Что такое средний чек и как его увеличить в бизнесе

Не пугайтесь, это не ликбез. Я не собираюсь пространно излагать прописные истины. Вместо этого я расскажу, почему классические способы увеличения среднего чека стали работать хуже, что пришло на замену (спойлер: ИИ, но не только), и с чего начать реализацию у себя. Как обычно, будет много примеров, причем не только в B2C, но и в B2B, где рост среднего чека — задача нетривиальная. На связи Влад Кармаков из Siberian.pro. Поехали!

Все же начнем с определений. Средний чек — это средняя сумма, которую клиент тратит за одну покупку или сделку. Он рассчитывается как отношение выручки к количеству заказов за выбранный период и служит базовым индикатором эффективности продаж. В отличие от LTV или ARPU, средний чек отражает текущее поведение клиента и позволяет быстро оценивать влияние продуктовых и технологических изменений.

Понятие среднего чека (или AOV, Average Order Value) есть не во всех индустриях, но для многих B2C- и B2B-моделей является критичным показателем. Типичными сферами, где средний чек обязательно нужно считать, являются ecommerce, ритейл, разнообразные маркетплейсы, фудтех, платные медицинские услуги, страхование. А в B2B-индустриях — это SaaS, корпоративные сервисы, IT-разработка, промышленность и т.д. 

Классические рычаги воздействия на размер среднего чека хорошо известны и активно применяются: 

• допродажа (upsell) — когда вместо одного продукта предлагаем более дорогой;
• кросс-продажа (crosssell) — когда в дополнение к продукту предлагаем сопутствующий товар или аксессуар;
• продажа комплекта товаров — «три по цене двух», наборы для бритья и вот это все;
• минимальный размер корзины — когда мы даем клиенту бонус, если корзина больше определенного нижнего порога;
• акции, скидки, программы лояльности и т.д.

Ниже я покажу, что эффективность этих классических механизмов можно значительно увеличить, причем без пропорционального роста маркетинговых затрат, если грамотно задействовать цифровые решения и в первую очередь — мобильные приложения и искусственный интеллект.

Классические способы увеличения среднего чека — скидки, акции, допродажи и т.д. — долгое время работали и все еще применяются повсеместно. Проблема в том, что сегодня им все чаще нужно помогать. Примерно как бульдогам по время случки. Потому что буквально каждый из этих методов все хуже масштабируется и все чаще дает лишь краткосрочный эффект. 

Скидки действительно могут временно увеличить сумму заказа, но почти всегда делают это за счет маржи и приучают клиента покупать только «по акции». Да и само понятие скидок обесценивается, если скидки есть буквально всегда. В результате бизнес начинает конкурировать ценой, а не ценностью, и каждый следующий рост среднего чека обходится всё дороже.

Ситуацию усугубляет рост стоимости привлечения клиентов и общей конкуренции в 2026 году. На большинстве B2C- и B2B-рынков клиент уже перегрет предложениями, а стоимость контакта выросла кратно. В таких условиях попытка компенсировать дорогой трафик скидками или агрессивными продажами приводит к тому, что экономика сходится все хуже. Средний чек становится не точкой роста, а способом затыкать финансовые дыры.

При этом ожидания клиентов принципиально изменились. Пользователи привыкли к персонализированному опыту: они ожидают, что продукт понимает их контекст, историю взаимодействия и реальные потребности. Универсальные офферы и шаблонные допродажи для всех воспринимаются как фоновый шум.

В B2B то же самое. Рост среднего чека через переговоры и «дожим» условий раньше работал, но по мере усложнения рынков забуксовал. Клиенты ждут не универсальных коммерческих предложений, а решений, которые учитывают их контекст, бизнес-задачи и даже долгосрочные цели. Предложение «в лоб» взять подороже выглядит навязанным и не вызывает желания его принять.

Ну и что делать? Как увеличить средний чек?

В сложившихся условиях ключевой стратегией роста среднего чека в 2026 году я считаю системное внедрение цифровых решений. В первую очередь — мобильных приложений и рекомендательных систем на базе AI и языковых моделей (LLM).

Давайте посмотрим, как трансформируются классические подходы к увеличению среднего чека с учетом современных технологий.

Дайте клиенту то, что он хочет, и средний чек вырастет. Классика, известная уже лет сто. Однако цифровые системы пугающе расширяют возможности персонализации. Настолько, что на эту тему в «Черном зеркале» сняли аж несколько серий. Впрочем, в жизни все не так страшно, а для бизнеса и вовсе полезно.

Суть проста: в приложении собираем информацию о действиях клиента: его покупках, интересах, паттернах CJM, типичном времени взаимодействия с приложением и т.д. Затем с помощью AI на основе этой информации делаем персонализированные предложения. Скажем, в B2C это может быть напоминание («Пора пополнить запасы любимого кофе»), рекомендация («Попробуйте новый вкус кофе») или cross-sell («С кофе очень вкусно вот эти печеньки»). В B2B можно подсказать клиенту подходящий функциональный модуль, подчеркнуть выгоду следующего уровня SLA или тарифного плана.

ИИ обрабатывает поведенческие сигналы, историю и контекст и помогает выбрать правильное время и формат предложения, чтобы оно с наибольшей вероятностью привело к увеличению среднего чека именно для этого конкретного покупателя.

Искусственный интеллект здесь играет ключевую роль. Запускать акции вручную можно лишь на уровне крупных сегментов аудитории. На уровне отдельных клиентов весь механизм быстро перестанет масштабироваться. Хотите, чтобы рост среднего чека продолжался? Нужна цифровая система.

Почему это работает

Когда клиент видит не абстрактное «вам может понравиться», а предложение, которое точно совпадает с его текущей задачей, он более охотно приобретает рекомендуемый товар. И более охотно возвращается за следующим.

Примеры

Персонализацию с помощью ИИ сегодня используют большинство крупных компаний. За рубежом. В России же внедрение ИИ в бизнесе пока идет скромными темпами и остается прерогативой гигантов.

• Nestlé использует персонализацию контента на сайтах брендов (рецепты, статьи). Система динамически подбирает рекомендации в зависимости от поведения пользователя. В результате вовлеченность выросла на 46–92%.
• Яндекс активно персонализирует пользовательский опыт в своих продуктах с помощью собственного ИИ.
• В B2B можно привести пример Siemens. Подразделение Siemens Healthineers внедрило платформу Adobe CDP с функциями AI-персонализации для создания «цифровых двойников» клиентов (например, главврача хирургического отделения или отделения рентгенологии). Результат впечатляет: отклик на коммерческие предложения вырос на 30%.

Вообще, мобильное приложение, особенно в таких отраслях, как eCommerce и ритейл, — это именно средство получения информации о своей целевой аудитории. Я подробно рассуждал на эту тему в статье «Зачем ритейлу приложение на самом деле». Посмотрите. Про средний чек там тоже есть.

Механизм, тесно связанный с персонализацией, но вполне способный работать и отдельно. Действительно: нам не нужно ничего знать о пользователе, чтобы следовать тривиальному правилу «если клиент купил А, то предложить ему Б». 

Проблемы т.н. rule-based подхода начинаются, когда количество SKU превышает сотни тысяч. Выписать правила для всех возможных комбинаций мало того, что сложно, но еще и не гибко.

А вот цифровые решения — это совсем другое дело. AI/ML алгоритмы обучаются на реальных данных, находят скрытые закономерности и со временем начинают предлагать все более точные и персонализированные рекомендации. Как следствие, средний чек растет за счет расширения корзины и точечной допродажи.

Интересно, что и в B2B возможно увеличить средний чек с помощью рекомендаций. Примеры ниже.

Почему это работает

Классический вариант «с этим также покупают» хорошо работает для расширения корзины и увеличения количества позиций в заказе. Формат «вам может подойти» ориентирован на персональные интересы (см. выше) и помогает продавать более дорогие альтернативы. Контекстные рекомендации учитывают момент и сценарий — например, стадию покупки, текущее использование продукта или повторный визит, — и за счет этого выглядят особенно уместно.

Примеры

• Все ключевые маркетплейсы используют те или иные рекомендательные системы. Например, Amazon использует генеративный ИИ для персонализации товарных рекомендаций и описаний товаров. На основе истории покупок система адаптирует предложения или выделяет важные атрибуты товара на основе предпочтений клиента.
• EduTech-компания Udemy использует ИИ, чтобы дать возможность корпоративным клиентам быстро создавать обучающие курсы для своих сотрудников. И заодно рекомендует те или иные тарифы. Внедрение рекомендательной системы (в числе прочих усилий) позволило в 2025 году добиться роста выручки 14-16% за счет деликатного смещения баланса в сторону более дорогих подписок.
• Законодатель рекомендательных систем в сфере медиа Netflix вовлекает пользователей в дальнейший просмотр, предлагая контент, который скорее всего понравится именно этому зрителю. Здесь не совсем про увеличение среднего чека, т.к. стоимость подписки фиксированная. Это больше про отказы от подписок, которые Netflix успешно предотвращает с помощью своих AI-рекомендаций, увеличивая retention и LTV.

Как персонализация каталога, так и рекомендации в конечном счете преследуют одну и ту же цель: продать клиенту больше. Механизмов два: 

• кросселлинг, когда мы предлагаем сопутствующие или дополняющие покупку товары, аксессуары;
• апселлинг, когда мы предлагаем более дорогую альтернативу.

И то, и другое хорошо работает на увеличение среднего чека. Но цифровой подход и здесь вносит важные коррективы.

Обычно как? Человек покупает пылесос, а мы ему в нагрузку предлагаем сменные насадки и мешки для пыли. Но если все происходит в мобильном приложении, а у вас в бэкенде работает цифровая аналитическая система, то картина кардинально меняется. Теперь вы знаете, что человек ранее покупал что-то для ремонта, а затем краску и обои. Или, допустим, что у него в истории покупок есть ковер, а еще кошачий корм и когтеточка. 

Тогда можно предположить, что клиенту нужна не просто насадка для пылесоса, а специальная щетка для уборки шерсти животных или для ковров. Или можно предложить ему более мощный пылесос, способный справиться со строительным мусором и пылью.

В B2B апселлинг и кросс-селлинг работают совершенно аналогично, и плюсы цифровых решений там ровно те же. Скажем, ИИ на основе прошлых действий заказчика может автоматически предлагать ему сформировать очередной заказ на поставку нужных материалов. Или из анализа общения с поддержкой и истории обслуживания предложить перейти на более дорогой тариф с улучшенными условиями SLA.

Почему это работает

Цифровой cross-selling снижает трение и убирает ощущение навязчивости. Клиенту больше не нужно разбираться в сложном ассортименте или принимать решение вслепую — система предлагает ровно то, что логично дополняет его текущий выбор. В результате расширение покупки воспринимается как нормальное человеческое отношение, а не как попытка поднять средний чек.

Конечно, огромную роль здесь играет приложение. Именно оно позволяет автоматизировать процесс дополнительной продажи и переносит его буквально под большой палец клиента. А разработать мобильное приложение поможет Siberian.pro.

Примеры

• B2C-кросселлинг вы видели в приложении любого маркетплейса, поэтому я приведу здесь менее вариант. Domino’s Pizza внедрили ИИ-аналитику в приложение, чтобы поднять вовлеченность покупателей и грамотно им допродавать. Результат: +20% выручки. И это на супернасыщенном фудтех-рынке!
• В B2B публичных кейсов пока мало — компании еще присматриваются к технологии. Но есть обезличенные данные от McKinsey. Описанный кейс рассказывает про увеличение на 20% OEM-продаж крупным производителем оборудования после внедрения генеративного AI в процесс.
• Salesforce рассказывает про кейс Siemens. Компания внедрила систему AI-агентов, которые в режиме 24/7 мониторят запросы партнеров, автоматически квалифицируют лидов и уведомляют об открывшейся возможности менеджера.

Еще одно направление, где генеративный AI дает мощнейший рост среднего чека, — это автоматизация работы с отзывами.

Отзывы и обратная связь — это ценный источник идей, но на практике они редко используются системно: объем данных слишком большой. Средний e-commerce провайдер может получать сотни отзывов в сутки, крупный — десятки тысяч. Вручную из этого сложно извлечь что-то большее, чем отдельные инсайты. Ну или сотруднику придется часами шерстить фидбек в поисках жемчужин.

LLM меняют эту ситуацию за счет масштаба и глубины анализа. Нейросети автоматически разбивают на кластеры тысячи отзывов и обращений, выделяют повторяющиеся боли, ожидания и неудовлетворенные сценарии. 

При этом модель работает не только с явными жалобами, но и с контекстом: что именно раздражает клиента, в какой момент использования продукта возникает проблема, что этому предшествовало и т.д. На основе этих паттернов можно находить точки роста, в том числе и в B2B, — дополнительные сервисы, расширенные пакеты, обучение, сопровождение, SLA или новые комбинации услуг, за которые клиенты уже готовы платить. Даже если они сами этого пока не осознали.

Почему это работает

Анализ даже неявно сформулированных проблем помогает докопаться до реальной боли своих клиентов. Устранив ее, добьемся роста среднего чека в числе прочих плюсов.

Примеры

• «Магнит» внедрил AI-систему для работы с отзывами. Система классифицирует по 80-ти критериям десятки тысяч отзывов в день и формирует единый дашборд со сводной информацией для аналитики. Кроме того, на каждый отзыв LLM формирует персонализированный ответ с учетом контекста покупки. В итоге менеджмент видит ситуацию на местах, а покупатели получают фидбек.
• Группа HoReCa-компаний EVT, управляющая сетью отелей, ресторанов и кинотеатров в трех странах, использует генеративный ИИ для быстрой аналитики 30,000+ отзывов в месяц. Вместо многих часов ручного труда саммари теперь создается за минуту и сразу идет в Power BI.
• А у китайского ритейлера Shein вокруг ИИ-аналитики спроса и отзывов покупателей выстроен не только клиентский сервис, но и логистика и даже производство. Подробно рассказывал об их кейсе в этой статье.

Помимо персонализации, рекомендаций и допродаж, для роста среднего чека можно использовать и другие инструменты, большинство которых хорошо работают как в B2C, так и в B2B-моделях.

• Динамическое ценообразование — цифровые системы и ML-модели позволяют адаптировать цены под спрос, объем, срочность или профиль клиента увеличивая чек там, где чувствительность к цене ниже, а также адаптировать к собственным логистическим и производственным мощностям.
• Бандлы и пакеты услуг — приложения и CRM автоматически формируют наборы товаров или услуг, которые логично дополняют друг друга, упрощая выбор и повышая итоговую стоимость сделки.
• Подписки — цифровые платформы переводят разовые покупки в регулярные платежи или сервисные контракты, увеличивая средний чек за счет долгосрочной ценности и удобства для клиента.
• Геймификация — механики накопления прогресса, уровней и бонусов в приложениях стимулируют клиентов расширять покупку или выбирать более дорогие опции без прямого ценового давления.

Подходить к цифровизации следует системно. У вас нет задачи просто реализовать те или иные фичи, описанные выше. У вас другой вопрос — как поднять средний чек. А для этого нужен продуктовый взгляд и общая стратегия. Что и как будем внедрять? Что именно мы хотим получить в итоге? Какие данные нужно интегрировать и как нововведения отразятся на UX/UI продукта?

Повышение среднего чека — это результат создания зрелой цифровой экосистемы. По сути, речь идет не о разовом эксперименте, а об инвестициях в технологии. В условиях экономической неопределенности инвестировать вдолгую сложно, поэтому я приведу очень простой и нетребовательный к бюджету чеклист по внедрению цифровых решений для роста среднего чека. 

1. Определить, за счёт чего сейчас формируется средний чек.
2. Выделить точки контакта, где возможны cross- и upsell.
3. Собрать и консолидировать данные о поведении клиентов: историю покупок, CJM, этапы взаимодействия, эпизоды обращения в поддержку и т.д.
4. Выбрать 1–2 цифровых сценария с быстрым эффектом, например, простую рекомендательную систему или базовую персонализацию.
5. Встроить их прямо в продукт или клиентское приложение.
6. Настроить метрики и выполнять регулярную проверку гипотез.

Соответственно, начать нужно с продуктовой и бизнес-аналитики, основанной на данных. А затем можно реализовать само решение.

Важный момент: стоимость разработки простого сценария для роста среднего чека с использованием ИИ будет совсем не высокой, возможно, до 1 миллиона рублей. А вот эффект будет виден почти сразу. Заказать аналитику и разработку мобильного приложения можно в Siberian.pro. Пишите прямо на почту или в наш Telegram-бот.