Aviasales и «невидимая» оптимизация: как A/B-тесты сократили отказ на поиске и защитили выручку в privacy-firs

Aviasales и «невидимая» оптимизация: как A/B-тесты сократили отказ на поиске и защитили выручку в privacy-first эпоху

Автопоиск авиабилетов в 2026 году — это не только про клики. Это про то, как быстро пользователь понимает: «я нашёл то, что мне нужно», даже когда данные о поведении становятся менее доступными (privacy-first атрибуция, server-side события, рост роли агрегированных метрик и инкрементальности).

Контекст
Aviasales (как и многие e-com/marketplace) столкнулся с классической проблемой: на форме поиска и в выдаче «первые секунды» решают судьбу сессии. При этом любые изменения (переформатирование фильтров, перестановка блоков, новые рекомендации) легко дают локальный прирост CTR, но могут ухудшить последующие шаги: переход к оплате, сохранения маршрутов, повторные визиты.

Параллельно усилилось давление со стороны конкурентов и AI-overviews в поиске: часть аудитории получает ответы прямо в выдаче, а затем приходит не «за вдохновением», а с более конкретным намерением. Значит, качество релевантности на сайте стало дороже — и ошибки тоже.

Задача
Нужно было снизить отказ (exit) после ввода параметров поиска и на раннем этапе выдачи, не просадив выручку на пользователя. Условие звучало жёстко:
— изменения должны быть проверяемыми как минимум по инкрементальности (а не только по последним кликам);
— тест не должен «сломать» downstream-метрики (выбор рейсов, переход к бронированию, конверсия в оплату);
— период теста — короткий, потому что изменения в интерфейсе завязаны на сезонный спрос.

Решение
Команда Aviasales собрала гипотезу из трёх частей и решила тестировать не «одну кнопку», а связку сценариев.

1) Оптимизация первичного экрана выдачи
Вместо расширенного набора элементов «сразу всё» сделали более строгий порядок:
— ближе к первому экрану — самое важное для решения (время/стыковки/условия);
— второстепенные настройки — в более поздние шаги (через раскрытие блоков);
— добавили визуальные акценты на параметры, которые чаще всего влияют на выбор в конкретном сегменте пользователей.

2) Адаптивность без потери контроля эксперимента
Чтобы не получить ситуацию «у одних улучшилось, у других ухудшилось», применили сегментацию на уровне таргетинга в рамках A/B-теста:
— сегмент по типу устройства (mobile/desktop);
— сегмент по поведению в сессии до момента выдачи (например, повторный визит к поиску).

3) Защита от ложных выводов
Вместо логики «смотрим только конверсию на ближайшем шаге» команда заранее зафиксировала набор метрик:
— первичная: доля пользователей, которые покинули страницу после ввода параметров поиска (exit/отказ);
— прокси для качества: продолжение сценария (переход к выбору рейса);
— финансовый якорь: конверсия в оплату или метрика выручки на пользователя (в их терминологии — back-end подтверждения бронирования и покупок).

По инструментарию сравнение было принципиальным: если бы использовалось решение, которое сложно связать с серверными событиями и кроссдоменными путями, рост «локальных» метрик мог бы оказаться иллюзией из-за потерь на атрибуции. В их подходе тест опирался на связку корректного трекинга и post-processing метрик в privacy-first режиме.

Результат
В ходе эксперимента изменения на ранней выдаче дали устойчивый эффект по первичному поведению:
— отказ после ввода параметров снизился (в отчётах по тесту фигурировало двузначное процентное улучшение в доле отказов на раннем шаге; важно, что эффект сохранялся на разных устройствах);
— при этом не случился «эффект победы CTR над смыслом»: переход к выбору рейса не просел;
— финансовый якорь (конверсия в бронирование/оплату) остался стабильным или улучшился настолько, что даже при консервативной оценке это подтверждало инкрементальный характер результата.

Если свести логику к практическому выводу команды:
— улучшили именно скорость и ясность принятия решения на выдаче;
— не позволили интерфейсу «съесть» пользователя сложностью;
— удержали качество сценария дальше по воронке.
…