Радио 
Чтобы удержать покупателя, фэшн-ретейлу важно понять, какая именно деталь гардероба может заинтересовать его дальше. Для этого O'STIN и мобильное агентство 
TopTraffic вышли за рамки классического ретаргетинга и построили модель, которая прогнозирует дальнейшие потребности клиента и влияет на него через персонализированную коммуникацию. Представители компаний рассказали Sostav, как работает модель и каких результатов удалось достичь.
О клиенте
O'STIN — российский бренд повседневной одежды, обуви и аксессуаров. Бренд развивает как офлайн-розницу, так и собственные онлайн-каналы — сайт и мобильное приложение.
Для бренда важно не только привлекать новых покупателей, но и развивать долгосрочные отношения с существующими клиентами: расширять корзину, увеличивать частоту покупок и вовлекать пользователей в новые продуктовые категории.
Контекст кампании
В фэшн повторная покупка устроена сложнее, чем простое пополнение продуктовой корзины. Покупки обычно 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: покупатели мыслят не отдельными товарами, а готовыми образами.
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. Именно эту задачу и требовалось решить O'STIN.
Задача
O'STIN обратился к TopTraffic с тремя задачами, связанными между собой: увеличить долю повторных покупок в приложении бренда, сократить интервал между ними и стимулировать пользователей возвращаться за покупками не только во время крупных распродаж. На старте перед командой стояло два количественных KPI (Key Performance Indicators, или ключевые показатели эффективности): увеличить средний чек минимум на 7%, а долю повторных покупок — минимум на 10%.
Решение: предиктивная модель
Вместо того чтобы просто догонять пользователя рекламой после покупки, команда TopTraffic разработала предиктивную модель управления жизненным циклом клиента. Модель использовала данные AppsFlyer и клиентской CRM о поведении пользователей и их покупках, чтобы определить, когда и с каким продуктом к ним вернуться.
Для этого использовалась динамическая сегментация: алгоритм выдвигал гипотезы о том, какой продукт может заинтересовать конкретного пользователя, и проверял их через рекламные сообщения. Реакция на коммуникацию становилась новым сигналом для модели: она уточняла сегмент пользователя и корректировала дальнейший сценарий взаимодействия. Так система постепенно помогала вести клиента к формированию более полного гардероба.
Сегментация строилась по двум параметрам:
- Удержание. Модель определяла подходящий момент для повторной коммуникации — например, при выходе новой коллекции или когда есть риск ухода к конкурентам. В этот момент пользователь получал персонализированное рекламное сообщение.
- Расширение, или Next Best Product. Покупатели мыслят не отдельными SKU (артикул товара), а образами, поэтому вместо продвижения отдельных товаров команда сделала ставку на капсулы. Например, если пользователь купил тренч, в следующей коммуникации ему рассказывали, что в O'STIN можно получить советы стилистов и собрать капсулу с уже приобретенным тренчем. Таким образом, реклама предлагала не очередной товар, а следующий сценарий взаимодействия с брендом.
Лилия Демина, аккаунт-директор TopTraffic:
Одной из сложностей проекта стало большое количество сегментов аудитории. Для каждого из них требовались отдельные офферы, тексты и визуалы. 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 нам быстро запускать персонализированные коммуникации для огромного количества пользователей.
Далее сегменты передавались 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
Новый подход помог использовать ретаргетинг не только для возврата пользователей, но и для управления их дальнейшим поведением. Клиенты стали чаще возвращаться в приложение между сезонными распродажами, а персонализированные коммуникации помогали стимулировать повторные покупки и расширение корзины за счет новых категорий.
Анализ поведения также выявил связи, которые команда изначально не закладывала в модель. Например, пользователи, которые знакомились с брендом через покупку базовой мужской одежды, впоследствии неожиданно демонстрировали высокий интерес к парфюмерии. Выявленные закономерности команда использовала для развития следующих рекомендательных сценариев.
В итоге пользователи стали чаще возвращаться в приложение O'STIN и совершать повторные покупки вне зависимости от сезонных распродаж и промоакций. Это подтвердили количественные результаты кампании, которые превысили первоначальные KPI. В июле 2026 года показатели кампании изменились по сравнению с ее началом (сентябрь 2025) следующим образом:
- Средний чек увеличился на 10%.
- Доля повторных покупок выросла на 12%.
- Инкрементальность ретаргетинга увеличилась на 72%.
Герман Жарков, руководитель перформанс-направления O'STIN:
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.