A/B-эксперимент Aviasales: как команда сместила акцент с «клика» на качество намерения и подняла конверсию в п

A/B-эксперимент Aviasales: как команда сместила акцент с «клика» на качество намерения и подняла конверсию в покупку

В 2026 году в performance-медиа стало заметно, что “добрый” last-click всё хуже объясняет реальность. Пользователь воронки всё чаще проходит через Topical Authority (или AI-обзор в выдаче), а прямые клики превращаются в шум: они не гарантируют готовность к покупке, особенно в B2B-стандартах аналитики (серверная атрибуция, инкрементальность) и при privacy-first подходах.

Контекст
Aviasales как метапоиск живёт на связке: агрегируем предложения → помогаем пользователю выбрать маршрут → доводим до бронирования. Проблема возникла на одном из типовых сегментов: рекламный трафик стабильно давал клики, но доля покупок относительно кликов (CVR на следующем шаге) проседала. С ростом конкуренции в концепциях (AI-генерация креативов на потоке) креативы перестали быть драйвером, а узкое место стало ближе к продуктовой логике: какое предложение и в каком виде показывается человеку на первом “решающем” касании.

Задача
Перестроить оптимизацию не на “клик по объявлению”, а на качество намерения после перехода. Конкретно команда хотела:
— сократить долю “нецелевых” переходов (случаи, когда пользователь не готов к бронированию прямо сейчас)
— увеличить долю пользователей, которые возвращаются к покупке в течение окна (retention-логика в рамках воронки)
— удержать общий объём заказов при том же медиа-бюджете (инкрементальность, а не перемеривание постфактум)

Решение
Вместо одной механики “меняем баннер” сделали эксперимент на уровне продуктового решения и измерения:

1) Интерфейс первого ответа
На посадочной карточке предложения ввели два режима ранжирования:
— вариант A: стандартный порядок (привычная логика метапоиска)
— вариант B: порядок с приоритизацией “покупочного намерения” по поведенческим признакам (предположительно: частота действий, тип устройства, история поиска, согласованность даты/направления и т.п.)
Важно: это не персонализация “в лоб”, а изменение приоритета отображения, чтобы уменьшить вероятность “перехода ради просмотра”.

2) Модель атрибуции для оценки
Команда отказалась от опоры только на last-click метрики “после клика”. Использовали связку:
— server-side события
— инкрементальные оценки на уровне сегментов (где это возможно)
— контрольные когорты для отделения эффекта интерфейса от сезонности и динамики спроса (особенно критично в туристических категориях)

3) Метрики успеха
Основной KPI не CVR “на клик”, а:
— CVR в бронирование (из визита в заказ)
— доля пользователей, дошедших до стадии “готовность” (условная промежуточная конверсия)
— incremental lift по заказам в контрольных группах

Результат
По публичным описаниям подхода и внутренним отчётам метапоисков аналогичного класса, эффект обычно проявляется именно “после клика”: клики могут быть похожими, а покупки — заметно отличаться. В этом кейсе команда получила:
— рост конверсии в бронирование относительно контрольной группы (порядка нескольких процентов на уровне визит→заказ)
— снижение доли нецелевых переходов: пользователи стали чаще “двигаться дальше” по воронке, а не просто смотреть цены
— при сохранении расходов на трафик общий объём заказов удержали или подняли за счёт качества потока

Урок
1) Если вы в 2026 году всё ещё оптимизируете рекламу по клику, вы платите за сигнал “просто интересно”, а не за “готов купить”. Качество намерения нужно переносить в продуктовую часть воронки.
2) Эксперимент должен быть измерен так, как вы принимаете решения: server-side + контрольные когорты/инкрементальность, иначе эффект интерфейса смешается с шумом атрибуции.
3) Побеждает не “самый яркий креатив”, а связка: ранжирование предложения + корректная оценка эффекта. В условиях Zero-click и AI-overviews конкурентное поле смещается из концепции исполнения в концепцию решений по пути пользователя.
…