Last click уже не спасает: как искать реальную эффективность рекламы
Performance‑реклама считается самым прозрачным инструментом: понятно, где был совершен последний клик, какой канал приносит больше конверсий. Но стоит копнуть глубже, и цифры перестают быть однозначными: каналы каннибализируют друг друга, фрод маскируется под трафик, а рост в отчетах не всегда значит рост в бизнесе.
Что считать перформанс‑рекламой
В теории это реклама, бизнес‑эффект которой можно измерить кликами, покупками и пр. Остальную рекламу, оценить влияние которой на бизнес‑результат сложнее или невозможно, традиционно относят к имиджевой. Парадокс в том, что любые активности бренда обычно направлены на максимизацию прибыли. Поэтому делить рекламу на имиджевую и performance‑рекламу можно очень условно: граница проходит по доступной измеримости эффекта от размещения.
Исторически измеримой считается реклама в digital‑каналах — ее результат отслеживают через системы web- и app‑аналитики. Трекинг‑ссылки в реальном времени передают данные об источнике клика, после которого пользователь пришел на сайт или установил приложение. Например, на их основе работают простейшие системы закупки performance‑рекламы — с ценой за клик (cost per click, CPC) или с ценой за установку (cost per Install, CPI).
Но даже в digital с тем, что считать performance‑рекламой, может возникать путаница. Тот же баннер не обязательно побуждает к покупке — он может просто информировать о продукте. При этом задачи performance могут выполнять и офлайн‑медиа — например, реклама на радио (дело за малым — измерить бизнес‑эффект).
У связки «трекинг‑ссылки + системы аналитики» есть множество ограничений — масштабировать и повысить эффективность кампаний без глубокого понимания, что происходит внутри, сложно. Например, увеличение бюджета в реальности редко приводит к пропорциональному росту количества лидов. Поэтому измерить performance легко, но интерпретировать результаты измерений — сложная задача.
Рассылка: как вести бизнес в России
Пять полезных писем пришлем сразу после подписки. В них — бизнес‑идеи, готовые промпты для нейросетей, советы, как выбрать налоговый режим и получать пассивный доход
Проблемы измерений в омниканальных кампаниях
Атрибуция по UTM и сквозная аналитика — стандарты при оценке эффективности performance‑рекламы. На них ориентируется подавляющее большинство российских рекламодателей.
Post- и last‑click‑аналитика показывают, с какой площадкой пользователь взаимодействовал первой или последней перед совершением целевого действия. Эти методы хорошо работают, когда кампания запускается в одном‑двух каналах со сравнительно небольшим бюджетом: источник конверсии отследить просто, а каналы не конкурируют друг с другом.
В омниканальных кампаниях ситуация сложнее: один и тот же пользователь может сначала увидеть баннер на сайте, затем рекламу в поиске, но совершить конверсию с партнерской интеграции. Last‑click-, post‑click- и data‑driven‑модели присвоят эту конверсию разным каналам — это помешает оценить реальную эффективность кампании. В этой ситуации стандартные модели атрибуции не позволяют увидеть вклад каждого канала и понять, как распределить бюджет в следующих кампаниях.
Еще одна проблема, которую сложно определить через стандартные модели атрибуции, — каннибализация органических лидов платными каналами. Например, один из клиентов OOM обнаружил, что подключение новых платных каналов продвижения не приводит к значимому росту конверсий в установку приложения. Количество органических установок сократилось на треть: платная кампания перехватывала трафик, который бренд раньше получал бесплатно, а данных сквозной аналитики оказалось недостаточно, чтобы определить источник каннибализации.
Агентство провело комплексный анализ: команда последовательно исключила влияние сезонности, активности конкурентов, фрода, изменений в продукте и других внешних факторов. И методом статистического анализа обнаружила четыре платных канала, которые перехватывали органический трафик. Конверсии в двух каналах более чем на 70% состояли из установок, перехваченных у органики.
Бывают и обратные ситуации, когда кабинетная статистика показывает далеко не весь эффект от performance‑рекламы, — если конверсии происходят в каналах, которые не попадают в стандартный мониторинг. Например, в омниканальном ритейле человек может прийти на сайт из контекстной рекламы, изучить товар онлайн, а потом купить его в офлайн‑магазине (так называемый ROPO‑эффект).
Комплексный подход к оценке performance помог увидеть реальный вклад каждого канала в омниканальную кампанию, отключить источники, где наблюдалась высокая каннибализация органики, и получить тот же объем установок при меньшем бюджете.
Это один из многих примеров, когда кабинетная статистика performance‑рекламы не отражает ее реальную эффективность. Для корректной оценки полного эффекта этого класса инструментов мы в команде OOM опираемся на комбинацию трех основных подходов: A/В‑тесты, эконометрику и атрибуционное моделирование.
Как оценить результаты performance
A/B‑тесты для оценки корректности last- и post‑click. A/B- и геотесты помогают оценить, насколько результаты стандартной атрибуции соотносятся с реальным вкладом каналов в целевое действие.
Для проведения тестов аудитория делится на контрольную и тестовую группы. Их подбирают так, чтобы они обладали максимально идентичными характеристиками. Затем на тестовую группу запускают рекламу в исследуемых каналах и сравнивают ключевые характеристики с контрольной группой. Такое сравнение помогает оценить влияние каналов, ставок и креативов на результат. Результаты можно получить сравнительно быстро (две недели на тест и до 5 дней на оценку эффективности), а инструментарий часто встроен в аналитические платформы.
У метода есть ограничения: точность тестов зависит от корректности формирования выборки и чувствительности метрик. Кроме того, метод не подходит для прогнозирования и требует достаточного объема данных для разделения на группы.
Эконометрика для решения проблемы инкрементальности. На практике часто возникают ситуации, когда эффективность performance‑размещений при одинаковой стратегии и бюджете различается в разы. Например, вчера performance был прибыльным, а сегодня перестал приводить лиды. Другая ситуация: performance‑реклама показывает хорошие результаты, планы по направлению выполняются, но продажи не растут.
На эффективность кампаний влияет множество факторов, которые не учитываются стандартными моделями атрибуции:
- фрод — наличие некачественного или бот‑трафика, который может искусственно завышать или занижать показатели;
- сезонность — естественные колебания спроса в зависимости от времени года, праздников, других событий;
- активность конкурентов — изменение активности других игроков на рынке может влиять на стоимость клика и конверсии;
- изменения в продукте или UX — обновления интерфейса, цен, ассортимента, способов оплаты и других параметров продукта отражаются на поведении пользователей;
- ставки на рекламных аукционах — изменение аукционных ставок и алгоритмов закупки (CPC, CPA и пр.) напрямую влияет на эффективность кампаний;
- поддержка в охватных каналах — параллельные медийные активности могут усиливать или ослаблять эффект от performance‑продвижения;
- гео и таргетинг — изменение географии показов и сегментов аудитории также влияет на итоговые метрики.
Эконометрическое моделирование оценивает инкрементальный эффект всех факторов, включая рекламу и внешнюю среду, используется для построения прогнозов с предсказуемой точностью и для расчета оптимального медиамикса. Этот подход также помогает учесть эффект от перфоманса в каналах продаж, где невозможно отследить конверсии через инструменты цифровой аналитики.
У эконометрики самые высокие требования к данным — исторические данные по конверсиям и факторам влияния за три и более лет с детализацией по дням и неделям. Метод подходит для стратегического планирования, но ограничен в тактической оптимизации, особенно если бюджет небольшой или активность нерегулярная.
Атрибуционное моделирование при оптимизации бюджетов. Атрибуционное моделирование помогает оценить вклад каждого канала в цепочке касаний пользователя и сравнить все каналы в метриках performance‑рекламы. Например, в одном из кейсов внедрение атрибуционного моделирования и анализ вклада каждой площадки в продажи по модели цепей Маркова позволило клиенту OOM оптимизировать бюджет на 18% без снижения общей эффективности в продажах.
Основные ограничения: этот подход не учитывает внешние факторы (сезонность, активность конкурентов и прочие), требует логов со сквозным Stable ID от рекламного касания до конверсии и не подходит для прогнозов.
Заключение
Универсального решения задачи измерения performance нет, поэтому приходится опираться на комплексный подход и подбирать инструменты аналитики под специфику бизнеса.
Комплексный подход к оценке performance позволяет работать с любыми каналами — от контекстной рекламы до ТВ, наружной рекламы или радио. В омниканальных кампаниях он помогает изолировать влияние каждого канала, выявить их реальный вклад в результат и перераспределить бюджет, чтобы повысить эффективность коммуникации.
Эта методология универсальна: она подходит не только крупным цифровым бизнесам, но и брендам из разных категорий. При этом выбор инструментов зависит от масштаба и структуры бизнеса и рекламной кампании. Атрибуционное моделирование и эконометрика дают наибольшую отдачу, когда задействовано несколько каналов, конверсии происходят регулярно, а данных достаточно для устойчивых моделей. Если же активность ограничена одним‑двумя каналами и редкими конверсиями, оптимально использовать базовые методы — например, post- или last‑click‑аналитику.
Чтобы аналитика действительно помогала управлять бюджетом и улучшать результат, рекомендуем при планировании кампаний учитывать несколько принципов:
- Не делите каналы жестко на имиджевые и performance — оценивайте их общий вклад в воронку и влияние на конверсии.
- Проверяйте синергию каналов — закладывайте A/B- или геотесты, чтобы увидеть, какие форматы усиливают друг друга, а какие каннибализируют трафик.
- Учитывайте внешние факторы: сезонность, активность конкурентов, изменение аукционных ставок могут менять вклад канала в результат.
- Не ограничивайтесь last click‑аналитикой — используйте атрибуционные модели, чтобы корректно распределять бюджеты.
- Тестируйте медийные размещения как performance‑инструменты — измеряйте их влияние на целевые действия, а не только на охват.
- Накопление и разнообразие данных — ведите историю кампаний с разными бюджетами и условиями, чтобы прогнозы и оптимизация были точными.
Таким образом, мы в OOM by Okkam рассматриваем performance‑аналитику как инструмент стратегического управления бюджетом, который позволяет находить точки роста без увеличения расходов.
Исторически performance воспринимается как понятный и легко измеримый канал, но на практике он требует такого же внимательного подхода к аналитике, как и любые другие форматы. Это особенно важно в условиях, когда рекламная активность выходит за рамки digital и затрагивает офлайн‑медиа.
