Возврат в топ-воронке через RevOps: как Aviasales переупаковала аналитику ценности путешествий

Возврат в топ-воронке через RevOps: как Aviasales переупаковала аналитику ценности путешествий

В 2026 году маркетинг всё чаще отвечает не за «лиды ради лидов», а за выручку целиком: маркетинг, продажи и customer success (удержание) вместе считают вклад в повторные покупки и экономику клиента. В этой логике многие команды столкнулись с тем, что классическая лидогенерация (MQL/SQL) работает хуже: растёт доля неочевидных касаний, атрибуция “last-click” становится менее правдоподобной из‑за privacy-first и проседает конверсия в понятные статусы. На этом фоне Aviasales (как агрегатор и агентская модель) перешла к более “ценностному” подходу к данным.

Контекст
— Каналы поиска и контента перестали давать “чистые” информационные ответы: увеличилась доля zero-click (когда пользователь получает ответ без перехода).
— В продукте присутствует длинный цикл покупки (планирование поездки), где важны не только первые клики, но и предсказание вероятности покупки в ближайшие недели.
— Пользователи чаще сравнивают, откладывают решение и возвращаются позже: для e-com и travel в этот период важнее retention (удержание) и LTV, потому что средний чек у аудитории под давлением экономии.

Задача
Нужно было ответить на три вопроса:
1) Какие сегменты дают не “больше кликов”, а больше бронирований с хорошей экономикой (маржинальность и вероятность повторной покупки)?
2) Какие касания в воронке реально поднимают конверсию, если last-click ненадёжен?
3) Как пересобрать отчётность так, чтобы маркетингом управляли под RevOps (выручка и ценность клиента), а не под набор формальных статусов?

Решение
1) Свернули метрики “по действиям” в метрики “по ценности”.
Команда завела набор KPI по когортам:
— активация (первое бронирование/первый успешный сценарий),
— качество (доля бронирований с оплатой без возвратов/отмен),
— LTV по 30/60/90 дням,
— вклад канала в рост вероятности следующего бронирования (а не только первого).

2) Перешли к multi-touch логике через инкрементальность.
Чтобы не зависеть от атрибуции “последний клик”, использовали подходы инкрементальности:
— тестирование офферов/креативов по сегментам с контролем,
— оценка lift (прироста) не по переходам, а по броням и выручке,
— раздельная оценка верхне- и нижневороночных воздействий (верх — спрос, низ — конверсия в бронирование).
Вместо “канал Х принёс 10 000 лидов” появилось “канал Х дал +Y% к броням в целевой когорте при затратах Z”.

3) Сегментация по поведению стала основой продуктового таргетинга.
Не “по полу/городу”, а по состоянию намерения:
— сравнивали/фильтровали,
— открывали предложение, но не дошли до оплаты,
— возвращались в течение окна планирования,
— пользователи, которые готовы к повторной покупке (например, планируют следующую поездку).
Дальше маркетинг строил коммуникации (и бюджет) вокруг этих стадий, а customer success помогал “дожимать” сценарии с риском отмены/неуспеха.

4) RevOps-дашборд связал marketing, продажи и удержание в единую воронку.
Единая модель данных позволила считать “сквозную эффективность”:
— медиавложения → качество бронирований → выручка → удержание,
с обновлением раз в неделю (достаточно быстро, чтобы корректировать ставки и форматы, и достаточно стабильно для статистики).

Результат
По публично известной логике улучшений в travel-вертикали и типичных измерениях инкрементальности для подобных переходов ожидаемые эффекты выглядят так (как правило, именно они фиксируются в отчётах команд):
— снижение доли бюджета, идущей в “нулевую ценность” (когда клики не превращаются в оплаченные бронирования),
— рост точности прогнозирования бронирований в целевых сегментах,
— увеличение LTV за счёт повторных обращений: пользователи, получившие релевантное планирование/подсказку в нужный момент, чаще возвращаются.
В терминах метрик это обычно выражается в lift к конверсии в бронь и в рост доли сегментов с более высокой маржинальностью, при сопоставимом или меньшем CAC (стоимость привлечения).
…