Зачем fashion-ритейлу предиктивная аналитика в рекламе
Befree - молодежный fashion-бренд, входящий в группу Melon Fashion Group (вместе с Zarina, Sela, Love Republic и Idol). Сеть насчитывает 268 магазинов в России и Беларуси. У компании собственный интернет-магазин с большим трафиком, и значительную часть онлайн-продаж генерирует ретаргетинг через "Яндекс Директ".
Результаты кратко
Befree подключили ML-ретаргетинг и гоняли AB-тест в Яндекс Директе полгода (июнь-ноябрь 2025). Вот что получилось:
ДРР (доля рекламных расходов) снизилась на 3 п. п.
Конверсия в заказ выросла на 0,44 п. п.
ROMI (возврат маркетинговых инвестиций): 727,54%
CPO (стоимость заказа) снизилась на 7%
Срок от подключения до первых результатов: 1,5 месяца
Источник: кейс Befree × Mindbox, данные за ноябрь 2025 года, метод атрибуции, последний значимый переход. Дальше, как именно это сделали, шаг за шагом.
До 2025 года ретаргетинг в Befree работал по классической схеме: рекламу показывали всем, кто побывал на сайте и ушел без покупки. В одном сегменте оказывались те, кто почти оформил заказ, и случайные посетители, заглянувшие на пару секунд. Бюджет распределялся без разбора.
К началу 2025 года расходы на рекламу заметно выросли. Команда продвижения поняла: пора менять подход. Вместо ковровой бомбардировки баннерами нужно точечно работать с теми, кто действительно готов купить. Для этого внедрили инструмент предиктивной аналитики, который оценивает вероятность покупки для каждого посетителя сайта.
Как работает ML-ретаргетинг
Машинное обучение анализирует поведение каждого посетителя и присваивает ему числовой скоринг от 1 до 100. Единица означает, что человек зашел случайно и покупать не планирует. Сотня это почти гарантированный заказ.
ML-модель обучается на исторических данных и учитывает десятки поведенческих сигналов:
какие страницы, категории и товары просматривал пользователь
сколько страниц посетил за сессию
сколько времени провел на сайте
добавлял ли товары в корзину или избранное
дошел ли до оформления заказа
заполнял ли адрес доставки
с какого устройства заходил
из какой рекламной кампании пришел
На выходе алгоритм находит закономерности: какие паттерны поведения чаще приводят к покупке. Каждый новый посетитель получает предикт числовую оценку вероятности покупки в режиме реального времени.
От широких сегментов к десяти точным группам
Раньше Befree формировали аудитории двумя способами. Первый это таргетинг в "Директе" по ключевым словам, интересам и географии для привлечения новых клиентов. Второй это сегменты в "Яндекс Метрике" по действиям на сайте, например, все посетители за последние 7 дней или те, кто добавлял товар в корзину.
Обе подхода имели одну проблему: слишком широкая аудитория. В одном сегменте оказывались и горячие покупатели, и случайные визитеры. Ставка за показ назначалась одна на весь сегмент, и деньги тратились одинаково на пользователей с высоким и низким потенциалом.
С внедрением предиктивной аналитики аудиторию разбили на 10 групп по вероятности покупки: от 0-10% до 90-100%. Для каждой группы назначили свою ставку в "Яндекс Директе". На горячие сегменты ставку повышают, на холодные снижают. Данные о сегментах автоматически передаются в "Яндекс Метрику", а менеджер по контекстной рекламе корректирует ставки.
Такой подход позволяет ранжировать посетителей сайта по готовности к покупке и по-разному выкупать показы: на горячие сегменты тратить больше, на холодные меньше.
До и после внедрения ML
До внедрения ML:
Аудиторию для ретаргетинга сегментировали по действиям. На рекламу показывали всем, кто был на сайте за последнюю неделю. Часть бюджета уходила на тех, кто ничего не собирался покупать.
Ставку назначали на весь сегмент целиком, без учета покупательского потенциала отдельных пользователей.
После внедрения ML:
Сегменты строят по вероятности покупки. Бюджет расходуют на тех, кто с большей вероятностью дойдет до заказа. Незаинтересованным пользователям рекламу не показывают.
Аудиторию делят на 10 групп. Для каждой своя ставка. Бюджет распределяется пропорционально потенциалу.
Тестирование: AA-тест и AB-тест
Befree не стали внедрять новый подход вслепую. Провели серию тестов по всем правилам.
Этап первый: проверка выборки
Посетителей сайта случайным образом поделили пополам на контрольную и тестовую группы. Запустили AA-тест: обе группы работали в одинаковых условиях. Задача убедиться, что между двумя половинами аудитории нет разницы в метриках.
Параллельно пользователей внутри тестовой группы распределили на 10 подсегментов по вероятности покупки. В каждом отслеживали конверсию в заказ и стоимость заказа (CPO), чтобы позже настроить коэффициенты ставок.
Через две недели, когда данные подтвердили однородность выборки, собрали базовые показатели и перешли к AB-тесту.
Этап второй: AB-тест с корректировкой ставок
Гипотеза: если в аукционе "Яндекса" выкупать больше показов на сегменты с высокой вероятностью покупки и меньше на сегменты с низкой, то CPO снизится, а конверсия в заказ вырастет.
Две группы:
Контрольная без ML-сегментации и корректировки ставок.
Тестовая с оценкой вероятности покупки и корректировкой ставок по каждому из 10 сегментов.
Длительность: 6 недель, июнь-июль 2025 года.
Результат: гипотеза подтвердилась. Средняя стоимость заказа во всех 10 сегментах тестовой группы оказалась ниже, чем в контрольной. Средняя конверсия в заказ выросла. Статистическая значимость теста составила 95%.
Конкретные цифры:
CPO в тестовой группе снизился на 7% по сравнению с контрольной
Конверсия в заказ выросла на 0,44 п. п.
Befree нарастили показы горячим пользователям вместо того, чтобы тратить бюджет на аудиторию с низкой вероятностью покупки. При тех же затратах больше выручки от ретаргетинга.
Итоговые результаты
Данные за ноябрь 2025 года, сравнение контрольной и тестовой групп. Метод атрибуции последний значимый переход.
-3 п. п. ДРР (доля рекламных расходов)
Рост конверсии в заказ из рекламных кампаний
727,54% ROMI (возврат маркетинговых инвестиций)
Весь проект от подключения до первых результатов занял полтора месяца.
ML-сегменты для привлечения новых клиентов
Когда предиктивный ретаргетинг доказал свою эффективность, Befree решили проверить, сработает ли та же логика для холодного трафика. На основе четырех самых конверсионных сегментов построили look-alike-аудитории внутри "Яндекса" и запустили кампанию на привлечение в рекламной сети (РСЯ).
Кампания работала с 18 по 29 декабря 2025 года. Результаты оценивали в середине января 2026, чтобы учесть отложенные покупки в новогодние праздники. ДРР по look-alike-кампании составил 33,77% это на 10,04 п. п. выше, чем у оптимизированной кампании со стандартным таргетингом за тот же период.
На первый взгляд цифра хуже, но команда Befree видит в этом потенциал. Стандартная кампания работала и оптимизировалась долгое время, а новая за пару недель показала сопоставимые результаты. Дальше можно улучшать ставки, креативы, форматы и площадки. Эксперимент проводили как пробный запуск, без AB-теста.
Что дальше: ML-скоринг в email и CRM
Предиктивная оценка пригодится не только для контекстной рекламы. Befree планируют использовать ML-сегментацию в CRM-маркетинге. Скоринг покупательской готовности можно сохранять в профиле клиента и учитывать при отправке коммуникаций.
Например, в сценариях "брошенной корзины" размер скидки будет зависеть от того, насколько клиент восприимчив к офферам. Горячему покупателю достаточно напоминания, сомневающемуся можно предложить дополнительную выгоду. Такой подход позволит адресно работать с каждым сегментом, а не раздавать скидки всем подряд.
Выводы для маркетологов
Опыт Befree показывает несколько практических выводов для тех, кто работает с ретаргетингом в e-commerce:
Сегменты вроде "все посетители за 7 дней" слишком размытые. Предиктивная аналитика позволяет точнее определить, кому показывать рекламу.
AA-тест перед AB-тестом это не формальность. Без проверки однородности выборки результаты могут оказаться ложными.
Look-alike-аудитории на основе предиктивных данных ещё один канал для экспериментов.
Внедрение предиктивного ретаргетинга это не многомесячный проект. Befree получили результат менее чем за два месяца.
Скоринг покупательской готовности можно применять не только в рекламе, но и в email-коммуникациях, push-уведомлениях и программах лояльности.
