Сегментация “по моменту покупки”: как Aviasales перестроила офферы без роста затрат на привлечение

Сегментация “по моменту покупки”: как Aviasales перестроила офферы без роста затрат на привлечение

Контекст
В 2026 году поиск становится менее “прямым”: запросы всё чаще заканчиваются в AI-обзорах (AI-overviews), а часть пользователей уходит в нулевой клик. Для метапоиска это означает сдвиг по воронке: снижение доли сценариев “искал → сразу купил” и рост доли “сначала сравнил → вернулся позже”. На этом фоне классическая стратегия “один креатив — один оффер — один сегмент” начинает терять эффективность: вы платите за трафик, но не попадаете в контекст принятия решения.

Задача
Aviasales нужно было улучшить конверсию в покупку и удержать расходы на маркетинг в пределах бюджета, не усиливая зависимость от последнего клика. Проблема была не в качестве трафика (она была стабильной), а в том, что рекламные обещания и персональные предложения часто приходили в момент, когда пользователь ещё “не готов” выбирать (он сравнивает, уточняет, планирует).

Решение
Команда перешла от сегментации “по демографии/гео” к сегментации “по моменту покупки” (purchase moment). Логика была такой: один и тот же человек может быть в разных состояниях готовности — значит, оффер должен меняться вместе с состоянием.

Практика выглядела как набор микро-сегментов, которые определялись на основе поведения в последней сессии и типовых сигналов намерения:
— “Смотрю альтернативы”: частые возвраты к результатам поиска, изменение дат/городов, просмотр нескольких вариантов без перехода к оплате
— “Сравниваю тариф/аэропорт”: клики по похожим предложениям с различиями по времени/перевозчику
— “Почти решение”: добавление в маршрут, открытие деталей условий, длительная остановка на конкретном варианте
— “Планирую”: запросы с широким диапазоном дат, повторные визиты через несколько дней

Для каждого состояния сформировали отдельный сценарий коммуникации: что именно подсвечивать (экономию, удобство, надёжность/условия возврата), в какой последовательности показывать, и где “заканчивать” подталкивание. Важно: сегмент был не статичным. Пользователь мог перейти из “планирую” в “почти решение” — и оффер обновлялся.

Результат
По публичным кейсам и внутренним отчетам отрасли для метапоисков характерно следующее: при таком подходе рост эффективности обычно приходит не “за счёт одного волшебного баннера”, а за счёт снижения доли нецелевых показов внутри того же трафика. В метриках это проявляется так:
— сокращение процента кликов “без дальнейшего движения” (переход к оплате/деталям)
— рост доли сессий, в которых пользователь доходит до ключевого действия
— перераспределение бюджета в пользу сегментов с более высокой вероятностью покупки при сохранении общего объёма трафика

Как результат, модель дала прирост конверсии и уменьшила просадку по эффективности, когда пользователи теряли путь из-за нулевого клика и AI-обзоров. Отдельный эффект — улучшение прогноза нагрузки на поддержку/Customer Success (для путешествий это важно): меньше “срыва” на последнем шаге из‑за неподходящих условий оффера (например, когда человек рассчитывал на одно, а ему показывали не тот формат тарифа).

Урок
1) Сегментация “по намерению” лучше объясняет поведение в эпоху AI-overviews, чем демография. Люди не просто “разные”, они “в разных состояниях решения”.
2) Сегмент должен быть живым: обновляться на основании ближайших сигналов поведения, а не фиксироваться раз и навсегда.
3) В RevOps-подходе (ответственность маркетинга, продаж и customer success за выручку) выигрывает не только performance (эффективность), но и “качество пути”: меньше разочарований на последних шагах — выше общая выручка.
…