Last click уже не спасает: как искать реальную эффективность рекламы

Performance-реклама считается самым прозрачным инструментом: понятно, где был совершён 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. О том, как определить реальную отдачу от performance инструментов, — в колонке Александра Горбачева, директора продуктовой платформы OOMsk by Okkam.

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.

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

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.

Универсального решения этой задачи 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.

Присылайте свои комментарии к ситуации на digital-рынке (короткие или развёрнутые, во втором случае сделаем вам полноценную колонку в статейной ленте Коссы):

Email: 42@cossa.ru
Телеграм: @cossawer
VK: vk.com/cossa