Ozon не даёт селлерам прямого доступа к данным о покупателях — нет ни имён, ни телефонов, ни email. Это создаёт иллюзию, что клиентская аналитика на маркетплейсе невозможна. Но в номере каждого заказа FBO спрятан уникальный идентификатор покупателя — consumer_id. И этого достаточно, чтобы построить полноценную аналитику покупательской базы, не нарушая никаких политик платформы.
Ниже разбираем, как извлечь consumer_id из номера заказа, и какие четыре аналитические задачи можно решить с его помощью: разделение покупателей на новых и повторных, когортный retention, сегментацию базы и продуктовые когорты.
Как извлечь ID покупателя из номера заказа FBO
Номер заказа Ozon FBO состоит из двух частей, разделённых дефисом. Первая часть — это consumer_id, уникальный идентификатор покупателя. Вторая часть — порядковый номер заказа этого покупателя. Например, в номере 28165401-0071 часть 28165401 — это consumer_id, а 0071 — порядковый номер заказа.
Один consumer_id = один человек. Это не персональные данные, но этого достаточно для расчёта уникальных покупателей, новых и повторных покупателей, когортного анализа и т.д. Фактически это позволяет построить полноценную CRM-аналитику на базе маркетплейса — без какого-либо нарушения политик платформы.
Как новые и повторные покупатели влияют на динамику продаж
Первый вопрос, на который отвечает consumer_id — соотношение новых и повторных покупателей. Покупатель считается новым, если его consumer_id встречается в данных впервые. Если этот consumer_id уже фигурировал в предыдущих заказах — повторным.
Разбивая покупателей на эти две группы понедельно или помесячно, можно отследить динамику: растёт ли количество повторных покупателей, увеличивается ли их доля, стабилен ли приток новых. Идеальная картина — когда количество и доля повторных покупателей растёт, а приток новых стабилен или увеличивается. Если повторные покупатели начинают снижаться — это сигнал, что требуется когортный анализ.
Этот простой разрез отвечает на ключевой вопрос: растёт ли бизнес за счёт постоянного привлечения новых клиентов, или уже формируется ядро лояльных покупателей, которое можно масштабировать.
Как покупатели ведут себя после первого заказа
Когортный анализ позволяет измерить процент покупателей (retention), вернувшихся через 1, 2, 3 и более месяцев после первого заказа. Когорта — это группа покупателей, сделавших первый заказ в одном и том же месяце. Например, когорта января 2025 года — это все покупатели, чей первый заказ пришёлся на январь.
Результат представляется в виде тепловой карты: строки — когорты, столбцы — месяцы после первого заказа (M+0, M+1, M+2, M+3). В каждой ячейке — процент покупателей когорты, совершивших заказ в соответствующем месяце.
Когорты показывают, какая доля покупателей возвращается за повторным заказом. Снижение retention по столбцам — естественное затухание активности со временем. Снижение по строкам — более тревожный сигнал: оно означает ухудшение качества привлечения новых покупателей. Если новые когорты стабильно возвращаются хуже, чем предыдущие, проблема, вероятно, не в продукте, а в каналах привлечения.
Как меняется структура покупательской базы
Сегментация по частоте заказов за последние 90 дней показывает, какие сегменты формируют клиентскую базу и куда она смещается. Покупатели делятся на четыре сегмента: ТОП (4 и более заказов), Постоянные (2–3 заказа), Новые (1 заказ) и Спящие (0 заказов за 90 дней).
Сравнение двух дат — например, на 31 января 2025 и на 30 апреля 2025 — позволяет увидеть, как меняется структура базы. Например, если сегмент ТОП сокращается (−4%), а Новые растут (+31%) — это может говорить о том, что бизнес активно привлекает новых клиентов, но недостаточно эффективно удерживает самых ценных.
Рост сегмента Спящих (+16%) — ещё один важный сигнал. Он показывает, что часть покупателей, которые ранее заказывали, перестала возвращаться. Это может быть связано с конкуренцией, снижением удовлетворённости товаром или отсутствием повода для повторной покупки. Отслеживание сегментов в динамике позволяет вовремя заметить проблему и скорректировать стратегию.
Как понять, возвращаются ли покупатели после промо-наборов
Промо-наборы часто используются как входной товар — способ привлечь нового покупателя за счёт выгодной цены. Но главный вопрос — не сколько наборов продано, а что происходит после: возвращается ли покупатель и что он покупает?
Продуктовые когорты позволяют измерить, какая доля покупателей входного товара (промо-набора) возвращается за повторными покупками и каких товаров через 1, 2, 3 и более месяцев. Анализ строится в виде таблицы, где строки — товары, а столбцы — месяцы после покупки набора (M+1, M+2, M+3 и т.д.).
Рассмотрим пример для набора, содержащего Товар A, Товар B и Товар C с экономией 50%. Таблица показывает, какой процент покупателей, купивших этот набор, в следующие месяцы покупает каждый из товаров отдельно. Товары A, B и C — это компоненты набора, а Товары D и E — другие товары из ассортимента, которые покупатель может приобрести дополнительно.
Если компоненты набора (A, B, C) показывают высокий retention (18–20% в M+1), значит, набор справляется со своей задачей — покупатель пробует товар и возвращается за ним отдельно. Если retention по компонентам низкий, набор привлекает «охотников за скидками», которые не конвертируются в постоянных клиентов. Товары D и E показывают потенциал кросс-продаж: если их retention заметен, набор работает как точка входа в более широкий ассортимент.
Что с этим делать
Consumer_id — это не теоретическая возможность, а практический инструмент, который доступен каждому селлеру на Ozon FBO. Достаточно выгрузить данные о заказах, извлечь первую часть номера до дефиса — и появляется возможность построить четыре аналитических отчёта, которые описаны в этой статье.
Разделение на новых и повторных покупателей показывает, за счёт чего растут продажи. Когортный retention измеряет, насколько эффективно покупатели возвращаются. Сегментация базы даёт срез текущего состояния. А продуктовые когорты отвечают на вопрос, работают ли промо-механики на долгосрочную лояльность.
Вместе эти четыре инструмента превращают обезличенный идентификатор в полноценную CRM-аналитику на маркетплейсе — без персональных данных и без нарушения политик платформы.
