Как AI-аналитика заменила классическую модель атрибуции в Lamoda

Как AI-аналитика заменила классическую модель атрибуции в Lamoda

Контекст
В 2026 году эпоха last-click (атрибуция по последнему клику) окончательно ушла в историю. С развитием server-side (серверной передачи данных) и жесткими ограничениями privacy-first (приоритета конфиденциальности пользователей) бренды столкнулись с проблемой: путь клиента стал фрагментированным. Lamoda, будучи крупным игроком e-com (электронной коммерции), столкнулась с тем, что классические системы сквозной аналитики перестали видеть реальный вклад медийных каналов в итоговую выручку.

Задача
Оценить эффективность брендовых кампаний, когда 70% аудитории совершает покупку через 3-4 недели после первого касания, используя разные устройства. Стандартные отчеты показывали заниженную эффективность медийной рекламы, из-за чего маркетинговый бюджет распределялся неоптимально в пользу performance-каналов (каналов с оплатой за целевое действие), которые «забирали» всю заслугу себе.

Решение
Компания внедрила собственную модель MMM (Marketing Mix Modeling — моделирование маркетингового микса) с глубокой интеграцией AI. Вместо отслеживания cookie (файлов данных о пользователе), система начала анализировать агрегированные данные: изменение объема брендовых запросов, динамику посещаемости приложения и средний чек в зависимости от интенсивности показов рекламы в конкретных регионах. Использование машинного обучения позволило выявить «отложенный эффект» — влияние показа баннера сегодня на покупку спустя 20 дней.

Результат
— Точность прогнозирования выручки от медийных инвестиций выросла на 22%.
— Перераспределение бюджета позволило снизить стоимость привлечения клиента (CAC) на 12% при сохранении общего объема продаж.
— Выявлено, что 15% «органических» покупок на самом деле являются прямым следствием брендовой рекламы, которую ранее система атрибуции не считывала.

Урок для рынка
Сегодня ценность маркетинга измеряется не количеством кликов, а вкладом в рост прибыли через RevOps (общую ответственность маркетинга, продаж и клиентского сервиса за выручку).

*Главный вывод*: В условиях, когда поиск (SEO) превращается в выдачу ответов искусственным интеллектом (AI-overviews), а доверие к прямой рекламе падает, инструменты математического моделирования становятся единственным способом понять, что на самом деле работает. Компании, которые продолжают ориентироваться на отчеты рекламных кабинетов как на истину в последней инстанции, теряют до 20% эффективности бюджета из-за неверной оценки долгосрочного влияния на потребителя. В 2026 году побеждает тот, кто умеет считать не «где кликнули», а «что принесло деньги в кассу» спустя время.