Amplitude cookbook: как Aviasales перестроила измерение воронки под privacy-first атрибуцию и удержание

Amplitude cookbook: как Aviasales перестроила измерение воронки под privacy-first атрибуцию и удержание

В 2026 конкуренция за внимание в поиске стала жестче: чистое informational SEO уходит, а в выдаче всё чаще доминируют AI-обзоры. Для travel-сервиса это означает, что люди могут «долго думать» и возвращаться через разные касания. Одновременно last-click атрибуция становится менее доверенной в privacy-first мире: браузерные сигналы и cookie-данные ограничиваются, а конверсии размываются по времени и каналам.

Контекст
Aviasales (как и многие performance-направленные B2B и e-commerce по модели “путь клиента”) столкнулся с типичной проблемой: маркетинг видел трафик и клики, но хуже отвечал на вопрос “какой набор действий приводит к покупке в нужном окне?”. Отдельно болело удержание: при падении конверсии в первую покупку ценность сместилась в повторные действия (поиск, сохранения, подписки на изменение цены) и в то, что клиент возвращается после первого опыта.

Задача
Нужно было:
— перестать судить об эффективности кампаний по одному конверсийному событию “покупка” без учета прогресса пользователя;
— связать каналы с поведением внутри продукта: поиск → выбор → оформление → оплата/успех;
— собрать единый measurement plan для “длинных” путей, где конверсия растянута во времени;
— подготовить основу для корректной оценки влияния маркетинга без опоры только на last-click.

Решение
Aviasales в логике Amplitude перестроил воронки и измерения вокруг последовательностей и “прогресса” пользователя, а не только финального события.

1) Единый стандарт событий и параметров
— Ввели структуру событий для ключевых этапов (например, “SearchPerforms”, “OfferViewed”, “CheckoutStarted”, “PurchaseSuccess”).
— Для каждого события фиксировали одинаковые поля-атрибуты: устройство, источник первого визита (как категория), тип сценария, стоимость/валюта (где применимо), статус пользователя (новый/возвращающий).
— Главная идея: чтобы амплитуда-события могли собираться в отчеты и сегменты без “ручных” маппингов.

2) Фокус на funnel + paths, а не на одиночные конверсии
— Воронка строилась не только от “Search” до “PurchaseSuccess”, но и как series-цепочки: какие шаги чаще всего предшествуют покупке.
— Для раздельной аналитики завели сравнение “окон”: пользователи, дошедшие до “CheckoutStarted”, но не дошедшие до “PurchaseSuccess” — и то, как они возвращаются позже через повторный поиск.
— Это позволило отделить проблемы канала (приводит мало релевантных) от проблем продукта (ломается шаг оплаты/выбора).

3) Segmentations по состоянию пользователя
— Разделили аудитории: новые vs возвращающие, пользователи с сохраненными маршрутами/оповещениями vs без них.
— Для возвращающих строили не “первую покупку”, а поведенческие цели: повторный поиск, применение фильтров, выбор предложения, повторный заход в checkout.

4) Privacy-first атрибуция: корректная интерпретация
— Смысл был в том, чтобы относить эффект кампаний к более устойчивым поведенческим “прокси”: например, рост доли пользователей, дошедших до “OfferViewed” и “CheckoutStarted” в период после касания.
— Финальные выводы по покупке делали вместе с проверкой альтернативными подходами (серверная фиксация событий, инкрементальность на уровне когорт, и общая оценка через MMM/сопоставления), чтобы не опираться на один last-click.

Результат
Перестройка измерения дала измеримый эффект в “сигналах прогресса” и в удержании:
— Доля пользователей, проходящих шаг “OfferViewed” до “CheckoutStarted”, выросла на **+12%** в ключевых сегментах воронки (за счет удаления разночтений в событиях и уточнения параметров).
— Конверсия в покупку стала менее “шумной”: вариативность показателя между кампаниями снизилась, а расхождения между отчетами маркетинга и продукта уменьшились на **~20%** по внутренним сверкам (одна очередь проблем — одна модель данных).
— В e-commerce-логике “падение первого чека” компенсировали retention-механиками: доля возвращений к поиску в течение 14 дней у сегмента с оповещениями выросла на **+8%**, что лучше коррелировало с LTV, чем только стартовые рекламные метрики.
…