Aviasales: как с помощью AI‑обзоров и “инкрементальности” снизили стоимость лида в поиске (без скатки в манипу

Aviasales: как с помощью AI‑обзоров и “инкрементальности” снизили стоимость лида в поиске (без скатки в манипуляции)

Контекст
В 2026 году travel‑рынок живёт по тем же правилам, что и весь performance, только боль особенно заметна: часть спроса стала “zero‑click” (пользователь получает ответ ещё до клика), а атрибуция всё сложнее из‑за privacy-first подхода. В таких условиях маркетинг хуже верит в last-click (последний клик) и чаще требует доказуемого эффекта — через инкрементальность, серверсайд‑данные, MMM (моделирование маркетинга) и аккуратные тесты.

С этим столкнулся Aviasales: команда регулярно оптимизировала кампании на “дешёвые клики”, но качество лидов и доля пользователей, которые реально доходят до заявки/броней, начинали “плыть” — особенно когда конкуренты усиливали контент‑обещания в выдаче.

Задача
Нужно было добиться двух вещей сразу:
— уменьшить стоимость целевого действия (не клика), сохранив или улучшив качество трафика из органики и платного поиска
— перестать “гадать” по атрибуции и научиться подтверждать, что конкретные действия дают прирост выручки, а не просто перетягивают трафик между кампаниями

Решение: что именно сделал AI и как это встроили в процесс
1) Топик‑карты под AI‑overviews, а не “просто SEO”
Команда пересобрала контент-процесс: вместо объёма статей они сфокусировались на тематической авторитетности (Topical Authority). Для этого использовали связку из двух типов инструментов:
— генерация черновиков структуры (переходы “вопрос → ответ → сценарии выбора → как сравнивать варианты”)
— проверка фактологии и полноты: AI подсказывал, чего не хватает в материале, чтобы он закрывал намерение пользователя до конца

Практический принцип: если пользователь в выдаче видит “краткий ответ” (часть информации забирает AI‑обзор/сниппет), сайт должен дать добавленную ценность, которую нельзя пересказать одной строкой. Поэтому упор сделали на сравнительные таблицы, “как выбрать” и типовые ошибки (например, как читать правила тарифа/условия изменений).

2) AI‑подсказки для рекламных креативов: конкуренция в концепции, не в исполнении
Дальше подключили AI для контентной части рекламы: тексты и заголовки формировали не “на поток”, а по кластерам сегментов. Внутри кластера AI предлагал несколько вариантов:
— разные углы смысла (скорость поиска, гибкость по датам, экономия на сезонности, подсказки по пересадкам)
— одинаковую структуру CTA, но с разной логикой “почему сейчас/почему это выгодно”

Важно: визуал и посадочные элементы оставались под управлением команды, а AI использовался как конструктор идей и быстрый редактор гипотез.

3) Инкрементальность вместо доверия последнему клику
Чтобы прекратить спорить “в отчётах одно, в жизни другое”, поставили измерение прироста. Это делали так:
— часть трафика и показов оставляли в “holdout” (контрольной группе)
— сравнивали поведение (дальнейшие события: просмотр результата → начало брони → завершение) между тестом и контролем
— отдельно учитывали вклад brand/неbrand запросов и сезонность, чтобы изменения не списывались на погоду по рынку

Такой подход позволил отказаться от ситуации, когда платные кампании “рисуют себе результат” за счёт атрибуции.

Результат (цифры из отчётов экспериментов)
По внутренним тестам Aviasales достиг:
— снижение стоимости целевого действия на 18–24% в сегментах, где контент поднимал качество раннего этапа воронки (пользователь точнее понимал “как сравнивать”)
— рост доли пользователей, дошедших до ключевого шага (start booking) при сопоставимом бюджете на 10–14%
— уменьшение доли некачественных лидов в платном трафике за счёт корректных ожиданий из объявления и материала (то есть меньше “кликов ради клика”)
…