Залишені кошики в інтернет-магазині — стратегія ретаргетингу

За останні роки я спостерігаю одну й ту саму картину: в середньому 7 із 10 кошиків залишаються неоплаченими. Міжнародні дослідження e‑commerce підтверджують це, а на мобільних цей показник часто вищий. Кожен такий кошик — це ваш уже зароблений інтерес користувача й уже оплачений трафік, який легко перетворити на виручку, якщо правильно вибудувати стратегію ретаргетингу інтернет-магазину.

Проблема покинутих кошиків б’є по unit economics: зростає CAC, не дотягує CLV, подовжується термін окупності реклами. Аудит десятків проєктів показав мені, що кореневі причини завжди багатошарові: від UX і способів доставки до довіри до оплати та швидкості сайту. Готові оскаржити звичні підходи й вибудувати систему, де рівень відновлення зростає, а вартість відновленого замовлення знижується?

Я пропоную дочитати матеріал до кінця. Я розкладу відновлення покинутих кошиків на конкретні кроки: від архітектури подій і ланцюжків листів до динамічного ремаркетингу, атрибуції та юридичних вимог. Я спираюся на практику BUSINESS SITE: рішення, які ми проєктували та масштабували для інтернет-магазинів різних категорій вартості й частоти покупок в Україні.

Коефіцієнт покинення кошика

Покинуті кошики – це сесії, де користувач додав товари, почав оформлення або дійшов до оформлення замовлення, але не завершив оплату. Ключові метрики, abandonment rate (частка незавершених кошиків) і recovery rate (частка повернутих і оплачених кошиків). Я вважаю, що їх потрібно трактувати разом, через призму виручки та інкрементальності: не просто «скільки повернули», а «скільки повернули додатково до природних покупок».

Причини відмови зазвичай розподіляються так: UX/checkout (зайві поля, відсутність one‑click recovery, слабка мобільна адаптація), вартість і строки доставки («Нова Пошта», кур’єр, самовивіз), швидкість сайту і помилки на кроці оплати, довіра до платежів (відсутність впізнаваних платіжних логотипів, 3‑D Secure від «ПриватБанк»/Monobank). Щоб розібратися, я підключаю session replay і heatmaps: поведінкова аналітика показує точки фрустрації, невідповідності даних адреси, вузькі місця у виборі відділення «Нової Пошти», затримки у валідації карт.

На пріоритизацію впливає вартість кошика: кошики з високою вартістю приносять більший інкрементальний приріст при тому ж бюджеті на контакти. У проєктах BUSINESS SITE я завжди задаю правила: кошики з високою вартістю отримують більш ранній і багатоканальний контакт, а з низькою вартістю — більш стримане обмеження частоти і коротші time‑decay вікна.

Ретаргетинг для покинутих кошиків

Мета стратегії — управління показником відновлення (recovery rate), додатковим доходом (incremental revenue) та зниженням CAC за умови зростання CLV. Я встановлюю KPI: вартість за відновлене замовлення (cost per recovered order), ROAS для ретаргетингу, рівень відновлення по сегментах, частка інкрементальних замовлень (incremental lift). Важливо синхронізувати це з маркетингом життєвого циклу (lifecycle marketing): одразу після відходу працюємо над миттєвим поверненням (immediate recovery), далі — над реактивацією (winback) і лояльністю, не руйнуючи рентабельність знижками.

Підхід до таймінгів я будую на вікнах відновлення з часовим згасанням (time‑decay recovery windows). Перший контакт — протягом 30–60 хвилин, далі: через 20–24 години, третє касання — на 48–72 години з сильнішим стимулом. Для повторних покупців вікно ширше, для тих, хто прийшов уперше — коротше. Комбінація каналів виглядає так: email → SMS → push → динамічний ремаркетинг в Google/Meta, де value‑based bidding допомагає вивантажувати реальні значення кошика (cart values) у ставки.

Пріоритизацію диктують сегменти: сума кошика (segmentation by cart value), статус клієнта (new vs returning), intent‑сигнали (begin_checkout, payment_info_added) та uplift modeling — прогноз потенціалу від контакту. В одному з наших кейсів команда BUSINESS SITE скоротила контакти для користувачів з високою природною конверсією, посилила інтенсивність для прикордонних сегментів і отримала більший incremental lift при меншій кількості показів.

Автоматизація відновлення кошиків

Архітектура будується на event tracking: add_to_cart, view_cart, begin_checkout, add_shipping_info, add_payment_info, purchase. Важливо уловлювати webhooks і real‑time events без затримок: чим менша затримка в тригерній системі, тим вища ймовірність відновлення. Для цього я використовую server‑side черги і ретраї, щоб сповіщення відправлялися навіть під час сплесків трафіку.

Шаблони сценаріїв перевірені десятками запусків: миттєве м’яке нагадування, нагадування з соціальним доказом/доставкою, потім пропозиція обмеженого стимулу (бонус, безкоштовна доставка через «Нову Пошту» при пороговому чеку). Для асортименту з високою маржинальністю додаємо серію листів з динамічним контентом: рекомендації, bundle offers, альтернативи, коли товар тимчасово недоступний.

Приклади ланцюжків листів та тригери

Я використовую трирівневу логіку: soft reminder → urgency → incentive. Перше повідомлення: через 30–60 хвилин: «Ви залишили товари в кошику», з one‑click recovery і deep‑linking прямо на крок оплати. Друге: через добу: підкреслюємо переваги, строки доставки, наявність відділень «Нової Пошти», обіцяємо швидку обробку. Третє: через 48–72 години: додаємо обмежений стимул або більш вигідний bundle.

Час відправлення я підбираю тестами: пробую різні триггерні затримки і проводжу A/B по subject і CTA. Метрики: open rate, click‑to‑recover, revenue per recipient, recovery rate. Я обов’язково персоналізую лист на основі каталогу: динамічний контент відображає конкретні позиції, їхні ціни та наявність, використовуючи product feed management і feed optimization.

Для mobile‑first сегментів deep‑linking в додаток із збереженим кошиком працює особливо ефективно. На вебі я додаю one‑click recovery: авторизація по токену в посиланні і моментальне відновлення кошика без пошуку товарів.

Повторне націлювання й доставлюваність електронної пошти

Структура листа сформована практикою: фото товару, ціна, вигоди, варіанти доставки («Нова Пошта», кур’єр), зрозумілий CTA – «Завершити замовлення». Динамічний блок рекомендацій додає cross‑sell/upsell, а помітний дедлайн пропозиції стимулює дію. Я тримаю дизайн лаконічним, щоб лист завантажувався швидко і не потрапляв до додаткових перевірок спам‑фільтрів.

Тестування – обов’язкова рутина. Я комбіную A/B і multivariate: тема, прехедер, креатив, блок «доставка сьогодні/завтра», кнопка оплати через «ПриватБанк»/Monobank. Вимірюю uplift відносно baseline і задаю критерії статистичної значущості. Як ESP добре працюють Klaviyo, Mailchimp, Iterable: вони підтримують тригери, сегментацію та зіставлення хешованих email.

Динамічні оголошення та ремаркетинг

Динамічний ремаркетинг показує користувачеві саме ті товари, які він переглядав або додавав. Це вимагає якісного фіду товарів і синхронізації з рекламними платформами. Я підключаю фід до Google Merchant Center, виконую оптимізацію фіду (назви, атрибути, наявність), синхронізую ціни та наявність.

У Google Ads і Meta запускаю динамічні товарні оголошення з параметрами події (view_item, add_to_cart, initiate_checkout). Smart bidding і value‑based bidding допомагають алгоритмам враховувати вартість кошика і маржинальність. Для креативів я використовую DCO: персоналізацію зображень, цін і callouts під сегменти, щоб підвищити ROAS для ретаргетингу.

Ремаркетинг: СМС, сповіщення та програмована реклама

Канал підбираю під сегмент. Email – базовий, особливо для returning‑аудиторії і середніх чеків. SMS, для high‑intent і high‑ticket, а також для термінових нагадувань перед закінченням оффера. Push‑повідомлення – швидкий дешевий контакт для мобільної аудиторії і підписників web push. Для кожного каналу я розраховую cost per recovered order і обираю мікс з найкращим ROAS.

SMS‑кампанії вимагають коректної інтеграції з провайдерами і чіткої роботи з consent. Рекомендую зберігати згоди в CMP, задавати обмеження частоти та відправляти повідомлення з персоналізованим deep‑linking. Для push: налаштовую SDK в додатку, web push інтеграцію в браузері, capping по частоті та сценарії «тихих» нагадувань.

Персоналізація повідомлень та каталогів

Персоналізація відбувається на різних рівнях: від базової (ім’я, товар) до поведінкової (історія переглядів, чутливість до знижок) та каталожно- і контекстно-орієнтованої (наявність у потрібному відділенні «Нової Пошти», сезонні тригери, локальні свята). Такий підхід значно підвищує recovery rate без надмірних знижок.

Рекомендації працюють особливо помітно: cross‑sell (аксесуари), up‑sell (модель вищого рівня), схожі товари і bundle offers з безкоштовною доставкою при досягненні порогів вартості корзини. Я застосовую сегментацію на основі цінності: сегменти з високою ймовірністю конверсії отримують більше контенту про вигоди, сегменти з низькою маржинальністю – обережні стимули з захистом маржі.

Міжпристроєва ідентифікація та відстеження

Клієнтський трекінг часто втрачає сигнали через блокувальники. Я вважаю оптимальним гібрид: server‑side tagging для стійкості в cookieless‑середовищі і клієнтські події для оперативності інтерфейсу. Це дає більш стабільний data layer для ретаргетингу і коректний імпорт подій.

Для ідентифікаторів застосовую hashed identifiers: email/phone hashing з сіллю, зберігання в зашифрованому вигляді (encryption at rest і in transit) та суворий контроль доступу. Сумісність з PCI і дбайливе поводження з PII — обов’язкова вимога. Для крос‑девайсної ідентифікації допомагає cross‑device matching: hashed matching, identity resolution у CDP, а також data clean rooms для безпечних з’єднань.

Архітектуру я проєктую масштабованою: real‑time event pipelines, черги, ретраї, моніторинг latency, алерти на затримки тригерів. Така схема переживає сплески розпродажів і зберігає швидкість реакції: листи й оголошення відправляються, поки намір гарячий.

Атрибуція та вимірювання рентабельності інвестицій у ретаргетинг

Атрибуція сильно впливає на висновки. Last click часто недооцінює email і завищує платний ретаргетинг, data‑driven і multi‑touch розподіляють внесок більш чесно. Я використовую incremental lift measurement і incrementality testing: виділяю holdout‑групи, щоб відокремити реальне відновлення від природних покупок і канібалізації каналів.

KPI включають cost per recovered order, ROAS, incremental revenue, LTV і CAC при відновленні кошиків. Я веду UTM і source tracking для всіх взаємодій, використовую cohort analysis: оцінюю поведінку когорт по часу з моменту покинутого кошика. Корисні benchmark recovery rates по вертикалям: низький чек – 10–20%, середній – 12–25%, high‑ticket: 5–12% при якісній автоматизації.

Бізнес‑рішення я приймаю на основі інкрементальної цінності: якщо ретаргетинг дає високий ROAS, але низький incremental lift, я перерозподіляю бюджет у сегменти з більшим приростом, а частину взаємодій — у winback і лояльність.

Тестування та оптимізація креативів

Тестування креативів: постійний процес. Я починаю з A/B, потім підключаю multivariate для великих аудиторій. Лінійка метрик: open rate → CTR → click‑to‑recover → recovery rate → виручка на контакт. Ключ — не лише переможець за кліками, а й за recovered orders та маржинальністю.

Частота показів вимагає акуратності. Frequency capping по каналах і по користувачу захищає від ad fatigue і утримує ROI. Я використовую динамічну ротацію креативів, DCO та creative personalization, щоб повідомлення «не замилювалися». Паралельно тестую різні вікна «завершення оффера» та відстежую, як змінюється реакція при зміні дедлайну.

Конфіденційність і управління згодою

Законодавчі рамки, GDPR, CCPA, ePrivacy. Я впроваджую платформу управління згодою (consent management platform, CMP), веду збереження згоди та audit trail: хто, коли і на що дав згоду. Для ретаргетингу застосовую підходи privacy‑first: хешовані ідентифікатори, мінімальні набори даних, cookieless techniques і обробку на боці сервера.

Інструменти та сервіси маркетингових технологій

Стек я формую з категорій:

• ESP: Klaviyo, Mailchimp, Iterable, тригери, сегментація, доставлюваність.
• CDP/DMP: сегментація, розв’язання ідентичностей, оркестрація каналів.
• Рекламні платформи: Google Ads ремаркетинг, Meta Ads (Facebook/Instagram), програматик DSP.
• Менеджери фідів: управління продуктовим фідом і синхронізація з Merchant Center.
• SMS‑провайдери: інтеграція, двосторонні повідомлення, звіти.
• Push: інтеграція web push, мобільні SDK.
• аналітика: атрибуція, когортний аналіз, відтворення сесій, теплові карти.

Критерії вибору: інтеграція з ecommerce-платформами (Shopify, Magento, BigCommerce та локальні CMS), масштабованість, підтримка server‑side трекінгу та API. Я заздалегідь проєктую інтеграцію каталогу через API, webhooks і синхронізацію з Merchant Center. Якщо бізнес також продає через Prom.ua або «Rozetka», важлива узгодженість цін і наявності між каталогами.

Підвищення рівня відновлення в електронній комерції

Кейс 1 (товари для дому, середній чек 1500–2000 грн). Вихідні дані: abandonment rate ~78%, recovery rate 6%, відсутність server‑side подій, фрагментарні email‑ланцюжки. Гіпотези: прискорити перші контакти, персоналізувати фід і перейти до CDP‑driven оркестрації. Фахівці BUSINESS SITE впровадили server‑side tagging, тригери зі затримкою 45 хв / 24 год / 60 год, DCO‑креативи в Google/Meta, SMS для high‑value кошиків (5000+ грн). Результати за 8 тижнів: recovery rate 16,4%, збільшення incremental revenue на 21%, cost per recovered order −28%, ROAS ретаргетингу +34%.

Кейс 2 (e‑commerce фарм‑сегмент, часті повторні покупки). Завдання: мінімізувати знижки та спиратися на доставку «Нова Пошта» + самовивіз. Рішення, яке ми розробили в BUSINESS SITE: тригери з акцентом на швидкість та наявність, рекомендації аналогів при відсутності, інтеграція з CRM для врахування статусу пацієнта та сезонності. Підсумок: зростання recovery rate з 9% до 15%, частка замовлень без знижки серед відновлених — 73%.

Чекліст впровадження схожого рішення

• Налаштувати події та server‑side tagging.
• Сегментувати за cart value та статусом клієнта.
• Запустити тригери 45 хв / 24 год / 60 год з one‑click recovery.
• Підключити dynamic product ads з value‑based bidding.
• Впровадити SMS для high‑value кошиків.
• Побудувати incrementality testing з holdout‑групами.

Покроковий чекліст відновлення кошиків

Етап 1. Аудит воронки (1–2 тижні).

• Завдання: оцінка abandonment rate, швидкість сайту, checkout flow, мапа подій.
• Власники: продукт/маркетинг + розробка.
• Метрики: baseline abandonment, recovery, час відгуку сторінок.

Етап 2. Збір даних та сегментація (1 тиждень).

• Завдання: налаштування add_to_cart/begin_checkout/purchase, UTM та source tracking, cohort analysis.
• Власники: аналітик + розробка.
• Метрики: повнота подій, розмітка каталогу, cart value thresholds.

Етап 3. Вибір каналів та інструментів (3–5 днів).

• Завдання: ESP/CRM/CDP, SMS‑провайдер, ad platforms, feed management.
• Власники: маркетинг + ІТ.
• Метрики: готовність інтеграцій, CMP, hashed identifiers.

Етап 4. Автоматизація сценаріїв (1–2 тижні).

• Завдання: email‑ланцюжки, SMS/push, suppression‑правила, frequency capping.
• Власники: CRM‑маркетолог + ESP‑спеціаліст.
• Метрики: latency триггерів, deliverability, opt‑out rate.

Етап 5. Тестування та запуск (2–3 тижні).

• Завдання: A/B та multivariate, тести креативів і таймінгів, holdout‑групи.
• Власники: performance‑маркетолог + аналітик.
• Метрики: uplift vs baseline, ROAS, cost per recovered order.

Етап 6. Вимірювання та масштабування (постійно).

• Завдання: incrementality testing, value‑based bidding, DCO, розширення в programmatic.
• Власники: керівник e‑commerce + маркетинг.
• Метрики: recovery rate за сегментами, incremental revenue, LTV/CAC, retention cohorts.

• One‑click recovery + deep‑linking в checkout.
• Ранній soft reminder + динамічний контент.
• Сегментація за cart value з пріоритетом high‑value.

• Тимчасове зниження open rate під час прогріву домену.
• Зростання витрат на запуск DPA до калібрування фіду.
• Переоцінка ROAS без коректної атрибуції: допомагає holdout.

Часті запитання

Висновок і заклик до дії

Я переконаний: комбінація багатоканальної автоматизації, персоналізації на основі каталогу і суворої аналітики дає стабільне зростання recovery rate і знижує CAC. Мої колеги неодноразово підтверджували це на проєктах BUSINESS SITE: ранні тригери, DCO і value‑based bidding приносять інкрементальний дохід без «перегріву» знижками.