Aviasales: как мы «вытянули» измерение из last-click и собрали incrementality для медиа

Aviasales: как мы «вытянули» измерение из last-click и собрали incrementality для медиа

В конце 2024–начале 2025 в Aviasales (группа путешествий) накопился классический перекос: performance-отчёт строился вокруг last-click/последнего касания и атрибуции «по клику». Внутри это выглядело логично: где лиды — там расход. Но в реальности рост спроса всё чаще формировался не одним кликом, а связкой «много касаний → выбор в сессию позже → бронь». На фоне privacy-first (рост доли недоступных идентификаторов и ограничений tracking) last-click начал занижать вклад верхней и средней воронки и переоценивать нижнюю.

Задача
- Разделить эффект бренд/категория (информационные потребности) и прямой спрос (люди, которые уже искали конкретный рейс/дату).
- Проверить incrementality: действительно ли рост в performance-каналах создаёт добавочную выручку, или «перетягивает» уже готовый спрос из других источников.
- Дать performance-руководству модель, по которой можно принимать решения по бюджету при дефиците данных (а не «по ощущениям» и не по последнему касанию).

Решение
1) Калибровка маркетинговой смеси под измеримость
Мы выделили основные сегменты трафика и медиа по роли:
- верхняя часть (брендовые размещения/широкий охват, влияющий на доверие и видимость),
- середина (поисковая и тематическая видимость, но не только бренд),
- низ (прямые performance-кампании, где путь короче).
Вместо попытки «всё атрибутировать» мы зафиксировали: часть эффекта будет описываться через MMM (маркетинговый микс-моделинг), а точность на уровне кампаний проверяем инкрементом.

2) MMM поверх доступных агрегатов
Для медиа собрали недельные ряды по spend/impressions и бизнес-метрики (броней/выручке) с лагами. Ключевые допущения:
- эффекты медиа распределяются по времени (не мгновенно),
- есть внешние драйверы спроса (сезонность, праздники, общая волатильность рынка),
- часть сигнала по performance-каналам всё равно неполна из‑за ограничений идентификации.
Итогом стала оценка вклада каналов в выручку на уровне «порядок величины + устойчивость», а не в формате «каждый рубль точно в клик».

3) Incrementality через квази-эксперименты
Чтобы не остаться в теории MMM, мы применили дизайн с контрольной группой в рамках доступных механик (гео/тайм-окна и отключения/ослабления отдельных пакетов размещений). Логика была простой для управления:
- если при ослаблении пакета падает общий lift меньше, чем ожидали last-click, значит атрибуция переоценивает «прямое» влияние и недооценивает «переток» из других касаний;
- если при включении пакета lift выходит устойчивым в контрольных сегментах — это и есть доказательство добавочного эффекта.

4) Сшивка: MMM даёт «что должно быть в среднем», incrementality — «что реально добавляет»
В практике мы использовали MMM как базовую карту распределения, а результаты инкрементальности — как калибратор коэффициентов для performance-каналов. Это позволило пересобрать прогнозы эффективности не только по ROAS, а по диапазонам incrementality и вероятностной устойчивости решения.

Результат
По итогам нескольких итераций медиамикса:
- пересмотр распределения бюджета снизил зависимость от каналов с наибольшей долей last-click (которые при росте ограничений данных особенно «шумят»),
- бренд/категория-пакеты начали попадать в план как управляемый драйвер выручки, а не «размытый вклад»,
- прогнозы MMM стали согласовываться с observed lift из инкрементальных окон: расхождения сократились с «десятков процентов» до уровня, который можно было объяснять сезонностью и лагами.

Практический показатель для руководства: эффективность была оценена не по «сколько кликов мы украли у других», а по добавочной выручке. Там, где incrementality подтверждалась — бюджеты усиливали; там, где подтверждения не было — перераспределяли в каналы с более наблюдаемым добавочным эффектом.
…