RFM подсказывает, кому писать, но не о чем. Матрица переходов помогает выбрать задачу: она показывает, откуда пополняются активные группы. В статье разбираем метод на условном примере и считаем экономику сценария.
30 октября 2026
Как выбрать задачу для рассылки по переходам между RFM-сегментами
RFM-сегментация помогает выбирать аудиторию и момент запуска: после покупки или паузы клиент переходит в другой сегмент, и вместе с сегментом меняются сценарии. Но сегментация не подсказывает, какие коммуникации развивать дальше: усиливать реактивацию, помогать новым покупателям сделать второй заказ или работать со следующей покупкой тех, кто вернулся после перерыва.
Выбрать задачу помогает матрица переходов: она показывает, откуда пополняются активные группы и куда уходят регулярные покупатели. Выбранный поток затем изучают по истории заказов: что люди покупают и когда возвращаются. Так появляется основание для коммуникации — поведение, которое нужно поддержать или изменить.
CRM-маркетолог Николай Крылов показывает на условном примере, как найти в матрице поток вернувшихся покупателей, изучить их следующие покупки, выбрать задачу сообщения и оценить, окупится ли отдельный сценарий.
Содержание:
Что делает RFM-сегментация и чего ей не хватает
RFM описывает покупки по давности последнего заказа (R), числу (F) и сумме заказов (M) за выбранный период. На этой основе компания назначает коммуникации: например, сопровождение первой покупки или реактивацию.
При смене сегмента клиент входит в сценарий или выходит из него, и отправки подстраиваются под его действия. Но правило «вошел в риск — получил письмо» еще не объясняет, какую задачу письмо должно решить и почему выбранное предложение поможет.
История заказов и переходов между сегментами добавляет два уровня информации. На уровне покупателя — что предшествовало текущему состоянию. На уровне базы — сколько клиентов проходит похожий путь, откуда пополняются ценные сегменты и где прерываются повторные покупки.
Начинать стоит со второго уровня — найти значимый поток клиентов. Затем изучить заказы этой группы и сформулировать задачу рассылки: удержать клиентов в сегменте, вернуть их или помочь сделать следующую покупку.
Например, в «Улыбке радуги» каждого клиента ежедневно оценивают по давности, частоте и сумме покупок за последний год. Задача коммуникаций — как минимум удержать клиента в его сегменте, чтобы он не перешел в неактивные, как максимум — продвинуть вверх по RFM.
Клиентам с высокой вероятностью оттока по математической модели предлагают скидку на любимый бренд, а потерявших позиции в RFM подхватывает реактивационный сценарий. Вместе с остальными инструментами CRM-программы это дало за 2024 год +5% к выручке CRM-канала и +2,5% к частоте покупки (по внутренним отчетам, к 2023 году).
Рассылка по модели вероятности оттока: клиентам с высоким риском — скидка на любимый бренд
Что показывает матрица перехода между сегментами
Возьмем условный магазин товаров для дома. Для простоты объединим все его RFM-сегменты в четыре группы покупателей:
Группа
Условие
Ядро
Последняя покупка не более 60 дней назад, не менее трех заказов и 10 000 ₽ за последние 365 дней
Активные
Последняя покупка не более 60 дней назад, условия ядра не выполнены
Риск
Последняя покупка 61–120 дней назад
Неактивные
Последняя покупка более 120 дней назад
Это учебная модель с фиксированными условиями: в реальном бизнесе сегментов обычно больше. Рассматриваем только покупателей с хотя бы одним заказом, а статусы заказов и правила расчета сегментов одинаковы на обе даты.
Автоматическая RFM-сегментация в Mindbox считает покупки за 365 дней и пересчитывает границы сегментов каждый день. Ее сегменты не совпадают с учебными группами из этого примера.
Матрица показывает, в каких группах находились одни и те же покупатели в начале и конце 90-дневного периода. По строкам — группа в начале периода, по столбцам — в конце
Было / Стало
Активные
Ядро
Риск
Неактивные
В начале
Активные
2 400
550
2 200
850
6 000
Ядро
250
1 400
300
50
2 000
Риск
600
40
900
1 460
3 000
Неактивные
450
10
0
8 540
9 000
В конце, из исходной базы
3 700
2 000
3 400
10 900
20 000
Покупателей, впервые сделавших заказ в течение периода, учитываем отдельно. Например, еще 1 800 новых покупателей не входят в эту матрицу, потому что на начальную дату их не было среди покупателей. Их последующее развитие анализируется своей когортой — группой покупателей с общим стартовым событием, здесь первым заказом.
Из таблицы получаем четыре наблюдения:
1. 70% исходного ядра находятся в нем и на конечную дату: 1 400 из 2 000. Остальные 600 перешли в другие группы. Из них 250 остаются активными, а 350 оказались в риске или среди неактивных. Это разные задачи: проверить, за счет чего перестали выполняться условия ядра, и изучить увеличение давности покупки. При скользящем расчетном окне часть прежних заказов могла просто перестать учитываться в частоте и сумме покупок.
2. Размер ядра сохранился благодаря притоку 600 покупателей. Из них 550, или около 92%, пришли из активных. Это основной источник пополнения ядра. Следующий вопрос — у каких активных покупателей можно дополнительно увеличить частоту или сумму покупок с приемлемыми затратами.
3. Из риска в активные группы перешли 640 человек — 21,3%. Здесь считаем активных и ядро вместе. Показатель описывает конечное состояние, а не все покупки за период.
4. Из неактивных в активные группы перешли 460 человек — 5,1%: 450 в активные и 10 в ядро. Для этой группы можно исследовать, что происходит после возвращения.
Диагональ тоже требует внимания: 900 покупателей были в риске на обе даты. Без единой покупки за 90 дней их давность выросла бы минимум с 61 до 151 дня, и они оказались бы в неактивных. Значит, при этих правилах и полных данных эти люди все же покупали внутри периода, но к концу периода снова оказались в риске. Например, на старте R = 80 дней, через 10 дней клиент покупает, а до конца периода проходит еще 80, поэтому итоговый R снова в зоне риска.
Одинаковый сегмент на двух датах не означает, что между ними ничего не произошло. Матрица помогает найти направление исследования, а последовательность покупок восстанавливаем по заказам.
Какую коммуникацию запускать, решаем после оценки поведения, доступной аудитории и экономики.
В ECCO RFM-анализ показал, что база растет, а ядро — самый ценный сегмент — сокращается. Команда сосредоточилась на ядре: удерживала клиентов в нем и пополняла его за счет перспективных сегментов, ближе всех стоящих к переходу в ядро. За 9 месяцев выручка с клиентской базы выросла на 85%, а выручка самого ценного сегмента — на 35,5% (сентябрь 2023 — май 2024 к тому же периоду годом ранее). Рост общей базы скрывал сокращение ядра, и приоритет определили по сегментам.
Путь клиента в ECCO: от новичка без покупок через первую покупку к регулярным. Каждый переход — отдельная задача коммуникации
Как собрать матрицу переходов в Mindbox
Для матрицы нужны история заказов по каждому покупателю и одинаковые правила расчета сегментов в начале и в конце периода. Сама матрица сопоставляет сегменты только на две даты: если нужны промежуточные переходы или повторные входы в сегмент внутри периода, одной матрицы недостаточно ― понадобится история событий или более частые снимки.
В Mindbox история заказов хранится в профиле клиента, а группы из примера собираются как пересчитываемые сегменты по условиям: давность последнего заказа, число и сумма заказов за период.
Пересчитываемые и статические сегментации по клиентам хранят историю попаданий в сегмент и выходов из него, а реалтаймовые состав не сохраняют. Фильтр по истории отбирает клиентов, которые входили в сегмент на указанную дату. Например, условие «входил в сегмент «Неактивные» в начале периода и в сегмент «Активные» или «Ядро» в конце» отбирает 460 клиентов из таблицы выше: так считается каждая ячейка матрицы.
Фильтр по истории в Mindbox: клиенты, которых не было в сегменте на начало периода и которые были в нем на конец. Для ячейки матрицы условия строятся так же, только по двум разным сегментам
Размер сегментов по месяцам показывает отчет по сегментам в разделе «Аналитика»: в него добавляют RFM-сегменты и свои сегменты и смотрят динамику клиентской базы по выбранной метрике, например числу клиентов или выручке.
Отобрать вернувшихся покупателей и посчитать базовую конверсию
В матрице мы увидели 460 покупателей, которые были неактивными на начальную дату и активными на конечную ― это основание исследовать покупки после возвращения. Чтобы их изучить, формируем другую аудиторию: событийную когорту по истории заказов, независимо от конечного сегмента.
Возвратом считаем первый учитываемый заказ после паузы больше 120 дней; для каждого покупателя берем только первый подходящий возврат в выбранном квартале ― после него может быть несколько заказов, но в когорту человек попадает один раз. Когорту отбираем по истории заказов, а не по сегменту на начальную дату: в нее войдет и покупатель, который был в риске, затем превысил 120 дней без покупки и вернулся. Поэтому размер когорты не обязан совпадать со строкой матрицы.
Допустим, в историческом квартале (не в том, по которому построена матрица) таких уникальных вернувшихся нашлось 1 000. Чтобы проанализировать их следующую покупку, берем период, за который для каждого уже доступны полные 90 дней после возвратного заказа.
Разложим когорту по шагам отбора до аудитории будущего сценария:
Шаг отбора
Условие
Покупатели
Событийная когорта
Первый заказ после паузы более 120 дней, один возврат на покупателя за квартал
1 000
Подходящая категория
В возвратном заказе есть расходники выбранной категории
500
Аудитория стратегии сопровождения
На момент возвратного заказа есть подходящий контакт и разрешение на выбранный канал
400
Результат за 90 дней
Среди этих 400 человек следующую покупку выбранной категории сделали 72
72
Базовая конверсия для дальнейших расчетов — 72 / 400 = 18%. Ее считаем среди покупателей, которые соответствуют условиям будущего эксперимента, за 90 дней от возвратного заказа. Остальных вернувшихся в этот знаменатель не включаем.
Для сравнения: у покупателей без длительного перерыва, отобранных по той же категории и доступности канала, конверсия после сопоставимого исходного заказа почти вдвое выше ― 34%. Эта разница подсказывает направление для исследования, но не объясняет его причину: у групп разные истории покупок и могут различаться потребности.
Дальше работаем только с этими 400 доступными покупателями: экономику и эксперимент связываем с условиями их отбора.
Найти следующую потребность клиента
Мы выделили 500 покупателей, вернувшихся с заказом расходников, из которых 400 доступны в выбранном канале. Товарная категория дает основание исследовать повторное пополнение.
Прежде чем делать письмо, нужно ответить на три вопроса:
1. Когда товар обычно покупают снова? Сравниваем интервалы повторных заказов одной категории, учитываем размер упаковки и количество в корзине. Срок определяем по этим данным, а не по порогам RFM-сегментов: 90 дней ― это окно эксперимента, а не факт о скорости потребления товара. Если типичный интервал потребления превышает 90 дней, пересматриваем и горизонт оценки следующей покупки.
2. Можно ли повторить заказ? Проверяем наличие товара и возможность предложить замену. Если нет ни того, ни другого, напоминание не отправляем: сообщение о недоступной позиции не решает задачу покупателя, а только тратит коммуникационный ресурс впустую.
3. Какое сопровождение уже работает? Если такое напоминание уже отправляется после любого заказа, новая цепочка для вернувшихся рискует задвоиться с ней. Тогда не добавляем сценарий, а донастраиваем текущий: меняем предложение, смещаем момент отправки или уточняем условия.
Допустим, в нашем примере повторное пополнение этой категории обычно укладывается в 90 дней, нужные товары доступны, а действующее сопровождение не содержит такого напоминания. Тогда проверяем гипотезу: своевременное предложение повторного заказа увеличит долю следующей покупки после возвращения. Гипотеза касается именно действия, причину низкого возврата она не объясняет.
У реактивации задача другая ― вернуть клиента, который давно не покупал. Человек сам пришел за повторной покупкой: нужно закрыть его следующую потребность.
В «Аудиомании» покупатели музыкальной техники возвращаются в среднем раз в пять лет, поэтому в базе быстро копятся неактивные: рассылки им портят метрики канала и тратят ресурс команды. Компания очистила базу от неактивных контактов и запустила новые автоматические сценарии. Через год отправок стало вдвое меньше, а выручка email-канала выросла на 26,5%. Интервал между покупками определил, кому писать: при цикле в несколько лет неактивных клиентов исключают из рассылки.
Первое реактивационное письмо «Аудиомании» с промокодом на скидку 10% для давно не покупавших клиентов (фрагмент). Open rate — 12,2%, click rate — 11,8%
Превратить задачу в сценарий
Содержание письма строим вокруг нового заказа: что купили и что логично докупить сейчас. Фраза «вы давно у нас не были» для такой задачи не подходит ― она напоминает об отсутствии, а не предлагает конкретное действие. Собрать такой сценарий и проверить его может сам CRM-маркетолог ― ниже черновик, с которого можно начать.
Элемент
Решение для теста
Участники стратегии
Покупатели расходников, вернувшиеся после паузы больше 120 дней; на момент заказа есть подходящий контакт и разрешение на выбранный канал
Момент включения
Сразу после возвратного заказа (первого заказа клиента после паузы больше 120 дней) ― в этот момент распределяем его в тест или контроль
Задача
Увеличить долю следующей покупки выбранной категории за 90 дней от возвратного заказа
Основание для отправки
Система знает дату ожидаемой повторной покупки (из фида или допполя заказа) и отправляет напоминание, когда эта дата приближается
Содержание
Что купили, в каком объеме, и товар для повтора ― в наличии или ближайшая замена
Действие
Повторить заказ в один клик; если товара нет ― выбрать замену
Условие отмены напоминания
Если до отправки покупатель уже сделал новый заказ той же категории, напоминание не отправляем, но из эксперимента его не исключаем
Проверка давления
Напоминание не должно дублировать действующий сценарий или конфликтовать с более приоритетными сообщениями
У сценария четыре принципа настройки:
1. Без скидки на старте. Первый вариант проверяем без скидки ― гипотеза касается только своевременности и удобства повтора. Скидку, если нужна, тестируем отдельно: так видно, за что платим.
2. Действие меняется вместе с проблемой. Например, покупатели сообщают, что не смогли начать пользоваться товаром ― тогда нужен путь к инструкции или поддержке. Такой сигнал обязательно передаем в работу, одной записи в отчете об опросе недостаточно.
3. Включение ― не то же самое, что отправка. В эксперимент покупатель входит сразу после возвратного заказа. Напоминание отправляем позже и только тем, кто еще не купил и доступен в канале. Ранняя покупка отменяет отправку, но не исключает человека из расчета результата.
4. Используем только то, что известно на момент решения. Для включения ― пауза, состав заказа, разрешение; для отправки ― дополнительно отсутствие нового заказа. Нельзя заранее отобрать тех, кто купит позже 90 дней ― иначе в настройку попадет информация из будущего.
Оценить стоимость гипотезы
Прежде чем тестировать гипотезу, посчитаем, во что она обойдется и сколько может принести.
Поток участников. Оценим будущий квартал по тем же правилам, по которым считали историческую аудиторию:
- 1 000 уникальных покупателей совершат первый подходящий возврат;
- 50%, или 500 человек, вернутся с покупкой расходников выбранной категории;
- 80% из них, или 400 человек, будут иметь подходящий контакт и разрешение на выбранный канал на момент заказа.
Именно эти 400 человек ― плановая аудитория стратегии. Фактических получателей напоминания будет меньше: часть купит до отправки.
Ожидаемый эффект. Предположим, стратегия поднимет долю следующей покупки выбранной категории с 18% до 23% за 90 дней от возвратного заказа ― то есть на 5 п. п. Эффект считаем на всех участников стратегии, независимо от того, получили они письмо на самом деле или нет.
Расчет. При средней марже дополнительного заказа 3 000 ₽ дополнительная маржа со сценария:
1 000 вернувшихся × 50% с расходниками × 80% доступных в канале × 5 п. п. прироста × 3 000 ₽ маржи = 60 000 ₽
То есть 400 участников × 5 п. п. = 20 дополнительных покупателей; 20 × 3 000 ₽ = 60 000 ₽
Расчет предполагает, что каждый покупатель, пришедший благодаря напоминанию, делает один заказ с такой маржой. Сами 5 п. п. ― плановое допущение: экспериментом оно пока не подтверждено, и относится ко всей стратегии, включая правило отмены напоминания при ранней покупке. Это оценка для одной квартальной когорты: деньги могут прийти позже календарного квартала, потому что у поздно включенных покупателей 90-дневное окно заканчивается уже после него.
Что вычесть. Из суммы вычитаем расходы на отправки (по ожидаемому числу фактических сообщений), разработку и поддержку сценария. Если позже тестируем скидку, учитываем ее влияние на маржу заказов, к которым она применена, ― включая покупки, которые состоялись бы и без скидки.
Расчет задает масштаб допустимых затрат. Для потока в 400 участников на квартал сначала стоит проверить простое изменение существующего сценария: сложная персонализация с несколькими каналами потребует другого экономического обоснования.
В М.Видео массовые акции окупались на 80%: с каждого вложенного рубля компания получала 80 копеек. Офферы по RFM-сегментам подняли окупаемость до 124%, а когда оффер стали получать только клиенты, которые без скидки не купили бы, — до 208%. Подстройка размера оффера под маржинальность товара довела ее до 248% за полтора года. Первые два шага сузили охват с 79,5 до 12,5 млн клиентов: скидка доставалась тем, кому она нужна.
Размер бонусного оффера в М.Видео зависит от RFM-сегмента: бывшим лояльным — 2000 бонусов, а сегменту «Требуют внимания», где часть клиентов покупает сама, — 500
Проверить, хватит ли аудитории, чтобы измерить результат
Сохраняем ту же аудиторию и тот же момент отсчета, что использовали для базовой конверсии и прогноза, и смотрим, сколько человек и сколько времени понадобится на эксперимент.
Элемент дизайна эксперимента
Правило
Участники
Берем покупателей расходников нужной категории, которые вернулись после паузы больше 120 дней и на момент заказа доступны в выбранном канале
Распределение
Распределяем случайно, сразу после возвратного заказа, поровну на тест и контроль
Контроль
Оставляем действующее сопровождение заказа без изменений
Тест
Добавляем к сопровождению напоминание с отменой при ранней покупке
Основная метрика
Смотрим на следующую покупку выбранной категории за 90 дней от возвратного заказа
Экономика
Считаем маржу на участника за тот же срок, с учетом дополнительных расходов
Учет результата
Учитываем всех распределенных участников ― независимо от отправки, открытия или клика
Повторное включение
Включаем каждого покупателя в этот эксперимент только один раз
Сколько нужно наблюдений
Чтобы обнаружить рост конверсии с 18% до 23% (двусторонний тест, уровень значимости 5%, мощность 80%):
- выборка ― 1 020–1 023 человека в каждой группе в зависимости от формулы, то есть 2 040–2 046 суммарно. Это приближенный расчет для двух независимых долей; выборку для маржи считаем отдельно;
- срок набора ― при потоке 400 новых подходящих участников за квартал набор займет 5,1 квартала (2 046 / 400), плюс ожидание 90-дневного окна у последних участников;
- условие ― расчет верен только при стабильном потоке: повторные входы уже включенных покупателей выборку не увеличивают.
Для такой узкой группы самостоятельный быстрый тест нереалистичен. Есть три выхода:
- проверить общий механизм на более широком потоке после любого заказа, сохранив историю возврата как отдельный признак для анализа;
- объединить аудиторию нескольких сопоставимых брендов;
- принять простое недорогое изменение без эксперимента ― то есть без заявления о доказанном приросте.
При расширении аудитории заново оцениваем ее базовую конверсию и нужную выборку: результат теста на расширенной аудитории относится к ней целиком и не доказывает эффект отдельно для небольшой группы вернувшихся. Выбирать больший ожидаемый эффект только ради короткого теста нельзя.
Что показывает этот дизайн, а что нет
Такой дизайн оценивает пользу от добавления стратегии напоминания к действующему сопровождению. Если нужно сравнить два варианта письма ― меняем дизайн. Если нужно оценить все сопровождение целиком, относительно его отсутствия, ― нужна другая контрольная группа, с сохранением обязательных сервисных сообщений.
Ранняя следующая покупка учитывается как результат и в тесте, и в контроле, даже если напоминание еще не отправлено: так сравнение остается честным. Если считать только получивших письмо или только кликнувших, логика сравнения нарушится.
Открытия и клики показывают реакцию на сообщение, но не результат: результат ― покупка или ее отсутствие. Кроме ближайшего 90-дневного окна полезно смотреть и более длинное наблюдение: так можно отличить ускорение покупки от роста.
В «Много лосося» эффект CRM-канала измеряют глобальной контрольной группой — это 5% клиентов, которые не получают рассылок, а каждую новую кампанию проверяют локальной контрольной группой. Если механика рассчитана на небольшой сегмент, участников делят 50% на 50%, чтобы быстрее получить результат, в остальных случаях — 90% на 10%.
Участники контрольной группы не получают других рассылок, кроме сервисных: иначе результат теста будет недостоверным. Если по итогам теста виден прирост, контрольную группу отключают, и кампания работает на всю аудиторию.
В декабре 2024 года дополнительные заказы из CRM-канала, то есть те, что без рассылок не появились бы, составили 7,92% от всех заказов.
Какие еще коммуникации можно найти в переходах между RFM-сегментами
Тот же порядок действий применим и к другим переходам между сегментами ― меняются только поведение, которое хотим поддержать, и основание для сообщения.
Переход или событие
Задача для исследования
Возможное действие
Первая покупка, второй пока нет
Помочь получить пользу и увидеть подходящий следующий шаг
Помогаем начать пользоваться товаром и напоминаем, что докупить сейчас или когда повторить заказ, если товар расходуется
Ядро → риск
Выяснить, почему увеличился интервал регулярных покупок
Упрощаем повтор заказа, проверяем наличие привычного товара. Если причина в другом ― устраняем то, что мешает повторной покупке
Активные → ядро
Найти, какие покупки приводят клиентов из активных в ядро
Предлагаем подходящие категории и товары, повторяем то, что уже сработало
Неактивные → активные
Поддержать следующую покупку после возвращения
Сопровождаем новый заказ и напоминаем о повторной покупке, когда товар должен закончиться
Это перечень направлений для проверки, а не обязательный набор новых рассылок. Если при разборе покупок и обращений выяснилось, что клиентам мешает отсутствие нужного товара или нерешенная проблема с заказом, сначала устраняем причину. И только после этого коммуникация может вернуть к покупке: сообщить о поступлении товара ― если дело было в отсутствии, или подтвердить решение проблемы ― если дело было в заказе.
Что дает метод CRM-маркетологу
Анализ переходов связывает структуру клиентской базы с выбором конкретной работы, и у каждого шага ― свой инструмент. Матрица показывает поток, история покупок ― что происходит внутри него, а проверка контекста помогает выбрать само воздействие. Экономика и дизайн эксперимента завершают цепочку: они определяют, сколько ресурсов оправданно вложить и как оценивать результат.
В нашем примере вместо задачи «обновить рассылки активным» появилась конкретика ― проверить сопровождение следующей покупки расходников у вернувшихся после долгой паузы. Для этого определили:
- аудиторию и основание для отправки;
- содержание и условия остановки;
- ожидаемую маржу и нужный размер выборки.
Метод помогает обосновать, кому, в какой ситуации и зачем отправлять сообщение, и заранее понять, стоит ли его запускать.
Часто задаваемые вопросы
Что такое когорта клиентов?
Когорта клиентов — группа покупателей, которых объединяет общее событие, например первый заказ или возврат после перерыва. Когорту отбирают по истории заказов и анализируют отдельно от остальной базы.
В учебном примере статьи возвратом считается первый заказ после перерыва более 120 дней, и каждый покупатель входит в когорту один раз за квартал. Таких вернувшихся набралось 1 000: 500 из них вернулись с заказом расходников выбранной категории, и 400 из этих 500 доступны в выбранном канале. Именно эти 400 покупателей становятся аудиторией сценария напоминания.
Как отслеживать переходы между RFM-сегментами?
Для этого строят матрицу переходов — таблицу, в которой строки показывают сегмент клиента в начале выбранного периода, например квартала, столбцы — в конце, а в ячейках стоит число клиентов. Правила расчета сегментов в начале и в конце периода должны совпадать.
В учебном примере из 3 000 клиентов в риске (последняя покупка 61–120 дней назад) за 90 дней 640 перешли в активные группы, это 21,3%. Из 9 000 неактивных (последняя покупка более 120 дней назад) вернулись 460 человек, или 5,1%. Такие потоки показывают, откуда пополняются активные группы. В Mindbox состав сегмента на указанную дату отбирает фильтр по истории: он работает для пересчитываемых и статических сегментаций по клиентам.
Как строятся сами RFM-сегменты, подробно разобрали в статье.
Как рассчитать размер выборки для АВ-теста?
Для расчета нужны базовая конверсия, ожидаемая конверсия, уровень значимости (допустимый риск принять случайную разницу за эффект) и мощность (вероятность заметить реальный рост).
Чтобы заметить рост конверсии с 18% до 23% при уровне значимости 5% и мощности 80% в двустороннем тесте (отклонение учитывается в обе стороны), нужно 1 020–1 023 человека в каждой группе в зависимости от формулы, то есть 2 040–2 046 суммарно.
При потоке 400 подходящих участников за квартал набор займет около 5,1 квартала, затем нужно дождаться завершения 90-дневного окна у последних участников. Размер выборки под свои цифры можно рассчитать в калькуляторе АВ-тестов Mindbox.
