RevOps и «дорогие» лиды: как Aviasales переупаковала аналитику под выручку, а не под MQL

RevOps и «дорогие» лиды: как Aviasales переупаковала аналитику под выручку, а не под MQL

Контекст
В 2026 маркетинг все сильнее измеряется не «сколько заявок принесли», а «какую выручку обеспечили». Особенно это видно в B2B/RevOps-логике, где маркетинг, продажи и customer success (удержание и сервис) отвечают за общий денежный результат. При этом у классической лидогенерации есть системная проблема: часть лидов оказывается качественно слабой уже на этапе продаж, а часть теряется между воронками — из‑за медленной обработки, плохой сегментации и отсутствия сквозной модели стоимости привлечения.

Aviasales (публичный кейс по подходам компании в аналитике и продуктовых улучшениях) показала типичную для рынка траекторию: вместо оптимизации рекламного трафика «по сигналам формы» начали перестраивать модель принятия решений на уровне платформы и пайплайнов данных — так, чтобы агрегировать метрики по этапам до факта выручки.

Задача
Нужно было ответить на три вопроса, которые обычно «ломают» KPI маркетолога аналитика:
— почему расходы на привлечение растут, а количество покупок не растет пропорционально?
— какие сегменты пользователей дают выручку, а какие — только видимость активности (клики, заявки, ранние события)?
— как перестать платить за лиды, которые не превращаются в бронирование/покупку, но продолжают потреблять бюджет через ретаргетинг?

Если у вас воронка выглядит как «клики → регистрации → лиды (MQL) → продажи (SQL) → выручка», то главный провал почти всегда в том, что оптимизация идет на верхних уровнях. В результате растет доля «дорогих» лидов и проседает конверсия вниз.

Решение
Команда Aviasales сделала упор на RevOps-сквозность и отказалась от идеи «единая конверсия на все» в пользу многоуровневой модели качества. В практике это обычно выглядит так:

— Пересобрали событийную карту: связали рекламные касания с действиями внутри продукта (по датам и идентификаторам), а затем — с фактом завершенной покупки/броня.
— Ввели сегментацию по intent (намерению) и контексту: один и тот же пользователь по внешним сигналам может быть «горячим» или «исследующим». Вместо одного MQL на всех — несколько уровней квалификации.
— Перешли от атрибуции “last click” к приближениям с учетом инкрементальности: оценивали вклад каналов через тесты, holdout (отсечки), а также модели, которые учитывают время и повторные касания. Там, где данные были неидеальными, опирались на MMM/сквозные корректировки, чтобы убрать систематические перекосы.
— Настроили совместный контур с продажами/сервисом (в терминах RevOps): если определенные сегменты дают высокий ранний интерес, но проваливаются на операционных этапах (например, задержки обработки, несоответствие оффера), то причина не в медиа, а в процессе. Это сокращает “охоту” за лидом там, где проблема лежит ниже по цепочке.

Важно: сработала логика “сначала качество сигнала — потом оптимизация бюджета”. Иначе AI в креативах (который может бесконечно генерировать варианты) начинает лишь ускорять неправильный сценарий.

Результат
В подобных проектах обычно фиксируют эффект в двух плоскостях:
— снижение стоимости целевого действия за счет переориентации оптимизации с формы на факт выручки;
— рост конверсии вниз по воронке за счет сегментации и синхронизации процессов.

На уровне практики это проявляется так: уменьшается доля сегментов, которые приносят много лидов, но дают слабую монетизацию; перераспределяются бюджеты в пользу каналов/аудиторий, чья инкрементальная доля выше. В терминах маркетинг-аналитики: вы начинаете платить не за «действие в интерфейсе», а за “денежный результат”, а значит качество модели становится частью управления доходом.
…