Server-side атрибуция + инкрементальность: как IKEA (Retail) перезапустила performance при privacy-first огран

Server-side атрибуция + инкрементальность: как IKEA (Retail) перезапустила performance при privacy-first ограничениях

В эру 2026 privacy-first атрибуция перестала быть “улучшением к последнему клику” и стала обязательной инфраструктурой: платформы режут сигналы, а пользователи уходят в режим нулевого следа. На этом фоне у ритейла обострилась классическая проблема Head of Performance: бюджет распределяется по тому, что можно измерить, а не по тому, что реально двигает выручку.

Контекст
IKEA — крупный мультиканальный ритейл с сильной долей офлайна и длинным циклом принятия решения (выбор кухни/гарнитура, посещение шоурума, накопление корзины). В последние годы у них заметно выросло влияние ограничений трекинга: часть событий не доходит до пикселей, доля отклонённых согласий и разные правила браузеров “размывают” конверсии. На практике это выливается в расхождение между:
— модельной аналитикой (когда клик/просмотр вроде бы “ведёт” к покупке)
— и фактическим бизнес-эффектом (когда покупка происходит через несколько дней и/или после визита в магазин)

Задача
Перезапустить performance-модель так, чтобы:
1) Бюджет распределялся не по last-click, а по влиянию на продажи (lift, а не “учёт”).
2) Сохранилась возможность оптимизации кампаний при провалах в сигнализации (consent rate ниже, part of traffic без точных событий).
3) Реконструировалась цепочка “канал → спрос → действие” через server-side (серверную) отправку данных и проверку инкрементальности.

Решение
IKEA (по публичным описаниям подходов крупных ритейлеров в отрасли) сделала связку из трёх компонентов — и это важно: по отдельности каждый пункт слабее.

1) Server-side сбор ключевых событий
— перевели часть передачи событий с сайта на сервер (server-side), чтобы уменьшить потери от браузера и блокировок;
— унифицировали схему “что считать ценным”: не только “покупка”, но и прокси-события (просмотр категории, планирование/выбор сценария, начало оформления), привязанные к вероятности покупки;
— настроили синхронизацию идентификаторов в пределах согласий (где это разрешено политиками платформ и местным регулированием).

2) Пересобрали measurement под offsite/offline вклад
— наладили сопоставление с CRM/заказами (внутренние справочники заказов), чтобы отделять “клик ради кликa” от реальной покупательской активности;
— завели нормализацию данных: один и тот же пользователь мог приходить несколькими путями, поэтому “конверсия” перестала быть единственной точкой истины.

3) Инкрементальность вместо веры в атрибуцию
— запустили тесты с контролем (holdout/geo-эксперименты в рамках допустимого), где часть аудитории не получала показов или получала минимальную вариацию;
— оценивали uplift по продажам, а не по “достигнутым конверсиям” в платформенной витрине;
— результаты использовали для пересмотра правил биддинга и распределения бюджета между сегментами.

Как это выглядело на уровне решений для Head of Performance:
— оптимизация продолжала опираться на доступные события, но стратегически KPI сместился на экономический эффект (incrementality-lift), а не на точность last-click;
— бюджеты “переклеивались” в пользу тех связок, которые в тестах давали рост продаж, даже если атрибуция “в интерфейсе” выглядела скромнее.

Результат
По итогам перестройки measurement-комплекта бизнес получил измеримо более устойчивое планирование:

— При том же уровне медийного охвата доля “атрибутированных” покупок снизилась (потому что меньше сигналов доходило до пикселя), но продажи в тестовых группах росли, что подтверждало: атрибуция действительно недоучивала вклад.
— Увеличилась доля бюджетов, перенаправленных в сегменты с подтверждённым uplift: в ритейле это обычно выражается в росте эффективности на уровне CPS/ROAS по экономике (а не по модельной витрине).
— Сократился риск “оптимизации в пустоту”: когда кампании выигрывали только за счёт доступности трекинга, а не за счёт реального влияния.
…