A/B-тесты «на конверсию» мёртвые: значит, вам нужен не тест, а система решения

A/B-тесты «на конверсию» мёртвые: значит, вам нужен не тест, а система решения

Миф: если я оптимизирую страницу под конверсию (лид, покупка, подписка) и запускаю A/B-тесты, то дальше всё должно “само” улучшаться. Если результаты незначимы или “не бьются” в проде — тесты просто не работают.

Откуда растёт заблуждение
Эта логика выучена на классической схеме: есть целевое событие, есть метрика, сравнили варианты — приняли решение. Но в 2026-м пользовательский путь длиннее, влияние маркетинга разделено между каналами, а атрибуция часто приватность-first и с неполной картиной. Плюс растёт роль AI-overviews: часть спроса уходит в нулевой клик (нулевая сессия), а значит, «целевое событие» на лендинге всё чаще не покрывает реальную ценность контента и брендинга.

Почему это неправда
Конверсия — это не “качество маркетинга”, а следствие множества промежуточных механизмов: намерение аудитории, скорость обработки лида, трение в оффере, качество данных в событиях и корректность измерения. Когда A/B оптимизирует конверсию без учёта качества потока, вы можете улучшить CPL (стоимость лида) на бумаге, но ухудшить downstream: SQL (квалифицированные лиды), время до сделки, удержание или выручку. В RevOps-подходе (единая ответственность маркетинга, продаж и customer success за выручку) это проявляется как расхождение между “что растёт в тесте” и “что приносит бизнес”.

Что вместо него
Определяйте тест как решение задачи, а не как соревнование вариантов по одной конверсии. Выберите метрику уровня ценности (выручка, маржинальный вклад, retention/LTV), а конверсию используйте как прокси только там, где есть доказанная связь. Добавьте фрейм проверки:
— контроль композиции аудитории (что именно поменялось в потоке)
— инкрементальность (насколько эффект отличим от фоновой динамики)
— guardrail-метрики (что нельзя ухудшить: качество лидов, скорость обработки, отток).
Если данных на ценность не хватает, сначала делайте калибровку измерения и “мост” от событий к бизнес-метрикам, а уже потом масштабируйте оптимизацию.

— @ExperimentationRoom