Nike и «AI-обзоры» для контента: как команда вытащила продажи из Search-шума без last-click

Nike и «AI-обзоры» для контента: как команда вытащила продажи из Search-шума без last-click

Контекст
В 2026 поиск уже не про «занырнуть в выдачу и собрать клики». Информационные запросы стали размываться в Zero-click, а поведенческие сигналы сильнее упираются в privacy-first атрибуцию. У Nike при этом остаётся классическая боль: конверсия из верхнего и среднего уровней в revenue требует не только рекламных касаний, но и управляемого качества контента (Topical Authority — авторитет по теме, который нарабатывается месяцами). Плюс у e-com давит тренд снижения среднего чека на 5–8%: людям проще отложить покупку, чем “купить сейчас”, значит растёт роль удержания и повторных сценариев.

Задача
1) Сократить просадку органического/реферального трафика из-за изменения выдачи и поведения пользователей.
2) Повысить долю контента, который отвечает на намерение (intent), а не просто ранжируется.
3) Связать контент с результатом в терминах бизнеса: влияние на выручку и прогрев до MQL/SQL-уровня, но в логике RevOps (маркетинг + продажи + customer success за общий результат).

Решение
Команда Nike перестроила процесс так, чтобы “публикации” превращались в серию AI-обзоров (объяснительных материалов), которые можно быстро адаптировать под разные категории продуктов и географию — но с жёстким стандартом качества.

Что сделали практично (без магии):
— Собрали карту вопросов по аудиториям: “как выбрать”, “как подобрать размер/стиль”, “какая технология под мой режим тренировок”, “чем отличаются линейки”. Источники — собственные данные поиска на сайте, вопросы из support, обращения в соцсети и внутренняя аналитика продаж по категориям.
— Для каждого кластера сформировали “матрицу ответа”: какие тезисы должны быть внутри материала, какие доказательства (сертификаты, тесты, экспертные комментарии), какие продуктовые привязки уместны.
— В контент-пайплайне внедрили AI как ассистента, а не автора “с нуля”: модель генерировала структуру и черновые формулировки, но редактура фиксировала фактуру и бренд-специфику. Важно: такие материалы писались так, чтобы их охотно цитировали в обзорах и сравнениях — это усиливает Topical Authority.
— Добавили модуль “конверсионных узлов”: не CTA в лоб, а связки “выбрать продукт → посмотреть критерии → подобрать размер/уход → оформить”. Плюс страница “FAQ-выбор” стала единым справочным центром, чтобы контент работал как навигатор.
— Для измерения отказались от попыток сделать всё через last-click. Использовали более корректные подходы: инкрементальность (incrementality) через тесты креативов/лендингов и server-side фиксацию событий, где это возможно; дальше — оценка вклада контента в общую воронку через прокси-метрики (досмотр/глубина чтения, возвраты на FAQ, доля переходов в продуктовые карточки, влияние на повторные визиты). Там, где было нужно, подключали MMM (маркетинговый микс) как “верхнюю правду”.

Результат
По публичным презентациям и кейс-подходам бренда (и типичным для таких систем метрикам, которые команда регулярно раскрывает):
— Доля материалов, которые стабильно давали органический трафик “долгоиграющего” характера, выросла (внутри года — заметно выше среднего по сайту). Модель работала не за счёт количества публикаций, а за счёт попадания в намерения.
— Увеличилась конверсия из справочного контента в продуктовые сценарии: пользователи чаще доходили до карточек и возвращались на сайт в течение недели (важный шаг для e-com в условиях падения среднего чека).
— По выручке эффект отслеживали как вклад контента в рост продаж по категориям, а не “одним кликом”. В тестах инкрементальности посадочные и обзоры с сильнее выстроенной логикой выбора дали положительный прирост к бизнес-метрикам при сопоставимых затратах на дистрибуцию.
…