Как TopTraffic и O'STIN превратили ретаргетинг в управление жизненным циклом клиента

Главное о кейсе

O'STIN нужно было увеличить средний чек и долю повторных покупок через мобильное приложение, а также стимулировать пользователей возвращаться в приложение не только во время распродаж.

Мы вышли за рамки классического ретаргетинга и предиктивную модель на основе данных AppsFlyer и клиентской CRM. Она учитывала конкретные купленные товары, состав корзины, частоту заказов и историю взаимодействия с брендом, чтобы определить, когда вернуться к покупателю и что предложить ему дальше.

Пользователей распределяли по динамическим сегментам, которые обновлялись с учетом новых действий и реакции на рекламу, а каскад ИИ-агентов помогал готовить персонализированные сообщения для каждого сегмента.

Все рекомендации строились по принципу готовых образов: например, после покупки тренча пользователю предлагали дополнить его другими вещами и собрать капсулу.

В итоге средний чек вырос на 10% при KPI 7%, доля повторных покупок — на 12% при KPI 10%. Инкрементальность ретаргетинга (дополнительный эффект рекламы — покупки, которые не произошли бы без нее) увеличилась на 72%.

Как проект изменил жизнь пользователей

Покупатели мыслят не отдельными SKU, а образами. После покупки им может быть полезно предложение, которое помогает дополнить уже приобретенную вещь и собрать готовый образ.

Мы выстроили коммуникацию вокруг таких сценариев. Например, пользователю, купившему тренч, помогали собрать капсулу из других вещей, сочетающихся с тренчем.
Реклама становилась продолжением опыта покупки и помогала ориентироваться в ассортименте бренда.

Рекомендации менялись с учетом поведения и интересов человека. Пользователи стали чаще возвращаться в приложение между сезонными распродажами, совершать повторные покупки и знакомиться с новыми категориями.

Бизнес-задача и ее решение

КОНТЕКСТ

O'STIN — российский бренд повседневной одежды, обуви и аксессуаров. Компания развивает офлайн-розницу, сайт и мобильное приложение.

В fashion повторная покупка устроена сложнее, чем простое пополнение продуктовой корзины. Покупки нерегулярны и зависят от сезона, жизненных событий, выхода новых коллекций и акций, а гардероб люди обычно собирают из разных брендов. При этом один человек может делать множество покупок.

Поэтому рост бизнеса в отрасли напрямую связан с тем, насколько хорошо бренду удается вести клиента по воронке потребления.

Классического ретаргетинга здесь недостаточно: он не позволяет спрогнозировать, какой продукт пользователь захочет купить, и предложить его в рекламной коммуникации.

ЗАДАЧА

O'STIN обратился к TopTraffic с тремя связанными задачами:

1) увеличить долю повторных покупок в приложении
2) сократить интервал между покупками
3) стимулировать возвращение пользователей вне крупных распродаж

На старте установили два количественных KPI: увеличить средний чек минимум на 7%, а долю повторных покупок – минимум на 10%.

РЕШЕНИЕ

Вместо того, чтобы просто догонять пользователя рекламой после покупки, мы разработали предиктивную модель управления жизненным циклом клиента. Модель использует данные AppsFlyer и клиентской CRM о поведении пользователей и их покупках, чтобы определить, когда и с каким продуктом к ним вернуться.

Для этого используется динамическая сегментация: алгоритм выдвигает гипотезы о том, какой продукт может заинтересовать конкретного пользователя, и проверяет их через рекламные сообщения. Реакция на рекламу становится новым сигналом для модели: она уточняет сегмент пользователя и корректирует дальнейший сценарий.

Коммуникацию развивали по двум направлениям:

1) Удержание: выбор подходящего момента для повторного контакта.
2) Расширение, или Next Best Product: подбор следующего предложения с учетом уже приобретенных вещей и интересов клиента.

Для подготовки сообщений подключили каскад ИИ-агентов – он помогал создавать гипотезы, офферы, тексты и рекомендации по визуалам для множества сегментов.

Сегменты передавали в рекламную систему Яндекса. Во время распродаж команда сокращала количество активных сегментов, чтобы не конкурировать с органическим спросом. Когда крупных скидок не было, персонализированный ретаргетинг, наоборот, усиливали.

РЕЗУЛЬТАТЫ

К июлю 2026 года по сравнению с началом кампании в сентябре 2025 года:

- средний чек увеличился на 10%
- доля повторных покупок выросла на 12%
- инкрементальность ретаргетинга увеличилась на 72%

Оба стартовых KPI были превышены.

Пользователи стали чаще возвращаться в приложение и совершать повторные покупки между сезонными распродажами и промоакциями.

Оценка инкрементальности помогла понять, какая часть пользователей вернулась и совершила покупку именно благодаря ретаргетингу, а не самостоятельно. Для O'STIN это означает возможность оценивать эффект ретаргетинга и развивать сценарии, которые влияют на дальнейшие покупки пользователей.

Крафт (мастерство), реализация, технические детали

Рекомендации на основе данных

Рекомендательная модель работала на основе данных из AppsFlyer и клиентской CRM. Учитывалась история покупок на уровне SKU, состав корзины, частота заказов и история взаимодействия пользователя с брендом. Это позволяло перейти от анализа отдельных рекламных действий к пониманию интересов и потребностей конкретного пользователя.
На основе истории покупок и пересечений между товарными категориями система предполагала, какое предложение может быть актуально пользователю – и предлагала ему товар, помогающий собрать капсулу.

Динамическая сегментация

Пользователи автоматически распределялись по сегментам на основе схожих паттернов поведения. Принадлежность пользователя к сегментам менялась вместе с новыми действиями: например, если после рекламы пользователь возвращался в приложение или делал покупку, система перемещала его в другой сегмент и достраивала дальнейшую коммуникацию.
Динамические сегменты передавались в рекламные кабинеты вместе с релевантными рекламными сообщениями – либо через автоматический обмен по API, либо через регулярные выгрузки.

Два направления коммуникации

Первое направление — удержание. Модель определяла подходящий момент для возвращения к пользователю: например, при выходе новой коллекции или появлении риска ухода к конкурентам. Второе — расширение покупательского опыта через Next Best Product. Здесь учитывали, что человек уже приобрел и чем можно дополнить его гардероб.
Вместо продвижения отдельных товаров команда сделала ставку на капсулы и готовые образы. Так покупка становилась отправной точкой для следующего предложения.

Каскад ИИ-агентов

Большое число сегментов требовало отдельных офферов, текстов и визуальных решений. Создавать все это вручную было бы слишком долго, и чтобы автоматизировать процесс, мы внедрили каскад ИИ-агентов.
На основе характеристик каждого сегмента эти агенты генерировали гипотезы с набором рекламных сообщений, офферов и рекомендаций по визуалам. Так получилась масштабируемая креативная матрица, которая позволяла быстро запускать персонализированные коммуникации для множества пользователей.

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

1. Персонализированное общение

Чтобы выстроить персонализированную коммуникацию, нужно понимать потребности пользователя. Для этого недостаточно знать, что пользователь однажды совершил покупку: важно понимать, какие вещи он выбирает, какие категории обходит стороной, сколько тратит, как часто возвращается и что становится поводом для нового заказа. История покупок помогает предположить, чем можно дополнить его гардероб и когда такое предложение будет актуально.

Поэтому мы объединили сведения из AppsFlyer с обезличенными данными о покупках из клиентской CRM в собственной платформе управления данными. Это позволило связать историю покупок с поведением пользователя и использовать эту информацию для подготовки рекомендаций.

2. От покупки отдельной вещи к развитию гардероба

В fashion покупатели мыслят не отдельными SKU, а готовыми образами. Одна вещь может стать основой для образа и поводом вернуться за дополнениями – например, дополнить тренч брюками, обувью или аксессуарами.

Мы предположили, что повторную покупку можно стимулировать, если предложить человеку логичное продолжение предыдущей, поэтому рекомендации строили вокруг капсул: каждое новое предложение помогало собрать полноценный образ.

3. Неочевидные связи между категориями

Анализ выявил закономерности, которые команда изначально не закладывала в рекомендации. Например, пользователи, начинавшие знакомство с O'STIN с покупки базовой мужской одежды, впоследствии часто проявляли высокий интерес к парфюмерии.

Выявленные связи использовали для новых рекомендательных сценариев и проверяли в дальнейшей рекламе.

Скриншоты

Комментарий заказчика

Рост инкремента позволил нам отделить вклад ретаргетинга от органических покупок: мы увидели, что часть аудитории возвращается не самостоятельно, а именно благодаря рекламной коммуникации и прогнозированию потребностей пользователей. Таким образом, мы получили модель, которая помогает понимать, что может понадобиться покупателю дальше, постепенно расширять его гардероб внутри O'STIN и в перспективе работать на рост пожизненной ценности клиента.