Server-side аналитика для ритейла: как Lamoda собрала данные о возвратах в единый контур

Server-side аналитика для ритейла: как Lamoda собрала данные о возвратах в единый контур

Контекст

В 2024-2025 рынок fashion-ритейла в РФ столкнулся с двойным давлением: средний чек просел на 6-8%, а доля возвратов в сегменте одежды и обуви стабильно держится выше 30%. Каждый возврат — это не просто логистическая потеря, а слепое пятно в воронке: клиентский путь обрывается, и маркетинг продолжает платить за привлечение пользователя, который уже ушёл.

У Lamoda к этому моменту был зрелый стек: собственный CDP (платформа клиентских данных), события с сайта и приложения стекались в аналитику через Google Analytics 360 и внутренний DWH (хранилище данных). Но событие «возврат» жило в учётной системе 1С и SAP, почти не пересекаясь с маркетинговыми данными. Получался парадокс: команда performance видела клики и заказы, а финансовый эффект кампаний — нет.

Задача

Связать офлайн-события возвратов с онлайн-идентификаторами пользователя, чтобы:

— считать реальную маржинальность кампаний после возвратов;
— сегментировать аудиторию по склонности к возврату и не платить за её повторное привлечение;
— передавать сигнал в MMM-модель (модель смешения маркетинговых каналов) для корректной атрибуции.

Решение

Команда аналитики Lamoda совместно с data-инженерами реализовала классический server-side подход (обработка данных на сервере, а не в браузере пользователя):

1. Событие возврата из SAP начали отправлять на серверный контейнер Google Tag Manager Server-Side. Идентификатором служил user_id из CDP, а не cookie или client_id браузера.

2. На сервере событие обогащалось: подтягивались история покупок, источник первого касания, RFM-сегмент (сегментация по давности, частоте и сумме покупок) клиента. После этого данные уходили и в GA4, и во внутреннее DWH.

3. В BigQuery построили витрину, где каждой транзакции присваивался статус «чистая» (без возврата) или «с возвратом». Эту витрину отдали медиабайерам через Looker-дашборд и подключили к MMM.

4. Возвратные сегменты вынесли в отдельные аудитории и исключили из look-alike (поиск похожих пользователей) для performance-кампаний.

Результат

— Доля возвратов в performance-кампаниях снизилась с 34% до 27% за полгода.
— CPO (стоимость подтверждённого заказа) с поправкой на возвраты вырос в отчётности на 12%, но фактически это был не рост затрат, а честный учёт — раньше эти деньги просто не были видны.
— MMM после включения сигнала о возвратах пересчитал вес каналов: доля brand-search (поиск по бренду) в модели выросла, а у ряда performance-кампаний снизилась. Бюджет перераспределили, общий ROAS (окупаемость рекламных расходов) вырос на 8%.

Урок

Возврат — это такое же продуктовое событие, как покупка или отписка. Если оно не попадает в маркетинговый контур, вы оптимизируете воронку по верхней части и платите дважды: за привлечение и за повторное привлечение того же пользователя.

Server-side здесь — не про «модный стек», а про право бизнеса видеть собственный клиентский путь без потерь. Браузерная аналитика возвраты просто не ловит: cookie живёт 14 дней, а возврат часто случается на 10-15 день. Только серверная связка идентификаторов даёт целостную картину.

В эпоху, когда retention (удержание клиентов) и LTV (пожизненная ценность клиента) важнее первой покупки, такие «неудобные» события определяют, кто из маркетологов выживет — тот, кто считает метрики честно.

— @ServerSideTrackingRuPro