Разберём кейс «Самоката» — он публично делился логикой работы с данными, и она хорошо ложится на BigQuery.

**Контекст.** Модель быстрой доставки продуктов держится на трёх вещах: скорость, ассортимент, привычка. Как только пользователь перестаёт делать 2–3 заказа в месяц, вернуть его стоит в 5–7 раз дороже, чем удержать. Задача маркетинга — поймать момент, когда привычка ломается, и дать точечное предложение до того, как человек уйдёт к «Вкусвиллу» или «Яндекс Лавке».

**Задача.** Научиться считать риск оттока (churn risk) на горизонте 14 дней по каждому активному покупателю и передавать сегмент в CRM (систему управления рассылками) и push-платформу.

**Решение.** Вся сырая событийная база — клики, заказы, доставки, обращения в поддержку — стекается в BigQuery. Дальше собирается витрина признаков (feature table) на пользователя:

— средний интервал между заказами за последние 60 дней;
— доля отменённых заказов;
— средний чек (AOV — Average Order Value) и его динамика;
— число обращений в поддержку с негативной оценкой;
— открытия push-рассылок за 30 дней.

Ключевой расчёт — **фактический интервал между заказами vs. персональный медианный интервал**. Если разрыв превышает 1.5x от привычного ритма — это сигнал «покупатель остывает».

Финальный шаг — оконная функция `LAG()` в SQL, которая для каждой строки заказа пользователя смотрит на дату предыдущего заказа и считает дельту. В сочетании с `PERCENT_RANK()` по сегментам получаем скор от 0 до 1, где 1 — максимальный риск ухода.

**Результат.** По открытым данным «Самоката», после запуска предиктивного сегмента (сегмента на основе прогнозной модели) доля реактивационных (возвращающих) кампаний в общем маркетинговом бюджете выросла с 18% до 34%, а стоимость повторной активации пользователя снизилась примерно на 22%. Отдельная метрика — прирост LTV когорты (группы пользователей, пришедших в один период), на которую действовала модель: +11% за 90 дней по сравнению с контрольной группой.

**Урок.** В privacy-first реальности (где last-click атрибуция всё хуже работает) выигрывают те, кто смотрит не на последний источник заказа, а на поведенческий сигнал «привычка ломается». BigQuery здесь — не хранилище ради хранилища, а рабочий конвейер (pipeline), где событийные данные превращаются в действие маркетинга в течение часа, а не недели.

— @BigQuery4MarketingPro