Время на прочтение: 6 минут

Дата публикации: 08.10.2026

Собственник сети магазинов ставит задачу поднять средний чек на 10% за квартал. Маркетинг предлагает привычный ход: «второй товар за полцены». Через месяц чек действительно растет, но маржа падает, а после окончания акции цифры возвращаются к прежним.

Если коротко, средний чек растет, когда вы знаете три вещи: какие клиенты готовы покупать больше, какие товары берут вместе и на какой сумме покупатель обычно останавливается. Ответы на эти вопросы дают анализ чеков, клиентской базы и поведения на сайте. Дальше остается точечно работать с нужными группами клиентов, без скидок для всех.

Средний чек — это выручка, деленная на число покупок.

Формула простая, но за ней прячутся очень разные люди и услуги. Хорошо это видно на примере сети медклиник. Общий средний чек по сети — 2 163 ₽. По филиалам он уже колеблется от 1 891 до 3 188 ₽. Поднимать «средний чек клиники» бессмысленно. Работать нужно с конкретными направлениями и врачами.

Есть и второе разложение. Чек равен числу позиций в покупке, умноженному на среднюю цену позиции. Если вам нужно больше позиций, работает допродажа. Если нужна более высокая цена позиции, работает переход на дорогие товары. В сети кофеен, например, удобно переключать на одном графике выручку, количество чеков, средний чек и число блюд на чек. Так сразу видно, какой рычаг просел в конкретной точке.

Автоматизируем сбор данных и освободим команду от ручной аналитики

Сотрудники тратят часы на отчеты?

1. RFM-анализ. Делит клиентов по давности последней покупки, частоте и сумме. Нужна выгрузка продаж с привязкой к клиенту из CRM, 1С или программы лояльности. Для старта хватит Excel: каждому клиенту ставят оценку от 1 до 3 по каждому параметру и получают сегменты. Так видно, кто покупает часто, но мало. Это главный резерв для роста чека.

2. Анализ корзины. Показывает, какие товары покупают вместе. Источник данных — детализированные чеки из кассовой системы или 1С. Небольшой ассортимент можно разобрать сводными таблицами в Excel, для тысяч позиций удобнее Python с библиотекой mlxtend. Результат — готовые пары для комплектов, выкладки рядом и подсказок продавцу.

3. Распределение чеков по суммам. Гистограмма показывает, где сосредоточена основная масса покупок. По моему опыту, порог бесплатной доставки или подарка лучше ставить немного выше этой зоны, чтобы до него можно было дотянуться одной дополнительной позицией. Порог «с потолка» либо не замечают, либо дарят подарок тем, кто и так тратит много.

4. Поведение на сайте и маркетплейсе. В Яндекс Метрике отчеты электронной коммерции показывают, на каком шаге бросают корзину. На маркетплейсе ту же воронку стоит смотреть по каждому артикулу. В одном из магазинов товар с 15 тыс. переходов в карточку конвертировался в заказ на 14%, хотя у соседних позиций этот показатель держался на уровне 25–31%. Такой разрыв обычно указывает на проблему в карточке: цену, размерную сетку или фото.

Отдельно полезен когортный анализ. Он показывает, сколько новых клиентов возвращается в следующие месяцы и сколько они приносят за все время. На примере ниже в первый месяц возвращаются 35–40% клиентов, а к четвертому — около 10%. Если со временем выручка с клиента падает, проблема в удержании, и допродажа ее не решит.

Покажем демо-дашборд и расскажем, как это работает на практике

Один дашборд вместо десятков отчетов

Сложность редко бывает в методах. Данные живут в разных местах. Чеки в кассовой системе, клиенты в CRM, себестоимость в 1С, поведение на сайте в Метрике. Аналитик собирает выгрузки в Excel, сводит их по коду клиента и исправляет расхождения. На один отчет уходит несколько дней, поэтому его делают раз в квартал, и к моменту выводов акция уже закончилась.

Вторая проблема — маржа. Если смотреть только на выручку, легко порадоваться росту чека за счет дешевых товаров с низкой наценкой. В ресторане самые продаваемые блюда нередко оказываются не самыми выгодными. Стейк дает 6,7% выручки при рентабельности 60%, тунец татаки — почти столько же выручки при 78%, а десерт с хорошими продажами приносит лишь 37%. Допродавать выгоднее второе, и без себестоимости в отчете этого не увидеть.

Самый удобный способ, на мой взгляд, — собрать эти анализы в BI-системе: Power BI, Yandex DataLens, Visiology или FineBI. Данные из кассы, CRM, 1С и Метрики подтягиваются автоматически и обновляются каждый день. Руководитель видит средний чек в разрезе сегментов, точек, менеджеров и каналов вместе с маржой.

Иногда неожиданный вывод дает самый простой срез. В интернет-магазине одежды средний чек заказов с сайта составил 13,5 тыс. ₽, а заказов через WhatsApp — 8,9 тыс. ₽. Покупатели те же, разница в том, как с ними работают менеджеры в мессенджере. Значит, точка роста в сценарии допродажи для этого канала.

Анализ сам по себе денег не приносит. Каждой находке нужно действие:
• частым покупателям с небольшим чеком предложить комплекты из пар, найденных в анализе корзины;
• крупным клиентам показать более дорогие версии товаров и дополнительный сервис;
• порог для подарка или доставки поставить чуть выше зоны, где сосредоточена основная масса покупок;
• продавцам дать подсказки о сопутствующих товарах на основе реальных чеков.

Существует распространенное мнение, что быстрее всего чек поднимают скидки. Я с этим не согласен. Скидка увеличивает выручку за счет маржи, а после акции покупатель начинает ждать следующую. Поэтому любое изменение я бы проверял на контрольной группе: часть магазинов или клиентов работает по-новому, часть — как раньше. Если разница держится несколько недель, это эффект ваших действий, а не сезона или промо конкурентов.

Мы уже реализовали более 127 проектов по настройке BI-аналитики под разные задачи. Проведём бесплатную консультацию и аудит ваших процессов, чтобы предложить оптимальное решение именно для вас.
Запишитесь на бесплатную консультацию, и мы поможем сделать аналитику вашего бизнеса прозрачной и эффективной.