Кратко — методы оптимизации и ключевые метрики для сохранения лояльности при росте рентабельности.
Методы оптимизации (тактические и модельные)
- Сегментация и ценовая чувствительность: оценить эластичность спроса по сегментам и давать скидки там, где отдача выше (сильнее эффект на частоту/чек).
- Uplift- и маржинальная модель: прогнозировать не просто вероятность покупки, а ожидаемый прирост маржи от предложения. Формула ожидаемого прироста для покупателя $i$ при скидке $d$:
$$\Delta M_i(d)=p_i^t(d)\cdot (P-d-C)-p_i^c\cdot (P-C)-{\text{cost\_discount}}_i(d),$$ где $p_i^t(d)$ — вероятность покупки под оффером, $p_i^c$ — базовая вероятность, $P$ — цена, $C$ — себестоимость.
- Оптимизация распределения скидок: формулировать как задачу максимизации суммарного прироста маржи:
$$\underset{d_i}{\max }\sum _i\Delta M_i(d_i)\text{s.t.}\sum _i{\text{cost\_discount}}_i(d_i)\le B,d_i\in D.$$ - Маржинально-ориентированная персонализация: назначать меньшие скидки наиболее ценным (низкая эластичность) и более агрессивные — там, где они действительно увеличивают частоту/чек.
- Экономичные механики вместо %скидок: таргетированные купоны, программы баллов, кросс-промо (скидка при покупке комплекта), бонусы за переход на private label, BOGO, повышенные рекомендации товаров с высокой маржой.
- Поставщик-финансируемые промо и переговоры с вендорами: перекладывать часть скидок на поставщиков для нерушения маржи.
- Эксперименты и контрольный холд-аут: держать случайную контрольную группу без персональных скидок для измерения инкрементала.
- Онлайн-оптимизация: multi-armed bandits / reinforcement learning для быстрого перенаправления бюджета на эффективные офферы.
- Антиканнибализация: ограничивать частоту предложения одинаковых скидок одним клиентам и применять правила исключения (например, не давать скидку на товар, купленный недавно по полной цене).
Ключевые метрики и формулы (что считать и как)
- Средний чек:
$$\bar{R}=\frac{{\sum }_{\text{транзакции}}{R}_t}{N_{\text{транзакций}}}.$$ - Валовая маржа (%):
$$\text{GM\%}=\frac{\text{Revenue}-\text{COGS}}{\text{Revenue}}\times 100\%.$$ - Инкрементальная выручка и маржа (через A/B):
$$\Delta R=R_{\text{treated}}-R_{\text{control}},\Delta M=M_{\text{treated}}-M_{\text{control}}.$$ - Promo ROI:
$$\text{PromoROI}=\frac{\Delta M}{\text{cost\_of\_discounts}}.$$ - CLV с учётом маржи:
$${\text{CLV}}_i=\sum _{t=0}^T\frac{m_{i,t}}{(1+r{)}^t},$$ где $m_{i,t}$ — ожидаемая маржа от клиента $i$ в период $t$.
- Redemption rate:
$$\text{RR}=\frac{\text{redeemed\_offers}}{\text{issued\_offers}}.$$ - Cannibalization rate (доля промо‑продаж, которые вытеснили полные цены):
$$\text{Cann}=\frac{\text{lost\_fullprice\_sales}}{\text{promo\_sales}}.$$ - Share of sales on promo:
$$\text{SharePromo}=\frac{\text{promo\_sales}}{\text{total\_sales}}.$$ - Uplift (%) для ключевых показателей:
$$\text{Uplift\%}=\frac{R_{\text{treated}}-R_{\text{control}}}{R_{\text{control}}}\times 100\%.$$ - Cost per incremental margin (эффективность расходов):
$$\text{CPIM}=\frac{\text{discount\_costs}}{\Delta M}.$$
Контроль и верификация
- Всегда измерять инкрементал через рандомизированные холд-ауты или каузальные методы (propensity score matching / double ML) — без этого рост чека можно ошибочно принять за инкремент.
- Разбить отчёты по сегментам (CLV-децили, категории, время цикла) и по каналам коммуникации.
- Мониторинг в реальном времени для доли промо‑продаж, PromoROI и Cann — ставить триггеры (например, если $\text{PromoROI}<1$ или $\text{GM\%}$ падает ниже целевого уровня).
Операционные рекомендации (коротко)
- Внедрять маржинальный скоринг клиентов и использовать его в правил-движке рассылок.
- Переназначать бюджет на механики с высокой PromoROI и на товары с высокой доп.маржой.
- Ограничивать глубину скидки для товаров с низкой маржей; заменять скидки рекомендациями товаров с лучшей маржой.
- Проводить регулярные A/B тесты новых форматов (купон vs. баллы vs. наборы).
Ключевая идея: переход от "объёмных" персональных скидок к маржинально‑ориентированной персонализации — давать офферы там, где прирост маржи (а не только чека) положителен, и постоянно измерять инкрементал через контролируемые эксперименты.