# Next Best Offer: как предлагать клиенту то, что он купит с наибольшей вероятностью > Каталог из 5000 позиций, а в письме — одни и те же три хита. Разбираем, как NBO и ML находят тот самый оффер, который человек реально купит. **Рубрика:** Статьи **Дата:** 2026-07-02 У вас есть база на сотни тысяч клиентов, история покупок за пять лет и CRM, который умеет почти все. А в рассылке по-прежнему уходит один и тот же баннер «Скидка 15% на всю коллекцию». Знакомо? Проблема не в том, что скидка плохая. Проблема в том, что вы предлагаете всем одно и то же, хотя данных хватает, чтобы предложить каждому свое. Повторные продажи — это место, где разница между «продали еще раз» и «угадали, что человеку нужно» превращается в десятки процентов выручки. Именно тут на сцену выходит подход Next Best Offer. Про него много говорят, но мало кто реально доводит до рабочего сценария. Азим Вишняков, Co-founder ClientCore, разбирает механику по-честному — с цифрами и граблями. ## Next best offer что это и почему это не «просто рекомендации» Next Best Offer — это логика, которая для каждого конкретного клиента определяет, какое предложение принесет максимальную вероятность покупки прямо сейчас. Не самое маржинальное для вас. Не самое популярное в каталоге. А то, что с наибольшим шансом купит именно этот человек на текущем шаге своего пути. Разница с обычными рекомендациями тонкая, но критичная. Рекомендации отвечают на вопрос «что похоже на то, что он смотрел». NBO отвечает на вопрос «что он купит следующим». Это разные модели и разная математика. Первая опирается на сходство товаров, вторая — на поведение, частоту, жизненный цикл и предсказание следующего шага. > Самая частая путаница у клиентов: они думают, что NBO — это блок "с этим товаром покупают". Нет. У нас был кейс в косметике: блок похожих товаров давал конверсию 1,2%, а NBO, который учитывал срок дочерпывания крема и предлагал докупку за неделю до того, как баночка закончится, дал 6,8%. Один и тот же клиент, разная логика. > > — Азим Вишняков, Co-founder, ClientCore ## Откуда NBO берет уверенность: данные, без которых ничего не работает Любая модель next best offer живет на данных. И тут начинается самое скучное и самое важное. Если транзакции лежат в одном месте, поведение на сайте — в другом, а данные о возвратах вообще нигде, никакой ML не спасет. Минимальный набор, на котором уже можно строить осмысленные предложения: история заказов с датами и составом, частота и средний чек, поведение на сайте (просмотры, корзины, брошенные сессии), реакция на прошлые коммуникации и, желательно, данные о сроке потребления товара. Последнее недооценивают — а зря. Для FMCG, косметики, зоотоваров и расходников это часто главный сигнал. **Норма** - единый профиль клиента, где видно всю историю покупок и поведение - данные обновляются в near-real-time, а не раз в сутки ночным выгрузом - товарный каталог размечен по категориям, расходуемости, совместимости **Red flag** - покупки в CRM, а просмотры сайта — в отдельной аналитике без связки - сегментация только по RFM и «давно не покупал» - каталог без атрибутов, модель не понимает, что крем и тушь — разные циклы ## ML-рекомендации Mindbox: что реально делает движок Если у вас уже стоит Mindbox, половина инфраструктуры для NBO у вас под рукой. ML рекомендации Mindbox — это готовый движок, который обучается на ваших данных и выдает персональные подборки под конкретного клиента и конкретное место: письмо, попап, блок на сайте, карточку товара. Движок умеет несколько типов рекомендаций — от «популярное в категории» до персональных, основанных на индивидуальном поведении. Для NBO нас интересуют именно персональные сценарии, где модель предсказывает следующий интерес, а не просто показывает топ продаж. Коробочная модель — хороший старт, но настоящий рост дает донастройка под вашу специфику: какие сигналы важнее, как часто переобучать, какие товары исключать из выдачи. > Многие включают ML-рекомендации в Mindbox, ставят галочку "персональные" и считают, что внедрили NBO. А потом удивляются, что блок показывает то, что человек уже купил месяц назад. Мы такое чинили десятки раз — нужно добавлять правила исключения и учитывать жизненный цикл товара. Сам движок не виноват, виновата настройка по умолчанию. > > — Азим Вишняков, Co-founder, ClientCore ## Персональные рекомендации после покупки: золотое окно post-purchase Момент сразу после покупки — самый недооцененный в большинстве CRM-стратегий. Клиент только что заплатил, он лоялен, он доверяет, его внимание на пике. И что обычно происходит? Уходит сухое «Спасибо за заказ, ваш трек-номер такой-то». Все. Окно закрылось. Персональные рекомендации после покупки работают именно в этот момент, но с важной оговоркой — нельзя продавать в лоб через минуту после оплаты. Логика NBO здесь тонкая: сначала подтверждение и забота, потом — релевантное предложение в правильный момент. Купил кофемашину — через несколько дней предложи капсулы и средство для чистки. Купил корм на месяц — напомни о докупке за неделю до того, как он закончится. Это и есть суть NBO в post-purchase: не «купи еще что-нибудь», а «вот то, что тебе логично понадобится дальше». Триггерные цепочки на основе предсказания следующей потребности дают конверсию в разы выше промо-рассылок — потому что попадают в реальный момент потребности, а не в момент, когда вам захотелось продать. **Норма** - post-purchase цепочка разведена по времени: забота → польза → оффер - предложение зависит от того, что именно купили и когда закончится - NBO учитывает, что человек уже в активной фазе и не давит скидками **Red flag** - одно письмо «спасибо» и тишина на месяцы - допродажа в лоб сразу после оплаты, без паузы - предложение случайного товара из топа, не связанного с покупкой ## Как NBO двигает ARPU, а не просто конверсию письма Перестаньте мерить успех открываемостью. NBO работает на два больших рычага: повышение частоты покупок и рост среднего чека. Вместе они дают рост ARPU — выручки на клиента, а это та метрика, ради которой вообще стоит затевать всю историю с персонализацией. Механика простая. Когда вы предлагаете релевантное следующее, человек покупает чаще — потому что вы напоминаете о потребности в нужный момент. И покупает дороже — потому что NBO подбирает не самое дешевое, а оптимальное по вероятности и ценности. Грамотно настроенный движок балансирует между «что точно купит» и «что выгоднее продать», не уходя в крайности. > В одном проекте e-com электроники мы перевели post-purchase с общих промо на NBO-логику. За квартал частота повторных покупок выросла на 22%, средний чек повторных заказов — на 14%. ARPU по активной базе подрос примерно на треть. И заметьте — мы не увеличивали частоту рассылок, мы увеличили попадание. Меньше писем, больше денег. > > — Азим Вишняков, Co-founder, ClientCore ## С чего начать, если NBO еще нет Не надо сразу строить космос. Начните с инвентаризации: какие данные у вас есть, как они связаны, что умеет ваш текущий стек. Чаще всего оказывается, что 70% нужного уже лежит в Mindbox или CRM — просто не используется. Дальше выберите один сценарий, где эффект очевиден. Для большинства это либо докупка расходников по циклу потребления, либо комплементарные товары в post-purchase. Запустите, померяйте на A/B, докрутите. Один работающий сценарий приносит и выручку, и понимание, как устроена ваша база. После этого масштабировать на остальные точки контакта гораздо проще. И главное — не пытайтесь заменить здравый смысл моделью. ML отлично находит паттерны, но бизнес-правила (что не предлагать, что исключать, где притормозить с частотой) задаете вы. Связка «умная модель + понятные правила» работает лучше, чем любая из частей по отдельности. **Норма** - старт с одного измеримого сценария и честного A/B - бизнес-правила прописаны и накладываются поверх модели - регулярный пересмотр выдачи: что показываем, что исключаем **Red flag** - внедряем NBO «везде сразу» без приоритизации - полностью доверяем модели без правил исключения - меряем успех по open rate, а не по выручке и ARPU --- [Открыть статью на сайте](https://blog.clientcore.ru/articles/next-best-offer-kak-predlagat-klientu-to-chto-on-kupit-s-naibolshey-veroyatnostyu)