E‑чеки, которые продают:
+22% заказов и +13% к среднему чеку

Во многих торговых сетях стало привычным получать обогащенные e‑чеки — электронные чеки с персональными предложениями, статусом накоплений из программы лояльности и другими механиками, создающими ценность для клиента. 

По результатам клиентов Upmetric e‑чеки приносят торговым сетям десятки миллионов рублей дополнительной выручки при ROI в тысячи процентов. В статье мы покажем, как именно е-чек влияет на ключевые метрики лояльности и бизнеса в целом — повторные заказы, ARPU, и, как следствие, — на рост доходов.

Возможности 100%-ой идентификации покупателей в ecom и в рознице, позволяют Upmetric максимально точно измерять влияние е-чеков на выручку. Нам известен каждый покупатель, который открыл е-чек, и то, как он ведет себя дальше (включая офлайн покупки). Чтобы замерить реальную ценность канала, мы используем свою методику и хотим показать, чем она отличается от привычной логики last click.

Для бизнеса персонализированные (или обогащенные) e‑чеки — точка контакта с высокой вовлеченностью покупателей.

В одном из проектов нам удалось сравнить поведение покупателей, получающих персонализированные e‑чеки, с теми, кто продолжал получать стандартные чеки ОФД в рамках одного и того же бизнеса и периода времени.

Такое сравнение позволило максимально чисто и точно оценить, как персонализированный контент в чеке влияет на поведение покупателей. 

Мы посчитали показатель средней выручки на одного потребителя и получили следующие результаты:


Сравнение показало, что у пользователей, которые получили и открыли обогащенный e‑чек вместо стандартного, ARPU оказался выше на 15%. Такой результат хорошо иллюстрирует, как персонализированный контент в чеке увеличивает выручку.

Дальше в статье мы покажем, что такие эффекты можно измерять системно — уже без привязки к конкретному кейсу, с помощью нашей методологии.   

Чаще всего на старте e‑чек пытаются оценивать по тем же правилам, что и классические performance‑каналы: смотрят на last‑click — последний клик перед заказом. Если клиент не перешел по ссылке в е-чеке и не купил сразу, может показаться, что чек «не сработал» и не принес денег.

В реальности путь клиента устроен иначе:

Между открытым чеком и повторной покупкой может пройти много времени, особенно в категориях с дорогими и «неспешными» покупками. В классических last‑click‑отчетах этот отложенный вклад e‑чека остается незаметным. 

Кроме того, у модели оценки через last‑click есть свои ограничения:

• Часть переходов не фиксируется из‑за нестабильного интернета.
• Короткая жизнь cookie ограничивает окно анализа. 
• Эффект часто считают по размещенным заказам, при этом около 30% из них — не выкупаются.
• В last‑click-подходе невозможно исключать отдельные группы покупателей, что делает результаты менее «чистыми». Важно удалять из расчетов, например, юрлица, так как е-чеки не предназначены для работы с b2b-клиентами. 

Поэтому для e‑чеков нужен более точный способ оценки, который снимает вышеназванные искажения.

Суть подхода: мы делаем несколько срезов аналитики, чтобы собрать общую картину и не потерять важные детали.

Считаем заказы, которые оформляются после кликов из чеков, в том числе с учетом ROPO‑сценариев (когда человек изучает товар онлайн, а покупает в офлайн-магазине). 
Мы можем задать любое транзакционное окно с учетом длительности принятия решения о повторной покупке, не упираясь в срок жизни cookie, как это происходит, например, в Яндекс.Метрике. В этом срезе аналитики также исключаются юрлица и крупные чеки для максимально честного расчета.   

Оценка Post‑click‑эффекта позволяет учесть больше заказов, чем стандартный last‑click в веб‑аналитике и дает более точную и полную картину вклада e‑чеков в выручку.

Причислять все Post-view-деньги только влиянию е-чека было бы неверно. Поэтому мы считаем именно прирост выручки от группы тех клиентов, которые смотрели чеки.

Механика такая:

- Исключаем из оценки покупателей, которые кликали по электронному чеку.
- Оставшихся пользователей делим на группы: «увидели» / «не увидели» обогащенный е-чек.
- Анализируем, насколько чаще те, кто увидел как минимум один чек, возвращаются за покупками в выбранный период (чаще всего месяц), по сравнению с теми, кто е-чек не открывал.

Что показывает оценка Post‑view Uplift:

Это значит, что аудитория, которая просматривает обогащенные e‑чеки, в среднем дает ритейлеру больше выручки, чем те, кто чеки игнорирует.

Возникает вопрос: а вдруг это просто более лояльные клиенты, которые и без обогащенных e‑чеков покупали бы чаще? Просто именно они открывают электронные чеки. Чтобы разобраться, строим особый срез отчета. Он служит не для того, чтобы посчитать деньги в абсолютном значении, а для того, чтобы проверить гипотезу именно о влиянии е-чеков.

Все пользователи разбиваются на части по принесенной выручке за ретроспективный период 90 дней. Затем перед сравнением пользователи балансируются: и в открывших, и в не открывших е-чеки — набирается одинаковое количество пользователей из каждой части по выручке.

Таким образом, в каждой группе мы берем пользователей, которые принесли одинаковое количество денег — до факта просмотра чека, — и проверяем, что с ними происходит дальше, после состоявшегося у части из них факта просмотра.
Что показывает проверка:

Этот срез аналитики подтверждает, что разница в доходе связана именно с e‑чеками: даже при равной исходной выручке «открывшие» все равно приносят ритейлеру больше денег.

В сумме Post‑click и Post‑view Uplift дают самое точное понимание о том, какие объемы выручки приносят электронные чеки.

Также существуют и другие срезы отчетов. Так для клиентов с небольшим объемом заказов неверно считать помесячный Post-view uplift из-за высокого влияния случайных колебаний. В этом случае применяется сравнение ARPU по группам активно и неактивно открывающих е-чеки за весь период проекта.

Результат такого подхода:

Это означает, что даже при небольшом объеме заказов, e‑чеки увеличивают среднюю выручку на пользователя и остаются значимым драйвером дохода. 
В качестве вывода стоит отметить, что при любой методологии расчета ROI e‑чеков получается очень высоким: при эффекте в миллионы или десятки миллионов рублей (в зависимости от размера бизнеса) и текущей стоимости решения канал окупается кратно. 

• Комплексный подход к аналитике и 100%-ая идентификация покупателей делает е-чек прозрачным каналом привлечения дополнительной выручки. Это не технический хвост после покупки, а канал, который приносит деньги — и мы знаем, как их посчитать.  

• Часть эффекта от e‑чеков почти всегда отложена во времени. Потому бизнесу критично владеть рычагами оценки канала с учетом реального пути клиента, оцифровывать каждый этап взаимодействия и видеть вклад в итоговую выручку.

• Аудитория, которая открывает обогащенные чеки, возвращается за покупками заметно чаще. Цифры говорят о том, что вовлекающие механики в е-чеке значимо влияют на выручку.

• Гипотеза о том, что «е-чеки открывают просто более лояльные клиенты» — не подтвердилась. При анализе мы выравниваем группы клиентов по исходной выручке и видим разницу по частоте повторных покупок и выручке на одного клиента именно после открытия обогащенного е-чека. 

• Доход от е-чеков в разы больше затрат на них. Даже консервативный расчет показывает, что при относительно небольшой стоимости решения e‑чеки приносят гораздо большую выручку. 

Если упростить выводы до одной мысли, e‑чек — это инструмент с понятной и измеримой бизнес‑ценностью, влияющий на ключевые факты роста бизнеса: лояльность, возвращаемость, средний чек и — в итоге, рост дохода.

Как же усилить эффект e‑чеков? На результат в первую очередь влияют:

• увеличение доли покупателей, которые получают e‑чеки;
• высокий Оpen Rate e‑чеков;
• персонализация контента и корректное ранжирование офферов внутри чека.

Именно для этого мы внедряем продукт по AI‑персонализации контента: он распределяет предложения в чеке таким образом, чтобы усиливать вовлеченность и увеличивать доход ритейлера.