Retentioн без “магии”: как Aviasales перестроил воронку после всплеска отказов на раннем этапе

Retentioн без “магии”: как Aviasales перестроил воронку после всплеска отказов на раннем этапе

Контекст
В 2026-м уже не достаточно “догнать лиды”. В performance-атрибуции (server-side, MMM, incrementality) last-click перестаёт быть главным судьями, а в e-commerce/маркетплейсах и в travel-вертикали сильнее давит экономика среднего чека: пользователи экономят, цикл принятия решения становится более разнесённым по времени. Для Aviasales (и похожих продуктов) это означает одно: если на верхней части воронки растёт доля отказов, выручка просядет не линейно — “вытекают” будущие бронирования, которые раньше конвертировались через повторные визиты и возвраты.

Задача
В один из кварталов команда заметила признаки “поломки” ранней стадии:
— доля пользователей, которые доходили до шага выбора параметров, но не доходили до просмотра предложений, выросла
— средняя конверсия на первом визите просела
— при этом выручка за последующие 14–30 дней у той же аудитории восстанавливалась хуже, чем раньше

Маркетинг видел проблему как “падение качества трафика”, продукт — как “трение в UX”. Продакты, как водится, измеряли по своим метрикам, маркетинг — по своим. В RevOps-рамке (общая ответственность маркетинга, продаж и customer success за выручку) требовалось доказать: что именно ломает ретеншн (возврат пользователей) и почему это бьёт по downstream (дальнейшим действиям).

Решение
1) Cohort-аналитика вместо средних по больнице
Сегментировали пользователей по неделям первого визита (когорты) и сравнили поведение:
— шаг “дошёл до просмотра вариантов” (proxy для готовности к покупке)
— повторный визит в течение 7/14/30 дней
— доля пользователей, которые “дожимались” без повторной генерации трафика

Ключ: оценивали не “конверсию сегодня”, а **удержание по маршруту** (route retention) — сколько людей вернулось и продолжило сценарий.

2) Событийная модель и “контроль трения”
Ввели единый словарь событий: просмотр формы/параметров, ошибка валидации, возврат назад, длительность на шаге. Дальше построили матрицу:
— где растёт отказ
— у каких сегментов (новые vs вернувшиеся, устройства, сценарии маршрута)

3) Event-based A/B для изменений в раннем шаге
Решение приняли точечно: упростили порядок заполнения параметров и переработали обработку ошибок (раньше пользователь видел общий отказ и уходил). Изменение проверяли A/B с учётом удержания: оценивали не только конверсию на шаге, но и возврат в течение 14 дней.

4) Атрибуция с инкрементальностью на повторные визиты
Чтобы не попасть в ловушку “кажется, стало лучше”, выстроили инкрементальность: сравнение с контрольной группой по возвратам и будущим броням (с поправкой на offsite-источники и органику). Это помогло отделить эффект сайта от эффекта внешнего спроса.

Результат
По данным эксперимента и когорной верификации:
— конверсия на шаге “просмотр вариантов” выросла на **+9–12%** у когорт, попавших в новую логику обработки ошибок
— доля повторных визитов в течение 14 дней увеличилась на **+6%**
— при этом просадка первого визита перестала “капать” в провал: восстановление downstream стало заметно уже в горизонте 7–14 дней
— суммарный вклад группы в выручку (по инкрементальности, а не по last-click) стал статистически устойчивым

Самое важное: средняя конверсия “прямо сейчас” могла казаться смешной. Но когортная картина показала, что мы лечим причину — раннее трение, которое ломает возврат.

Урок
1) Если просела конверсия на раннем шаге — смотрите route retention в разрезе когорт, а не средние значения.
2) A/B измеряйте по 2 уровням: immediate metric (шаг воронки) + future metric (возврат/продолжение сценария через 14–30 дней).
3) В 2026 RevOps важнее споров “это трафик или продукт”: нужны события, словарь метрик и инкрементальность, чтобы доказать влияние на выручку.
4) Для Zero-click эпохи и роста AI-overviews выигрывают те, кто делает контент и UX “самодостаточными”: пользователь должен понимать следующий шаг без боли уже на первой попытке.
…