Retargeting без cookies: как IKEA и маркетологи в 2026 строят модель инкрементальности с AI (и не превращают р

Retargeting без cookies: как IKEA и маркетологи в 2026 строят модель инкрементальности с AI (и не превращают рекламу в «угадайку»)

Изначально ретаргетинг в перформансе держался на простой логике: догнать людей, которые уже были на сайте, и дожать до покупки. Но в 2026 это всё чаще ломается сразу по трём причинам:
— privacy-first атрибуция: меньше сигнала, больше ограничений на идентификаторы;
— Zero-click эпоха: часть ценного поведения уходит в поисковую выдачу, агрегаторы и AI-обзоры, где конверсии не «видны» ретаргету напрямую;
— падение первой покупки в e-com (по рынку обычно говорят о **просадке 5–8%** среднего чека и чувствительности к цене): аудитория думает дольше, а «догонять баннером» становится слабее по эффективности.

Контекст: почему классический ретаргетинг перестал быть управляемым
В сети e-com (на примере похожих по модели брендов — IKEA как массовый ритейл с сильной товарной матрицей и длинным циклом выбора) маркетинг видит проблему так: платформы признают конверсии «по последнему клику» только частично, а креативы и частота растут, но бизнес-метрики стоят. Возникает иллюзия контроля: вроде бы аудитория возвращается, но вклад рекламы в выручку сложно доказать.

Задача
Нужно было перейти от «мы показываем рекламу тем, кто был на сайте» к «мы доказываем прирост выручки от ретаргетинга».
Уточнённые цели проекта на стороне IKEA-подобного ритейла:
— доказать инкрементальность (изменение результата из‑за кампании, а не совпадение по времени);
— собрать модель, которая работает без точных пользовательских идентификаторов (учитывая ограничения на cookie и персональные данные);
— повысить качество сегментации: не по «факту визита», а по вероятности завершения сценария (выбор → добавление → оформление).

Решение: связка server-side (серверная передача данных), MMM и AI-overviews поведения
Команда сделала ставку на три слоя, которые вместе дают измеримость и управляемость:

1) Обновили сбор событий (серверная передача вместо пляски с куки)
— события отправлялись через server-side (серверную логику), чтобы уменьшить потери сигналов на стороне браузера;
— стандартизировали события по воронке: просмотр, добавление в избранное, добавление в корзину, старт оформления, завершение;
— ввели «окна» поведения (например, 7/14/30 дней) как базовую единицу для моделирования, а не для точного персонального трекинга.

2) Перешли от last-click к доказуемой прибавке через инкрементальность
— выстроили тесты с контрольной группой и инкрементальные методики: сравнивали целевые когорты с теми, кто был в похожем цифровом окружении, но не получал ретаргет;
— параллельно использовали MMM (маркетинговый микс-моделлинг), чтобы учесть офлайн- и другие онлайн-каналы и не приписывать себе чужую выручку.

3) AI применили не «для генерации баннеров на потоке», а для выбора стратегии сегментов
— AI-модель строила propensity (вероятность завершить покупку в горизонте) на основе агрегированных паттернов: глубина просмотра, смена категорий, регулярность посещений, время до первого взаимодействия, взаимодействие с конкретными типами товаров;
— для Zero-click эпохи добавили AI-overviews как источник сигналов по темам спроса: какие запросы и какие форматы обзоров приводят в категорию, а не в конкретный URL (то есть сегментировали по намерению, а не по адресу страницы);
— итогом стало не «тех, кто был», а «тех, кому имеет смысл напомнить». Для рекламных систем формировали вероятностные когорты, а не персоны.

Как это выглядело в операционке (упрощённо)
— сегменты: 4–6 когорты по вероятности завершения и стадии;
— частота: ограничение по частоте и по «истощению креатива» (если человек в когорте трижды видел и не двигался по воронке, показы начинали другой сценарий — не догонять тем же);
— бюджеты: перераспределение не по CTR, а по инкрементальному ROAS (окупаемости с учётом прироста), который оценивали через контрольные сравнения и MMM-надстройку.
…