Как измерять эффективность рекламы в условиях ограниченного трекинга

В 2025 году маркетинговая аналитика перестраивается под новые правила конфиденциальности. Браузеры по умолчанию блокируют сторонние cookies: Safari и Firefox блокируют межсайтовые / сторонние cookies по умолчанию, Chrome в 2025 году приостановил планы полного отключения сторонних cookies — вместо этого компания делает ставку на постепенный переход к Privacy Sandbox. Мобильные платформы ужесточили политику идентификаторов: Apple требует явного согласия на передачу IDFA, Android переходит на Privacy Sandbox. В результате становится всё труднее отследить путь пользователя от показа до покупки и приписать конверсии конкретным кампаниям.

Тем не менее бизнесу по-прежнему нужно понимать, какой прирост даёт реклама и где бюджеты работают лучше. Ниже — шесть методов, которые позволяют измерять вклад рекламы, не нарушая требования приватности и не полагаясь на идентификацию пользователей.

Гео-эксперименты (Geo Experiments / Geo Lift)

Вместо того чтобы сравнивать отдельных пользователей, гео-эксперименты сравнивают регионы или города. В одних запускается реклама, в других — нет. Разница в продажах или заказах между тестом и контролем показывает чистый прирост от кампании. Метод хорошо работает для офлайн-каналов, ТВ и наружной рекламы, а также для digital-кампаний, где нельзя выделить пользователей по идентификаторам.

Когда применять:

• Массовые кампании, охватывающие ТВ, радио или наружку.

• Региональные пилоты, где можно отделить несколько сопоставимых городов.

• Ситуации, когда трекинг пользователей невозможен, но нужны доказательства эффективности.

Пример:
Бренд запускает кампанию в Казани и Самаре, а Уфу и Тулу оставляет без изменений. Через четыре недели продажи в тестовых городах выросли на 6 % относительно контроля — это измеримый вклад рекламы.

Серверный трекинг (Server-Side Tracking)

События с сайта или приложения сначала отправляются на сервер компании, где очищаются, дополняются параметрами и только потом уходят в системы аналитики. Такой подход защищает данные от потерь: блокировщики, режимы приватности и ограничения браузеров меньше влияют на серверные логи по сравнению с клиентским трекингом. Однако он не отменяет ограничений ITP в Safari — срок жизни cookies для межсайтовых сценариев остаётся ограниченным.

Когда применять:

• В Safari, iOS и других средах, где браузеры сокращают срок жизни cookies.

• При потере конверсий из-за AdBlock или систем защиты.

• Если нужно обеспечить надёжную базу для гео-экспериментов и моделей прироста.

Результат:
После перехода на серверный трекинг снижается доля неопознанных заказов, и результаты кампаний становятся стабильнее: статистика перестаёт колебаться при каждом обновлении браузеров.

Моделирование конверсий (Conversion Modeling)

Статистическая модель помогает восполнить конверсии, потерянные из-за ограничений приватности. Когда браузер или мобильная система не передаёт информацию о действии пользователя, модель оценивает вероятность того, что конверсия всё-таки произошла, — и восстанавливает недостающие данные.

Алгоритм обучается на тех случаях, где связь между рекламой и покупкой видна полностью (например, с десктопа или из Chrome). Затем он ищет похожие паттерны поведения в слепых зонах — по времени отклика, источнику, устройству, региону — и на их основе статистически достраивает объём конверсий, который не удалось зафиксировать напрямую.

Моделирование не создаёт лишние продажи, а восстанавливает те, что были потеряны системой. Крупные рекламные платформы применяют статистическое моделирование конверсий (например, через механизмы согласия и агрегированного измерения), а компании дополнительно строят собственные модели в BI или Python-пайплайнах.

Когда применять:

• Браузеры или мобильные платформы скрывают часть событий из-за ограничений приватности.

• Появляются расхождения между CRM и отчётами рекламных кабинетов.

• Нужно стабилизировать показатели для расчёта ROI и инкрементальности.

Пример:
По кликам система видит 2 100 покупок, а в CRM зафиксировано 2 700. После моделирования отчёт подтягивает недостающий объём — разница объясняется конверсиями, которые не передались из-за ограничений браузеров и были восстановлены моделью.

Моделирование ценности конверсии (Conversion Value Modeling, CVM)

Это метод оценки реальной ценности действий пользователей, когда нельзя увидеть путь каждого клиента, но важно понимать, какие конверсии приносят бизнесу большую прибыль.
Обычные отчёты считают все конверсии равными: клик, добавление в корзину и оплаченный заказ выглядят одинаково. CVM решает эту проблему — система присваивает каждому действию вес или балл, отражающий его вклад в выручку или LTV.

Модель строится на истории продаж: анализируются связи между разными действиями и их конечным финансовым результатом. Затем алгоритм прогнозирует, какие события с высокой вероятностью приведут к покупке или большему доходу, и обучает рекламную систему оптимизировать показы под наиболее ценные события и пользователей, которые их совершают.

Пример:
Если модель показывает, что добавление товара в корзину чаще ведёт к покупке, чем просто просмотр карточки, рекламная система начинает отдавать приоритет объявлениям и аудиториям, которые чаще совершают именно такие действия.

Когда применять:

• В мобильной рекламе на iOS, где пользовательский трекинг ограничен.

• В e-commerce и подписочных сервисах, где важно учитывать маржу или LTV, а не просто количество лидов.

• При автоматической оптимизации бюджета между кампаниями — чтобы система училась искать более ценные действия, а не самые дешёвые.

Результат:
После внедрения CVM бюджет сместился с лид-кампаний, приносящих много дешёвых заявок, на аудитории с меньшим объёмом, но более высокой маржой. При том же расходе прибыль выросла — потому что оптимизация шла не по количеству, а по качеству конверсий.

Причинная оценка по временным рядам (Causal Impact)

Это статистический метод оценки эффекта рекламы без эксперимента. Когда запустить A/B-тест невозможно — например, кампания идёт сразу по всей стране, или площадка не поддерживает разделение аудитории, — причинная модель помогает смоделировать, как бы велась метрика без рекламы, и сравнить прогноз с фактическими данными.

Алгоритм строится на исторических данных: продажах, визитах, заказах за предыдущие месяцы. Он обучается распознавать закономерности сезонности, роста и спада, а затем прогнозирует «естественное» поведение метрики без внешнего воздействия.
Разница между прогнозом и фактом показывает чистый прирост, вызванный именно рекламной активностью. Метод основан на байесовском структурном временном ряде (BSTS) — модели, которая прогнозирует, как метрика развивалась бы без рекламы, и сравнивает прогноз с фактом. Реализован в библиотеке Google CausalImpact и хорошо подходит для данных, где изменения во времени выражены явно.

Когда применять:

• Гео-эксперимент невозможен или слишком дорог.

• Есть стабильные временные ряды продаж, заказов или трафика за несколько месяцев.

• Нужно доказать влияние кампании без деления аудитории на тест и контроль.

Пример:
Сеть магазинов запускает федеральную ТВ-кампанию. Модель строит прогноз продаж на основе прошлых данных и показывает, что фактическая выручка оказалась на 6 % выше ожидаемого уровня — значит, реклама добавила этот прирост, исключая влияние сезонности, скидок и других внешних факторов.

Всё вместе

• Гео-эксперименты (Geo Lift) — используются, когда невозможно провести классический A/B-тест. Позволяют доказать влияние рекламы, сравнив результаты между регионами, где кампания шла и где нет. Даёт наглядный прирост без трекинга пользователей.

• Серверный трекинг (Server-Side Tracking) — нужен, когда браузеры и блокировщики обрезают cookies и события. Обеспечивает полный и стабильный сбор данных для анализа и моделирования эффективности.

• Data Clean Room — перспективная технология для совместного анализа данных брендов и площадок без передачи персональной информации.

• Моделирование конверсий (Conversion Modeling) — помогает восстановить потерянные конверсии, когда приватность браузеров или мобильных систем не даёт увидеть полный путь клиента. Возвращает достоверную статистику по каналам.

• Моделирование ценности конверсии (Conversion Value Modeling) — используется, когда важно считать не количество, а качество действий. Помогает оптимизировать рекламу под прибыль, а не под клики или лиды.

• Причинная оценка по временным рядам (Causal Impact) — применяется, если провести эксперимент невозможно. Модель прогнозирует метрику без рекламы и сравнивает с фактом, выделяя чистый эффект кампании.

Эти подходы помогают измерять эффективность рекламы, даже если идентификаторы больше не работают: вместо трекинга — статистика, моделирование и эксперименты на агрегированных данных.