Персонализация лояльности в HoReCa: почему единые правила для всей базы гостей больше не работают

Большинство программ лояльности в общественном питании построены на едином правиле, если гость не приходил определённое количество дней, ему автоматически отправляется скидка или напоминание. Этот подход пришёл из ритейла, где частота покупок у разных покупателей отличается не так сильно, и хорошо прижился в CRM-системах для розницы.

В ресторанном бизнесе эта логика ломается. Ресторан — не супермаркет, куда ходят каждую неделю по необходимости: частота визитов зависит от бюджета гостя, его привычек, культурного контекста и желания разнообразия, а не от заранее заданного цикла покупок. Если задать единый порог в две-три недели, часть аудитории, для которой месяц без визита — норма, получит предложение слишком рано и просто проигнорирует его как нерелевантное. Если сдвинуть порог на месяц, часть более активных гостей, которые уже начали снижать частоту визитов, будет упущена — сигнал придёт слишком поздно, когда привычка уже переключилась на конкурента.

Это не ошибка настройки, а системное ограничение самого подхода, любой единый порог для сегмента HoReCa — компромисс, который одинаково плохо описывает поведение разных типов гостей.

Аналитика: три разные бизнес-задачи маскируются под одну метрику «возврат клиента»

На практике управление лояльностью в ресторане решает не одну задачу, а как минимум три, и у каждой своя логика:

1. Возврат ушедших гостей — тех, кто перестал появляться и, судя по поведению, переключился на другое заведение.
2. Удержание постоянных гостей, которые пока не пропали, но уже показывают признаки снижения активности: сокращается частота визитов, средний чек, доля привычных позиций в заказе.
3. Активация спящих и редких покупателей, которые покупают в разы реже постоянных клиентов, но статистически имеют высокую вероятность увеличить частоту при релевантном предложении.

Классические маркетинговые отчёты обычно усредняют эти три группы в одну метрику «конверсия рассылки», из-за чего теряется понимание, какой именно сценарий реально работает, а какой просто совпадает с общим потоком визитов.

Персонализация в лояльности строится не на мотивации, а на её поиске

Ключевое отличие моделей персонализации, основанных на машинном обучении, от классических правил рассылки — в исходной посылке. Классический подход пытается создать у гостя мотивацию вернуться через скидку. ИИ-модели, анализируют историю посещений и транзакций и ищут гостей, у которых мотивация посещать рестораны определённого типа уже существует как часть образа жизни, и стараются удержать их именно у конкретного бренда, а не переключить на новую привычку.

Разница принципиальна с точки зрения экономики программы лояльности, если у гостя устойчивый бюджет на рестораны в 15–20 тысяч рублей в месяц, никакая персонализация не увеличит эту сумму до 40 тысяч, за исключением ситуативных случаев вроде дня рождения. Реалистичная цель модели — не рост общих трат гостя на категорию, а перераспределение этих трат в пользу конкретного заведения.

Как это работает технически: от усреднённого профиля к индивидуальным параметрам 

На платформе SWiP, где реализован такой подход, ресторан может начать с усреднённого профиля, сформированного на основе статистики сотен подключённых заведений категории «ресторан» — система задаёт базовые пороги активности по умолчанию. Для более точной настройки доступна калибровка на уровне отдельных параметров: по данным платформы, глубина настройки достигает порядка 58 показателей, которые можно откорректировать совместно с оператором на этапе запуска, например, если бизнес точно знает, что его постоянный гость посещает заведение раз в два месяца, а не раз в две недели.

Точность прогноза модели напрямую зависит от объёма накопленных данных: по нескольким транзакциям гостя за пару месяцев модель делает менее уверенные предсказания, чем по истории визитов за полгода-полтора года. Персонализация в таких системах распространяется не только на факт отправки предложения, но и на момент его получения (например, гостю, регулярно приходящему на бизнес-ланч, предложение может прийти за пару часов до обеда), содержание (любимое блюдо или категория меню) и объём предложения (одна или несколько позиций в чеке, в зависимости от профиля трат гостя).

Результат и как его измерять

По аналитическим данным SWiP, ручная рассылка «всем» на определённой базе давала около 30 покупок на 1000 отправленных сообщений, тогда как персональная модель на той же базе и в том же канале — до 350 покупок на 1000. Это результат конкретного тестирования одной платформы, а не универсальный показатель отрасли, и он не может быть автоматически перенесён на любой бизнес без учёта размера базы, отраслевой специфики и качества исходных данных.

Для оценки эффекта персонализации в лояльности индустрии стоит ориентироваться не на охватные метрики (открытия push, доставленные сообщения), а на прямую связку кампании с покупкой: долю гостей, совершивших покупку в заданный период после получения предложения, и динамику среднего чека в сегменте, получившем персональное предложение, в сравнении с аналогичным сегментом без вмешательства.

Что это значит для индустрии

Тренд на персонализацию в лояльности HoReCa движется в сторону отказа от универсальных правил в пользу моделей, которые адаптируются под конкретного клиента и конкретный бизнес. Это меняет и роль маркетолога в ресторане: часть операционных решений о том, кому, что и когда предложить, переходит к модели, а функция человека смещается в сторону настройки исходных параметров и интерпретации результатов, какие сценарии дают эффект, а какие требуют пересмотра.

Автор: Богатырева Мария, маркетолог SWiP