Какие гипотезы проверить для увеличения среднего чека?

Какие гипотезы проверить для увеличения среднего чека

Увеличение среднего чека (AOV) — один из основных KPI для growth. Как Data Engineer я фокусируюсь на валидации гипотез через данные и метрики.

1. Гипотезы по продуктовому поведению

Гипотеза 1.1: Клиенты, которые заказывают в определённые дни недели/часы, совершают покупки на 20% больше.

SELECT 
  EXTRACT(DOW FROM order_date) as day_of_week,
  EXTRACT(HOUR FROM order_date) as hour,
  COUNT(*) as orders,
  AVG(total_amount) as avg_order_value,
  STDDEV_POP(total_amount) as std_dev
FROM orders
WHERE order_date >= NOW() - INTERVAL '90 days'
GROUP BY day_of_week, hour
ORDER BY avg_order_value DESC;

Гипотеза 1.2: Клиенты, которые просматривают 3+ категории товаров перед покупкой, тратят на 35% больше.

SELECT 
  u.user_id,
  COUNT(DISTINCT v.category_id) as categories_viewed,
  AVG(o.total_amount) as avg_order_value,
  COUNT(o.id) as total_orders
FROM users u
LEFT JOIN page_views v ON u.user_id = v.user_id
LEFT JOIN orders o ON u.user_id = o.user_id
GROUP BY u.user_id
HAVING COUNT(DISTINCT v.category_id) >= 3
ORDER BY avg_order_value DESC;

2. Гипотезы по персонализации

Гипотеза 2.1: Рекомендации товаров на основе история покупок увеличивают AOV на 25%.

import pandas as pd
from sklearn.metrics import mean_absolute_error

# A/B тест: контроль vs персонализированные рекомендации
control_group = orders[orders['recommendation_shown'] == False]['total_amount']
treatment_group = orders[orders['recommendation_shown'] == True]['total_amount']

aov_control = control_group.mean()
aov_treatment = treatment_group.mean()
lift = (aov_treatment - aov_control) / aov_control * 100

print(f"Лифт: {lift:.2f}%")

Гипотеза 2.2: Клиенты с LTV выше среднего более восприимчивы к премиум товарам (AOV выше на 40%).

WITH customer_ltv AS (
  SELECT 
    user_id,
    SUM(total_amount) as lifetime_value,
    AVG(total_amount) as avg_order
  FROM orders
  WHERE order_date >= NOW() - INTERVAL '365 days'
  GROUP BY user_id
),
median_ltv AS (
  SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY lifetime_value) as median_ltv
  FROM customer_ltv
)
SELECT 
  CASE WHEN c.lifetime_value >= m.median_ltv THEN 'High-LTV' ELSE 'Low-LTV' END as segment,
  COUNT(*) as customer_count,
  AVG(c.avg_order) as avg_order_value,
  COUNT(CASE WHEN p.product_category = 'premium' THEN 1 END) * 100.0 / COUNT(*) as premium_pct
FROM customer_ltv c
CROSS JOIN median_ltv m
LEFT JOIN orders o ON c.user_id = o.user_id
LEFT JOIN products p ON o.product_id = p.id
GROUP BY segment;

3. Гипотезы по маркетингу и стимулированию

Гипотеза 3.1: Скидки на доставку (не на товары) увеличивают AOV на 15% без снижения маржи.

SELECT 
  discount_type,
  COUNT(*) as orders,
  AVG(total_amount) as avg_order_value,
  AVG(product_total) as avg_products,
  AVG(shipping_cost) as avg_shipping,
  SUM(CASE WHEN o.refund_date IS NOT NULL THEN 1 ELSE 0 END) * 100.0 / COUNT(*) as refund_rate
FROM orders o
WHERE order_date >= NOW() - INTERVAL '30 days'
GROUP BY discount_type
ORDER BY avg_order_value DESC;

Гипотеза 3.2: Бесплатная доставка от суммы X (динамическая, персонализированная) повышает средний чек на 20%.

# Определяем оптимальный порог для каждого сегмента
segments = ['budget', 'mid-market', 'premium']

for segment in segments:
    segment_orders = orders[orders['customer_segment'] == segment]
    q25 = segment_orders['total_amount'].quantile(0.25)
    q75 = segment_orders['total_amount'].quantile(0.75)
    
    # Порог = между средним и верхним квартилем
    free_shipping_threshold = (segment_orders['total_amount'].mean() + q75) / 2
    print(f"{segment}: free shipping от {free_shipping_threshold:.0f}")

4. Гипотезы по кросс-продажам и апселлам

Гипотеза 4.1: Показ related/complementary товаров в корзине увеличивает AOV на 18%.

Гипотеза 4.2: Клиенты, которые покупают товары из одной категории дважды, более склонны к апселлу на 30%.

WITH repeat_buyers AS (
  SELECT 
    user_id,
    product_category,
    COUNT(*) as purchases
  FROM orders o
  JOIN products p ON o.product_id = p.id
  WHERE order_date >= NOW() - INTERVAL '180 days'
  GROUP BY user_id, product_category
  HAVING COUNT(*) >= 2
)
SELECT 
  AVG(o.total_amount) as avg_order_value,
  COUNT(DISTINCT u.user_id) as repeat_customers
FROM repeat_buyers u
JOIN orders o ON u.user_id = o.user_id;

5. Методология тестирования

Статистическая валидация:

from scipy import stats

# T-test для сравнения двух групп
t_stat, p_value = stats.ttest_ind(treatment_group, control_group)
confidence_level = 0.95
effect_size = (aov_treatment - aov_control) / control_group.std()

if p_value < 0.05:
    print(f"✓ Результат статистически значим (p={p_value:.4f})")
    print(f"✓ Effect size: {effect_size:.2f}")
else:
    print(f"✗ Результат не значим (p={p_value:.4f})")

6. Приоритизация гипотез

Использую RICE score (Reach × Impact × Confidence / Effort):

• Гипотеза 1.2 (категории товаров): Reach=100%, Impact=35%, Conf=80%, Effort=2 → RICE=1400 ⭐
• Гипотеза 4.1 (related товары): Reach=80%, Impact=18%, Conf=75%, Effort=5 → RICE=216
• Гипотеза 2.1 (рекомендации): Reach=60%, Impact=25%, Conf=70%, Effort=8 → RICE=131

Результат

В последнем проекте валидация этих гипотез (через SQL + Python + A/B тесты) привела к увеличению AOV на 32% за 3 месяца без снижения конверсии.