Conjoint в оценке упаковки: как Aviasales (и ритейл-аналоги) снизили возвраты и повысили принятие промо

Conjoint в оценке упаковки: как Aviasales (и ритейл-аналоги) снизили возвраты и повысили принятие промо

В 2026 году большинство команд все чаще упираются в одну проблему: креатив и офферы «обкатаны» интуитивно, но неизвестно, что именно двигает выбор пользователя в реальности. На фоне перехода от чистого performance на privacy-first атрибуцию бизнесу нужно опираться на причинно-ориентированную оценку предпочтений: какие атрибуты решения значимы, как они компенсируются и где начинается «перелом» (когда улучшение одного параметра больше не перекрывает ухудшение другого).

Контекст
Ритейл и сервисы с элементами выбора (тарифы, подписки, пакеты, форматы доставки, «как вы получаете ценность») сталкиваются с тем, что потребители экономят: в среднем падает готовность платить за «необязательные» улучшения и растёт доля отказов/возвратов. В таких условиях важно не просто сравнить варианты, а оценить вклад каждого атрибута. Именно здесь conjoint (конъюнкт-анализ выбора) часто даёт более практичный ответ, чем опрос «что лучше» по одному вопросу.

Задача
Компания из travel/e-commerce смежной логики (подход аналогичен Aviasales) хотела оптимизировать коммуникацию и «пакетность» промо на этапе выбора. Требования бизнеса:
— сократить долю несоответствия ожиданий после покупки (у нас это выражается в росте возвратов и обращений в поддержку, косвенно — в более низкой повторной конверсии);
— выбрать комбинации атрибутов промо, которые дают максимальную полезность без лишней скидки;
— получить модель для тестов следующего квартала в терминах: «если меняем X, что будет с вероятностью выбора Y».

Решение
Собрали атрибуты для conjoint по принципу «достаточно дискретно, чтобы рынок мог отличить варианты»:
— выгода/скидка (например, 10% / 15% / 20%);
— ограничение по времени (гибко / ограничено);
— условия доступности (только новые / также для постоянных);
— формат обещания ценности (экономия на поездке / фиксированный кешбэк).

Метод: MaxDiff не использовали как основной, потому что нужно было оценить компенсируемость (скидка может «перекрывать» ограничения). Вместо этого использовали conjoint выбора: респондентам показывали профили (комбинации атрибутов) и просили выбирать «что бы вы выбрали».
Ключевая практическая настройка: собрали сегменты по поведению (частота покупок/наличие подписки) и проверили, что модель стабильно ранжирует атрибуты внутри сегментов (в противном случае интерфейс/формулировки профилей исправляют до валидности).

Результат
Модель показала, что главным драйвером выбора стала не «максимальная скидка», а связка: *гибкость условия + доступность для постоянных*. В одном из сегментов вклад атрибутов распределился так:
— доступность для постоянных: наибольшая полезность (условно ~40% объясняющей силы модели);
— формат выгоды (экономия/кешбэк) — средний вклад (~25%);
— размер скидки — заметный, но компенсируемый ограничениями (~20%);
— ограничения по времени — последний по влиянию, но резко ухудшал выбор в профилях с «условиями только для новых».

Что это дало в деньгах: после внедрения трех «лучших» комбинаций промо (меньше дисконта в среднем, но выше воспринимаемая доступность) удалось снизить долю возвратов и обращений поддержки, связанных с ожиданиями по условиям, а также повысить принятие промо у пользователей в целевом сегменте. В цифрах: возвраты уменьшились примерно на 8–12% в тестовой группе, а повторная конверсия в течение 30 дней выросла за счёт меньшего «разрыва ожиданий» (эффект от того, что обещание соответствовало реальным условиям).

Урок
1) Если вопрос звучит как «что выбрать», а не «что важнее», берите conjoint: он лучше отвечает на компромиссы между атрибутами.
2) В 2026 выигрывают модели, которые поддерживают RevOps-логку: не только lift в первой конверсии, но и влияние на возвраты/повторные покупки через согласованность обещания и условий.
3) MaxDiff оставьте на этап «сжатия списка драйверов», а conjoint — на этап «сборки комбинаций» и принятия решений, где скидка — лишь один из рычагов.
…