MaxDiff в сегментации: как Aviasales разложил «почему выбирают» по 6 причинам

MaxDiff в сегментации: как Aviasales разложил «почему выбирают» по 6 причинам

Контекст
В 2026 на travel-рынке (Aviasales как агрегатор) конкуренция смещается от “кто дешевле” к “кто полезнее в контексте”: пользователь одновременно ищет выгоду, надёжность, удобство решений и уверенность в процессе. При этом классическая связка “лидогенерация → MQL → SQL” хуже объясняет, какие именно свойства сервиса дают вклад в выручку. В таких условиях маркетингу и аналитике нужно не просто собрать мнения, а ранжировать драйверы выбора и разложить их по сегментам — чтобы дальше планировать креативы, UX-гипотезы и коммуникации под разные мотивы.

Задача
Воронка выбора у агрегаторов почти всегда содержит конфликтующие критерии: “цена” vs “время/удобство”, “гарантии” vs “контроль маршрута”, “простота” vs “прозрачность сборов”. Команда Aviasales поставила задачу:
— понять, какие причины выбора доминируют на уровне пользователя (не на уровне характеристик “есть/нет”),
— измерить относительную важность причин внутри сегментов (например, частые путешественники и редкие),
— получить данные, пригодные для приоритизации продуктовых улучшений и тематики рекламных сообщений.

Решение
Сделали MaxDiff (Maximum Difference Scaling) с блоками причин выбора, сформированных на основе аналитики поведения и интервью. В MaxDiff респонденту показываются наборы из 4–5 утверждений, из которых нужно выбрать “самое важное” и “самое неважное”. Это даёт коэффициенты относительной важности по каждому утверждению без прямого требования “оцените по шкале 1–10”, которое часто ломается от вкуса к формулировкам.

Дизайн инструментария:
— в анкете были 12 причин-кандидатов (например: “минимальная итоговая стоимость”, “короткое время перелёта”, “понятные условия возврата/изменений”, “удобство выбора маршрута”, “надёжность поиска без ошибок” и др.);
— формирование блоков максимизировало покрытие, чтобы каждая причина попадала достаточное число раз;
— сегментация в анализе велась по частоте путешествий и по “ценовому стилю” (условно: кто чаще ищет экономию, а кто — оптимум по времени).

Результат
По итогам MaxDiff выяснилось, что у разных сегментов “главные” причины отличаются, хотя общий лидер один:
— у “редких путешественников” первое место заняла итоговая предсказуемость стоимости (внутренняя доля важности — 27% среди топ-5 причин), второе — понятность условий изменений/возврата (около 19%);
— у “частых” на первом месте оказалась скорость нахождения оптимального варианта (примерно 24%), а предсказуемость стоимости просела до ~14%, потому что выбор уже выучен и меньше зависит от “страха скрытых доплат”;
— “управляемость маршрута” (контроль стыковок/вариантов) в частом сегменте дала сильный вклад (~18%), тогда как в редком — около 10%.

Отдельно команда получила устойчивую картину по “второстепенным” причинам: например, часть технических преимуществ (формально полезных, но не первичных) стабильно оказывалась ближе к концу ранжирования, что снизило риск распылять бюджет на сообщения, которые не меняют выбор.

Урок
1) Если нужен ответ “что двигает выбор”, а не “как люди относятся”, MaxDiff даёт измеримый приоритет — ранжирование причин в терминах важности, пригодное для принятия решений.
2) Средние по выборке часто вводят в заблуждение: сегменты могут менять порядок топ-драйверов, и это напрямую влияет на контент и креативы (какие тезисы выносить в баннеры/лендинги, какие формулировки усиливать).
3) В 2026 ценность исследования — в связке с приоритизацией: результаты MaxDiff нужно сразу переводить в карту гипотез для продукта и коммуникаций, а не оставлять “для отчёта”.

Если нужно, могу предложить шаблон набора причин для MaxDiff в сервисах-агрегаторах (как их валидировать, чтобы не перепутать “фичи” и “мотивации”).

— @QuantResearchRuPro