Как Lamoda собрала единый профиль клиента через server-side трекинг и отказалась от last-click

Как Lamoda собрала единый профиль клиента через server-side трекинг и отказалась от last-click

Контекст

В 2024-2025 рынок fashion-ecommerce в РФ сжался: средний чек просел на 5-8%, доля повторных покупок стала определяющей для unit-экономики. Lamoda (входит в экосистему Х5) обслуживает миллионы пользователей между мобильным приложением, вебом и офлайн-точками выдачи. Классическая last-click модель в Google Analytics и в рекламных кабинетах систематически занижала вклад верхних каналов (видео, медийка, блогеры) и завышала performance-кампании в нижней части воронки. Бюджеты уходили в перегретый ретаргетинг, а реальный LTV (пожизненная ценность клиента) клиента, который впервые пришёл через бренд-видео, не учитывался.

Задача

Построить сквозную атрибуцию, где каждый touchpoint (точка контакта) с пользователем — от первого касания до десятого заказа — имеет корректный вес. Перестать списывать 60-70% конверсий на последний клик, который часто принадлежит внутреннему поиску или прямому заходу. Восстановить правду о пути клиента.

Решение

Lamoda развернула server-side контейнер (серверный контейнер обработки данных) на базе стека Google Tag Manager Server (серверный GTM) + BigQuery. Схема работы:

— Все события из приложения (SDK), сайта (Web API) и офлайн-PVЗ (точки выдачи заказов) стекаются в единый поток через собственный CDN-балансировщик на Cloudflare.
— Внутри серверного GTM подключены шаблоны Facebook Conversions API (серверная передача конверсий), Google Enhanced Conversions и собственный event-bus в Kafka.
— Идентификация пользователя строится по детерминированному ключу: хеш от email или телефона авторизованного пользователя, плюс fallback (резервный вариант) по связке device_id + client_id. Это позволяет сопоставлять визиты до и после логина без cookies сторонних поставщиков.
— В BigQuery данные нормализуются в таблицу user_touchpoints, где каждая строка — конкретный контакт с конкретным пользователем в конкретное время. Дальше работает собственный data scientist отдел: обучают модели атрибуции на основе Shapley value (метод из теории кооперативных игр для справедливого распределения вклада), сравнивают с данными маркетингового микса (MMM — модель, связывающая расходы на медиа с результатами) и incrementality-тестами (тесты инкрементальности, измеряющие реальный прирост от рекламы) по гео-сплитам.

Результат

После шести месяцев эксплуатации в публичных выступлениях команды (например, на конференции Matemarketing в 2025) прозвучали конкретные цифры:

— Доля last-click конверсий упала с ~65% до ~35% в отчётности для performance-команд.
— Видеокампании (которые раньше недооценивались) получили +40% к атрибутированному доходу.
— Бюджет на ретаргетинг (повторное обращение к пользователю, уже видевшему рекламу) сократили на 18% без потери ROAS (возврат на рекламные расходы) — деньги перераспределили в верхнюю воронку.
— Главное: медианный LTV когорты, привлечённой по бренд-каналам, оказался на 22% выше, чем у когорты из performance-only.

Урок

Server-side — это не «ещё один контейнер». Это инфраструктурный сдвиг, где маркетинг перестаёт быть заложником cookies и last-click иллюзий рекламных платформ. Когда вы собираете события на своей стороне, вы возвращаете себе право считать как считаете правильно. В privacy-first эпохе 2026 это не опция, а базовое требование для бренда, который хочет управлять retention, а не гнаться за последним кликом.

— @AdOpsRoom