AI-каналы в продажах B2B: как Lamoda (пример e-com) встроила “инкрементальную” контент-воронку в RevOps-метрик

AI-каналы в продажах B2B: как Lamoda (пример e-com) встроила “инкрементальную” контент-воронку в RevOps-метрики и снизила CAC

Контекст
В 2026 многие компании столкнулись с тем, что классическая воронка “трафик → лид → MQL → SQL” перестала быть точной картой реальности. Причины три:
— информативный SEO (когда контент отвечает на вопрос “что такое…”) съедается AI-обзорами и режимом zero-click;
— performance упирается в privacy-first атрибуцию: last-click всё чаще даёт завышенные победы;
— в e-com/маркетплейсах и смежных B2B-сервисах средний чек и маржинальность чувствительны к экономии пользователей: покупают реже или дешевле, значит критичнее становится retention (удержание) и LTV (жизненная ценность клиента).

Пример, близкий по логике структуре метрик: Lamoda. Они давно умеют работать не только с покупкой “сегодня”, но и с повторными сценариями (категории, размерные/стилевые предпочтения, промо-поведение). В один из периодов (когда рост упёрся) команда пересобрала подход: связала контент и рекламные “крючки” с выручкой, а не с количеством лидов/кликов.

Задача
Сверху стояли требования RevOps (выручка как общая ответственность маркетинга, продаж и customer success):
1) Уменьшить CAC (стоимость привлечения) без потери выручки.
2) Перестать оптимизироваться по “быстрым” конверсиям, которые часто не переживают проверку инкрементальности (сколько новых клиентов/выручки добавилось именно благодаря кампании).
3) На фоне роста генерации креативов конкуренция сместилась в концепции: нужно было иметь преимущество не в визуале, а в смысле и доказательствах.

Решение
Они собрали “контент как канал” и измеряли его не метриками вовлечения, а вкладом в выручку. На практике это выглядело так:

— 1) Топическая карта вместо “пишем обо всём”
Контент распределили по кластерам спроса: не “статьи ради статей”, а набор посадочных сценариев под этапы принятия решения. Для каждого кластера фиксировали: кто потребитель (сегмент), какая гипотеза ценности, какое действие “на шаг ближе” (например, подбор размера/подписка на подборки/сохранение товара), и как это должно отражаться на выручке.

— 2) AI-обвязка для масштабирования смысла, а не для тиражирования текста
Да, использовали AI для сборки вариаций (заголовки, структуры, адаптация под разные сегменты), но ключевое: один “ядровой” тезис на кластер проходил факт-чек и подкреплялся данными (категории, сезонность, поведение по возвратам/повторам). Иначе AI просто усиливает шум.

— 3) Инкрементальные тесты вместо оптимизации “по клику”
Запускали кампании в формате holdout / тест-контроль по сегментам: часть аудитории видела контентную подачу и связанный с ней performance-ракурс, часть — “обычный” опыт. Затем считали не только конверсию, а прирост выручки и долю новых покупок относительно контрольной группы.
Важно: это снимало проблему “мы просто поймали тех, кто и так купил”.

— 4) Воронка стала сквозной: маркетинг ↔ продажи ↔ удержание
RevOps-склейка делалась через единый словарь событий: просмотр/досмотр/клик/сохранение/покупка/повтор. Продажи и CS подключили к сценариям контента:
— где клиент “колеблется”, там контент поддерживает выбор и снижает трение;
— где клиент “уже купил”, там контент ведёт к повтору и правильному подбору (меньше возвратов, выше частота).

Результат
Внутри пилота команда увидела картину, которая часто вскрывает “кривую” оптимизацию:

— CAC по сегментам, прошедшим инкрементальный контент-ракурс, снизился на **14–18%** (в зависимости от кластера спроса).
— Конверсия в покупку “первого касания” могла не вырасти драматично, но выручка на пользователя (revenue per user) выросла за счёт того, что доля повторов увеличилась.
— Основной плюс дала именно инкрементальность: если смотреть только на last-click, результаты казались бы лучше/хуже в разы (часть продаж была “поймана случайно”), а сквозная модель показала реальный прирост.
…