Клиент редко принимает решение о покупке или уходе совершенно внезапно. До этого обычно появляется последовательность событий: он чаще возвращается к товару, меняет поисковые запросы, начинает изучать отзывы, добавляет товар в избранное — или, наоборот, реже посещает сайт, увеличивает интервал между заказами, перестаёт пользоваться привычной категорией и пропускает ожидаемую покупку.

Например:
просмотр → повторный просмотр → сравнение → избранное → покупка
или
регулярные покупки → увеличение интервала → снижение активности → отсутствие очередной покупки → churn

Каждое отдельное действие может выглядеть незначительным. Но если рассматривать поведение клиента во времени, возникают закономерности, которые позволяют оценивать, как меняется вероятность следующего действия.

Именно эту задачу решает выявление поведенческих триггеров — Behavioral Trigger Detection. Технология помогает ответить на три связанных вопроса:

• что изменилось в поведении клиента,
• как после этого изменилась вероятность целевого действия и
• есть ли в этот момент смысл воздействовать на клиента.

Так аналитика перестаёт быть только способом описать прошлое и становится механизмом принятия решений.

Behavioral Trigger — наблюдаемое событие, изменение поведения или последовательность событий, после которых вероятность определённого действия клиента заметно изменяется.

Триггер — это не обязательно клик. Им может быть:

• действие;
• последовательность действий;
• изменение частоты;
• изменение суммы;
• изменение интереса;
• превышение временного интервала;
• отсутствие ожидаемого события;
• изменение внешнего контекста.

Поведенческий триггер — это наблюдаемое событие, изменение поведения или последовательность событий, после которых вероятность определённого действия клиента заметно отличается от базового уровня.

Предположим, что в среднем 6% посетителей, посмотревших карточку определённой категории, совершают покупку в течение следующих семи дней.

Но среди клиентов, которые вернулись к товару минимум три раза за 48 часов, вероятность покупки составляет уже 19%. Сам факт повторных просмотров становится потенциальным сигналом высокого purchase intent.

В простейшем виде эту связь можно представить так:
P(Purchase) = 6%
P(Purchase | 3 повторных просмотра) = 19%

При этом триггером необязательно является конкретное действие — например, клик или добавление товара в корзину.

Им может оказаться изменение частоты поведения. Или рост интервала между событиями. Или необычная последовательность действий. Или переход интереса из одной категории в другую.

Иногда наиболее важным сигналом становится вообще отсутствие ожидаемого события.
Например, один клиент покупает корм для животного примерно каждые 25–30 дней. Другой делает такой же заказ раз в три месяца. Если с последней покупки прошло 45 дней, это может быть тревожным сигналом для первого клиента и совершенно нормальным поведением для второго.

Поэтому зрелая система анализирует не только то, что сделал клиент, но и то, что он обычно делает и что перестал делать сейчас.

Классическая аналитика хорошо показывает, что произошло.
Например:

100 000 посетителей → 35 000 просмотров товара → 8 000 корзин → 2 500 покупок.

Из такой воронки видно, что значительная часть клиентов теряется между просмотром карточки и корзиной. Но она почти ничего не говорит о том, чем отличаются 2 500 покупателей от десятков тысяч пользователей, которые ушли.

Они могли:

• Просматривать разные группы товаров.
• Использовать поиск.
• Несколько раз возвращаться в одну категорию.
• Посещать магазин офлайн.
• Реагировать на изменение цены. Читать отзывы.
• Менять поисковые запросы.
• Возвращаться через несколько дней после первого знакомства с товаром.

Behavioral Trigger Detection переносит внимание с самой воронки на траекторию движения внутри неё.

Вместо вопроса:
«На каком этапе теряются клиенты?»
появляется другой:
«Какие события происходят перед тем, как вероятность покупки, оттока или другого целевого действия начинает существенно меняться?»

Именно поэтому два клиента, находящихся формально на одной стадии воронки, могут требовать совершенно разных действий со стороны бизнеса.

Название технологии часто создаёт впечатление, что она применима прежде всего в классическом e-commerce. На практике объектом прогнозирования может быть практически любое значимое для бизнеса действие.

• Для интернет-магазина целевым событием может быть покупка, добавление товара в корзину, переход к checkout, повторная покупка или увеличение корзины.
• Для офлайн-ритейла — следующий визит, повторная покупка, переход в новую категорию или прекращение покупок.
• Для туристической компании — бронирование отеля, выбор тура, покупка билета или дополнительной услуги.
• Для автомобильного бизнеса — переход в конфигуратор, заявка на тест-драйв, посещение дилера, покупка автомобиля или запись на сервис.
• Для банка — оформление следующего продукта, увеличение активности по карте, использование кредитного предложения или, наоборот, постепенное снижение использования продуктов.
• Для телекома — смена тарифа, подключение опции, сокращение usage или churn.
• Для SaaS-продукта — activation, использование ключевой функции, upgrade, продление подписки или отказ.
• Для онлайн-образования — начало курса, выполнение заданий, завершение программы, покупка следующего курса или dropout.
• Для ресторанного бизнеса — следующий визит, повторный заказ, изменение среднего чека или прекращение посещений.

Поэтому в более общем виде система работает не с «покупкой товара», а с Target Event — событием, вероятность которого бизнес хочет понять или изменить.

Одна из наиболее очевидных задач — поиск purchase triggers: событий, после которых растёт вероятность покупки.

Это могут быть повторные просмотры одного товара, использование поиска, чтение отзывов, добавление в избранное, возвращение после сравнения нескольких моделей, визит в офлайн-магазин или изменение интереса к конкретной категории.

Противоположный класс — churn triggers. Здесь модель ищет признаки того, что отношения клиента с компанией начинают ослабевать.

Например, увеличивается интервал между заказами, снижается частота сессий, уменьшается корзина, клиент прекращает покупать привычную категорию, становится меньше реакций на коммуникации или появляется серия возвратов и обращений в поддержку.

Отдельную группу составляют cross-sell и upsell triggers. Некоторые события создают естественное окно для следующего предложения. Покупка кофемашины формирует будущую потребность в капсулах. Покупка авиабилета — в отеле, трансфере или страховке. Новый смартфон — в аксессуарах. Оформление одного финансового продукта может повышать вероятность интереса к другому.

Для товаров регулярного потребления особенно важны replenishment triggers. Вместо одинакового сообщения «прошло 30 дней после заказа» система может оценивать индивидуальный цикл следующей покупки с учётом товара, количества, истории потребления и поведения конкретного клиента.

Ещё один класс — friction triggers. Они показывают не желание купить, а сложности на пути к покупке: пользователь повторяет один и тот же поиск, несколько раз меняет параметры фильтра, возвращается назад, получает ошибку, долго находится между корзиной и checkout или обращается в поддержку.

Такой сигнал необязательно должен приводить к промопредложению. Иногда правильная реакция бизнеса — помощь, изменение интерфейса, консультация или вообще временное отключение маркетинговых сообщений.

Реальное покупательское поведение почти всегда представляет собой последовательность.

Рассмотрим два сценария.

Первый клиент:
Поиск → карточка товара → отзывы → карточка товара → избранное → возврат через день.
Второй:
Карточка товара → следующая карточка → ещё одна карточка → выход.

Количество событий может быть сопоставимым, но смысл последовательностей совершенно разный.

Именно поэтому одна из важных задач современных моделей — анализировать не только количество событий, но и их порядок.

Исследования в retail подтверждают ценность такого подхода.

В работе Miguéis и соавторов использовались данные примерно 75 тысяч новых клиентов европейского ритейлера. Добавление последовательности покупаемых товарных категорий позволило получить более качественные модели partial churn по сравнению со стандартным RFM-подходом. Полный текст.

В исследовании Shapoval и Setzer история клиента также рассматривалась именно как последовательность покупок. При этом более свежим событиям можно было давать больший вес. Авторы показали преимущество такого подхода в задаче прогнозирования следующей покупки и cross-sell по сравнению с рядом стандартных методов сегментации и классификации.

Для e-commerce похожая логика применяется к clickstream.

Исследователи анализировали последовательности вроде:
page view → search → product detail → add to cart → purchase
и пытались определить намерение клиента ещё до завершения сессии.

В исследовании Shopper Intent Prediction использовались реальные clickstream-данные fashion e-commerce. Авторы показали, что даже сравнительно короткие последовательности базовых типов событий могут содержать достаточно информации для прогнозирования покупки; в работе сравнивались engineered features, Markov-модели и LSTM.

Иными словами, ценность создаёт не только вопрос «что делал пользователь?», но и «в каком порядке, с какой частотой и с какими интервалами он это делал?»

Одинаковые события могут иметь разное значение в зависимости от момента, когда они произошли.

Три просмотра одного товара в течение двадцати минут и три просмотра за четыре месяца — это три просмотра, но совершенно разные поведенческие паттерны.

Поэтому система обычно учитывает несколько временных характеристик.

• Recency показывает, как давно произошло действие.
• Frequency — насколько часто оно повторяется.
• Interval — сколько времени проходит между событиями.
• Velocity — ускоряется или замедляется активность.
• Duration — сколько времени клиент находится в определённом состоянии.
• Trend — как показатель меняется относительно предыдущих периодов.

Особенно важен переход от статического профиля клиента к time-varying features.

Вместо одного признака: «клиент совершил 8 покупок»,
система видит динамику:
4 → 3 → 1 → 0 покупок по последовательным периодам.

Исследование, опубликованное в Annals of Operations Research, рассматривает именно time-varying RFM для churn prediction и сравнивает использование таких последовательных признаков в recurrent neural networks и transformer architectures.

Для бизнеса это означает важное изменение логики: направление движения клиента часто информативнее, чем его текущая точка.

Одинаковые события могут иметь разное значение в зависимости от момента, когда они произошли.

Три просмотра одного товара в течение двадцати минут и три просмотра за четыре месяца — это три просмотра, но совершенно разные поведенческие паттерны.

Поэтому система обычно учитывает несколько временных характеристик.

• Recency показывает, как давно произошло действие.
• Frequency — насколько часто оно повторяется.
• Interval — сколько времени проходит между событиями.
• Velocity — ускоряется или замедляется активность.
• Duration — сколько времени клиент находится в определённом состоянии.
• Trend — как показатель меняется относительно предыдущих периодов.

Особенно важен переход от статического профиля клиента к time-varying features.

Вместо одного признака: «клиент совершил 8 покупок»,
система видит динамику:
4 → 3 → 1 → 0 покупок по последовательным периодам.

Исследование, опубликованное в Annals of Operations Research, рассматривает именно time-varying RFM для churn prediction и сравнивает использование таких последовательных признаков в recurrent neural networks и transformer architectures.

Для бизнеса это означает важное изменение логики: направление движения клиента часто информативнее, чем его текущая точка.

LTV - мощный показатель, который многие компании (особенно ecommerce и retail с программами лояльности) уже используют для определения наиболее прибыльных клиентов. Вооружившись этой информацией, компании могут решить, на чем сосредоточить усилия по привлечению и удержанию клиентов.

Начать работу нужно с формирования витрины данных.

Учитывая сложившуюся в компании практику хранения данных (клиенты, маркетинг, продажи, промо, дистрибуция) нужно оценить и систематизировать все потенциальные факторы влияния на поведение клиентов. Сделать это до уровня конечного уникального покупателя (транзакции, баланс баллов, скидка итд). Факторы массового влияния, например ТВ размещение, нужно также учесть.

Типовая архитектура данных может выглядеть следующим образом. Для компаний с программами лояльности, например на базе CDP Mindbox, это сделать значительно проще, так как большая часть требуемых данных уже доступна для обработки.

Подробнее весь процесс создания LTV моделей посмотрите в мастер классе от команды Coffee Analytics, Mindbox и Benetton с кейсом внедрения LTV у крупного омниканального ритейлера. Эти отчеты в Power BI найдете далее в материале.

Подробно эти и другие детали понимания метрики были детально рассмотрены на круглом столе "Вся правда об LTV".

Суммируя, весь процесс работы можно представить в следующие этапы, работа над которыми может продолжаться по мере подключения в проект новых данных, проведения экспериментов, а также улучшения качества модели за счет объема и качества данных.

И для общего понимания потенциальных выгод расчета и использования LTV в алгоритмических подходах, а также их потенциальных сложностей внедрения рекомендуем ознакомиться с выступлением на Forum.Digital

Для запуска такого внутреннего решения, компания может использовать существующую BI инфраструктуру или построить модель на базе Power BI.