Сбер изучил спрос россиян на ювелирку

СберАналитика изучила расходы россиян в первом квартале 2024 года: количество покупок ювелирных изделий выросло на 10% по сравнению с тем, что было в январе — марте 2023-го.

Как сообщает пресс-служба Сбера, больше всего в первом квартале нарастили такие трансакции жители Южного федерального округа: +32% год к году. В тройку округов-лидеров по темпам роста также вошли Уральский (+19%) и Северо-Кавказский (+13%). Самый высокий средний чек на ювелирные изделия по итогам квартала зафиксирован в Центральном (10 023 рубля), Северо-Кавказском (9941 рубль) и Дальневосточном (9771 рубль) округах.

А вот спрос на цветы в целом по стране за первый квартал не изменился, хотя трём федеральным округам удалось показать рост. На первом месте по приросту снова Южный округ: +28% за год. В топ-3 — Северо-Кавказский (+22%) и Сибирский (+10%) округа. Наибольшие суммы среднего чека характерны для Дальневосточного (1980 рублей), Центрального (1937 рублей) и Северо-Кавказского (1678 рублей) округов.

Станислав Карташов, вице-президент, директор дивизиона «Корпоративные клиенты 360» Сбербанка:

«СберАналитика изучает динамику потребительского поведения, предоставляя бизнесу аналитику для определения точек роста и адаптации к спросу. Так, например, мы выяснили, что россияне стали чаще покупать ювелирные изделия: количество таких транзакций за первый квартал 2024 года выросла на 10%. Этот тренд важно учитывать всем участникам рынка. При этом общий оборот рынка ювелирных украшений в стране за первый квартал вырос на 33% год к году, а рынок цветочного бизнеса увеличился на 22% за этот же период».

Исследование проводилось на основе аналитической панели «Сенсус».

Исследования СберАналитики строятся на агрегированной обезличенной информации о потребностях и предпочтениях 108,6 млн покупателей и 6 млн юрлиц, а также данных из более 70 внутренних и внешних источников, что позволяет детально анализировать различные рынки с учётом их отраслевой и региональной специфики. Применение собственных запатентованных алгоритмов обработки информации (NN 2766156, 2766548, 2767465, 2770568, 2771000, 2795902) и моделей машинного обучения обеспечивает высокую точность и широкое покрытие сервиса.