Лояльность к бренду

Происхождение и история термина

В марте 1994 года Алан Дик и Кунал Басу опубликовали статью Customer loyalty: Toward an integrated conceptual framework. Их рамка объединяла отношение и повторное обращение, учитывая также социальные нормы и обстоятельства выбора. Это документированная веха разработки понятия, а не установленная дата его возникновения. ^[1]

Следующий пример показывает, как идея изучается в цифровой торговле. В исследовании Фарука Ахмада и соавторов 2022 года онлайн-опыт покупателей сопоставлялся с вовлечённостью и лояльностью. Вовлечённость здесь охватывала внимание к магазину и участие во взаимодействии с ним. Опрос фиксировал ответы в один период, а не наблюдал за изменениями покупателей годами. ^[3]

В учебнике OpenStax 2023 года лояльность представлена через четыре группы покупателей с разной последовательностью выбора брендов. ^[2] Теоретическая модель, опрос и учебная классификация отвечают на разные вопросы: что считать лояльностью, какие связи исследовать и как описывать повторяющийся выбор. Ни один из этих подходов не превращает любую повторную покупку в однозначное свидетельство приверженности.

Суть и механизм

У лояльности есть два вопроса: «Какое предложение человек предпочитает?» и «Куда он действительно возвращается?». В модели Дика и Басу между отношением и действием учитываются обстоятельства и социальные нормы. ^[1] На языке нашего примера вкус кофе может объяснять предпочтение, а расстояние до кафе — возможность воплотить его в конкретное утро.

Продолжим учебную ситуацию. Любитель сети приходит в кафе, но любимого напитка нет. Он покупает кофе у соседей. Было бы преждевременно заключать, что предпочтение исчезло: изменились условия покупки. Теперь представим обратное: посетитель недоволен кофе, но у него остался оплаченный абонемент. Он продолжает ходить. Его возвращения ещё не объясняют, что он выберет после окончания абонемента.

Важно также уточнять, к чему относится предпочтение. В учебном примере человек любит кофе сети, но не её выпечку. Вопрос «Нравится ли вам этот бренд?» скрывает различие, а вопрос о выборе кофе между конкретными сетями делает ответ понятнее. Для медиа аналогичная ситуация — читатель ценит утреннюю новостную рассылку, но не читает остальные материалы издания. Это основание изучать рассылку отдельно, а не переносить оценку на весь издательский бренд.

Не менее полезно разделять удовлетворённость и предпочтение. Условный посетитель может сказать: «Напиток хороший, претензий нет, но у соседей мне нравится больше». Первая часть описывает оценку опыта, вторая — выбор между предложениями. Столь же различаются узнаваемость и лояльность: в нашем примере человек знает вывеску сети, хотя не хочет там покупать. Эти мысленные ситуации показывают, почему один вопрос не заменяет другой.

Виды и классификации

OpenStax описывает четыре группы. Русские названия ниже передают их смысл; это не официальная шкала с обязательными числовыми порогами. ^[2]

Учебные последовательности помогают увидеть различия. Обозначим бренды буквами: покупки А–А–А–Б–Б–Б иллюстрируют смену приверженности, а А–Б–А–Б–Б–А — выбор внутри небольшого набора. Это примеры, а не достаточный алгоритм классификации. Если бренд А отсутствовал в продаже, та же последовательность может объясняться доступностью товара.

Группа описывает выбор в определённой категории и за определённое время. По шести покупкам кофе нельзя присвоить человеку общую характеристику «верен брендам» и перенести её на одежду или связь. В исследовании разумнее записать узкий вывод: «В рассматриваемых покупках кофе выбирал преимущественно А». Так остаётся ясно, какие наблюдения стоят за формулировкой.

Как применяется на практике

Рассмотрим сквозной учебный пример. Региональное издание выпускает платную рассылку о жизни города. Оно хочет понять, почему читатели продлевают подписку. Возможные объяснения различаются: полезная подборка, удобное время доставки, скидка, привычка или отсутствие подходящей замены. Прежде чем выбирать изменения продукта, команда разделяет эти предположения.

В короткой анкете она спрашивает, какую рассылку человек выбрал бы среди названных альтернатив и почему. Отдельный вопрос касается намерения продлить подписку. Затем команда смотрит уже совершённые продления за заранее выбранный месяц. Вымышленный участник может предпочитать рассылку, но отказаться от платной подписки из-за сокращения расходов. Другой готов продлить её только по акционной цене. Две причины требуют разного объяснения, хотя итоговое действие может совпасть.

Для этой задачи редакция предлагает собственную матрицу. Она помогает сопоставлять сведения, но не является шкалой из исследования Дика и Басу.

Мировой исследовательский пример даёт работа Ахмада и соавторов. Авторы проанализировали 189 пригодных ответов онлайн-покупателей в Пакистане, собранных с 15 января по 14 февраля 2022 года, и сообщили о положительной связи онлайн-опыта с лояльностью. Это исторические результаты конкретного опроса; сами авторы ограничивают перенос на другие страны и виды торговли. ^[3] Для нашей рассылки работа подсказывает вопрос об опыте использования, но не сообщает, насколько вырастут продления после изменения дизайна.

Российский инструментальный пример — отчёт Яндекс Метрики «Время с первого визита». Он распределяет посещавшую сайт в выбранный период аудиторию по времени, прошедшему с первого визита. ^[5] Издатель может использовать его, чтобы изучить историю возвращений читателей. Однако продолжительность знакомства с сайтом ещё не отвечает на вопрос, предпочитает ли читатель это издание другим.

Как измерить или проверить

Начать лучше с точной формулировки задачи. В учебном случае это «повторная оплата городской рассылки среди подписчиков, у которых в апреле закончился оплаченный срок». Такой вопрос сразу задаёт продукт, действие, период и группу сравнения. Если вместо него написать «лояльность аудитории», непонятно, входят ли туда бесплатные читатели и что именно должно измениться.

Предложенный редакцией расчёт доли продлений выглядит так:

В числителе — число подписчиков из выбранной группы, оплативших следующий период к установленной дате. В знаменателе — вся заранее определённая группа, у которой наступило продление. Это счёт людей в учебной модели, а не количество платежей: два платежа одного участника не превращают его в двух подписчиков. Буква R обозначает долю продлений в процентах, а не универсальный индекс лояльности.

Пусть в группе было 120 подписчиков, а продлили подписку 72. Делим 72 на 120 и умножаем на сто: получаем 60%. Значит, продление произошло у шести из каждых десяти участников этой группы. Это не означает, что 60% всех читателей предпочитают бренд: бесплатная аудитория в расчёт вообще не входила.

Предположим, анкету заполнили только 80 из этих 120 человек; 50 ответивших поставили рассылку на первое место. Доля такого ответа равна 62,5% среди ответивших. Делить 50 на 120 и объявлять оставшихся нелояльными неверно: о 40 неответивших предпочтение неизвестно. Сопоставление 60% продлений и 62,5% положительных ответов также не показывает, что это одни и те же люди. Для такого вывода понадобилось бы обоснованное сопоставление индивидуальных записей.

Есть и граничный случай: если ни у кого не наступало продление, знаменатель равен нулю. Доля не определена; запись «0%» ошибочно означала бы, что возможность была, но никто ею не воспользовался. Поэтому в отчёте рядом с процентом полезно сохранять численность группы и точное правило её отбора.

Что дают Google Analytics и Яндекс Метрика

Google Analytics 4, или GA4, — система аналитики сайтов и приложений. В отчёте Retention overview возвращающимися называются пользователи, посещавшие сайт или приложение ранее. Когорта — группа с общим признаком; в описанном отчёте пользователей объединяет день привлечения. ^[4] Это иной способ группировки, чем возраст первого визита у текущих посетителей.

Эти столбцы нельзя механически сравнить как два процента одной и той же лояльности. Учебный пример: сайт когда-то посетили 100 человек, из них 10 пришли снова через год. В отчёте только о нынешних десяти посетителях все имеют длинную историю. Но относительно исходной сотни вернулась лишь десятая часть. Обе характеристики могут быть верны одновременно, потому что отвечают на разные вопросы. Числа иллюстрируют различие групп, а не воспроизводят алгоритмы расчёта интерфейсов.

Ошибки, ограничения и спорные вопросы

Первая ошибка — назвать всех участников программы баллов лояльными. В учебном случае человек зарегистрировался ради скидки на одну покупку. Регистрация сообщает об участии в программе, но для вывода об устойчивом предпочтении нужно узнать больше. Даже рост повторных покупок после акции допускает несколько объяснений: изменилась цена, состав покупателей или их отношение к бренду.

Вторая ошибка — принять одноразовый опрос за доказательство причинности. В работе 2022 года ограничение связано именно с поперечным исследованием: данные собраны за один период. ^[3] На языке нашего кейса, если довольные читатели чаще продлевают подписку, это ещё не доказывает, что любое увеличение оценки удовлетворённости вызовет продление. Возможно, обе характеристики связаны с тем, насколько человеку нужна городская информация.

Третья ошибка — менять правила расчёта после получения результата и выдавать новый процент за изменение поведения. Вернёмся к учебной группе: подписку продлили 72 человека из 120, то есть 60%. Допустим, на цену пожаловались 20 участников, и их исключили из расчёта. Одна жалоба ещё не сообщает, оплатил ли человек продление. Поэтому нужно пересчитать и число продливших, и размер группы.

Ниже три разных возможных состава этих двадцати человек. Каждый вариант начинается с тех же исходных 72 продлений среди 120 подписчиков; это не последовательные исключения.

Таким образом, исключение жаловавшихся может повысить долю, понизить её или оставить прежней. Направление зависит от того, сколько исключённых продлили подписку. Ни в одном варианте новых оплат не появилось: изменился состав расчёта. Процент среди оставшихся ста отвечает отдельному вопросу и не заменяет исходные 60% среди всех 120. Для сравнения месяцев нужно сохранять правило отбора либо явно объяснять его изменение.

Наконец, не стоит превращать отсутствие повторной покупки в приговор. В учебном примере с дорогой кофемашиной покупателю может просто не понадобиться вторая за месяц. Для рассылки с месячной оплатой этот срок имеет другой смысл. Период наблюдения должен позволять увидеть интересующее действие, иначе исследование проверяет выбранный календарь, а не предпочтение.

Правовой аспект

Если исследование в России включает персональные данные, применяются принципы статьи 5 Федерального закона № 152-ФЗ: цели обработки должны быть определены заранее, состав данных — соответствовать им; объединение баз с несовместимыми целями не допускается. Здесь использованы части 2–5 статьи 5 закона в редакции от 26.07.2026. ^[6] Поэтому соединение анкет и истории покупок требует отдельной правовой оценки; полезность такого сопоставления для маркетинга сама по себе её не заменяет.

Зарубежные счётчики и персональные данные. С 1 июля 2025 года часть 5 статьи 18 закона № 152-ФЗ «О персональных данных» (в редакции Федерального закона от 28.02.2025 № 23-ФЗ) не допускает при сборе персональных данных граждан России, в том числе в интернете, их запись, хранение и другие операции с использованием баз данных за пределами России. Счётчики вроде Google Analytics передают на зарубежные серверы IP-адреса и идентификаторы cookie, которые могут относиться к персональным данным; о трансграничной передаче, кроме того, заранее уведомляют Роскомнадзор (статья 12 того же закона). Нарушения влекут ответственность по статье 13.11 КоАП РФ. Использование такого счётчика на российском сайте требует юридической оценки; для сбора данных о посетителях из России применяют системы веб-аналитики с хранением данных в России, например Яндекс Метрику.

Частые вопросы

Связанные термины

• Бренд
• Узнаваемость бренда
• Репутация бренда
• Капитал бренда
• Удержание (retention)
• Программа лояльности
• NPS (индекс лояльности)
• Маркетинговое исследование