Почему один инструмент не может оценить весь маркетинг

Чем масштабнее маркетинг, тем выше потребность в узкоспециализированных инструментах. Но бизнес часто выбирает одну привычную модель и ждёт от неё ответов на все вопросы: какие каналы приносят деньги, какие продажи появились именно благодаря рекламе, где теряется бюджет, что отключить, куда перенести деньги и какой эффект это даст через полгода.

Если модель не решает задачу, которая в неё изначально не заложена, её объявляют плохой.

Частый пример: атрибуция и инкрементальность

Атрибуция может корректно распределить все состоявшиеся конверсии между каналами и касаниями. Но она не докажет, произошла бы конкретная продажа без рекламы или нет.

Инкрементальность отвечает именно на этот вопрос: какой дополнительный результат создала реклама, которого не было бы без неё.

Эти подходы не заменяют, а дополняют друг друга:

• инкрементальность проверяет, какой дополнительный результат создала реклама
• атрибуция распределяет итоговый результат между касаниями
• затем оба вывода можно использовать для более точной оценки эффективности каналов

Нельзя требовать от атрибуции доказательства причинности. Но и инкрементальность сама по себе не даёт полной картины по всем каналам, кампаниям и касаниям.

Сначала формулируют вопрос, потом выбирают метод

Одна и та же цифра в отчёте может быть полезна для одного решения и бесполезна для другого.

Сквозная аналитика здесь не конкурирует с моделями. Это контур данных: он связывает расходы, визиты, заявки, сделки и выручку. Атрибуция, инкрементальность и MMM используют этот контур для разных задач.

Одного подхода недостаточно

Исследование Google и BCG подтверждает: достоверная оценка маркетинга появляется на стыке нескольких специализированных подходов.

Ниже – главные принципы, на которых авторы предлагают строить современную систему измерения рекламы.

Трёхэтапный подход к измерению

Google предлагает объединять MMM, инкрементальные тесты и атрибуцию. Каждый метод отвечает за свою часть оценки: общий вклад маркетинга, причинный эффект рекламы и распределение конверсий между касаниями

К слову, мы уже работаем над моделью инкрементальности в рамках платформы, чтобы полностью соответствовать новым требования рынка.

ИИ для расширения возможностей измерения

ИИ нужен для более сложных расчётов, прогнозов и поиска закономерностей в кампаниях. Пока лишь 9% компаний считают свои ИИ-возможности в измерении передовыми, хотя 72% аналитиков системно применяют его в работе

А вот ИИ для ответов по аналитике, маркетингу и продажам у нас уже есть – недавно мы прокинули рекомендации Хелпи напрямую в личный кабинет.

Качество и полнота данных

ИИ и модели не помогут, если данные разрознены. Google рекомендует объединять first-party данные из CRM, сайта, офлайна, транзакций и рекламных систем, чтобы видеть путь клиента и строить более точные рекомендации

Речь про сквозную аналитику – основу любых расчётов нашей платформы. Вкратце напомним, зачем она нужна на примере качества ответов ИИ. Сейчас это вообще больная тема.

Единая система

Авторы призывают перестать выбирать между атрибуцией, инкрементальностью и MMM. Методы должны проверять и дополнять друг друга, а расчёты – опираться на связанные данные

Когда у вас сложный комплексный маркетинг, одного инструмента измерения недостаточно. Каждая модель должна решать свою определённую задачу.

BCG приводит пример стримингового сервиса с бюджетом $500 млн более чем в десяти каналах. Команда не пыталась выбрать одну главную модель. Она использовала разные методы для оценки медиамикса, проверки причинного эффекта и регулярной оптимизации. После постоянной калибровки расчётов эффективность маркетинговых расходов выросла на 20%.

Что должно совпадать в расчётах

Атрибуция, инкрементальные тесты и MMM можно сопоставлять только тогда, когда они опираются на один бизнес-результат: например, на оплаченный заказ, выручку или маржу, а не на разные стадии воронки.

Допустим, атрибуция распределяет между каналами 100 заявок, инкрементальный тест измеряет прирост оплаченных заказов, а MMM строится на общей выручке. Все три расчёта могут быть корректными, но сравнивать их напрямую нельзя. Сначала нужно связать рекламу, CRM и выручку, а затем решить, какой результат будет главным для оценки бюджета.

Почему низкий CPA и высокий ROAS могут при этом создавать ложную картину, подробно разобрано в статье «Почему CPA и ROAS не всегда показывают реальную эффективность рекламы».

Как разбирать расхождения между атрибуцией, тестами и MMM

Когда результаты не совпадают

Разные цифры не означают, что одна из моделей ошиблась. Атрибуция показывает, какие касания были у состоявшихся конверсий. Инкрементальный тест проверяет, создала ли реклама дополнительный результат в конкретных условиях. MMM оценивает вклад каналов на длинной истории с учётом сезонности, цен, акций и других факторов.

Атрибуция видит высокий вклад, а тест не подтверждает прирост

Так бывает, когда канал часто оказывается рядом с покупкой и получает ценность по правилам атрибуции, но часть этих покупателей пришла бы сама. Возможен и другой вариант: тесту не хватило времени, аудитории или чистой контрольной группы, чтобы увидеть эффект.

Не нужно сразу отключать канал или объявлять атрибуцию неверной. Сначала проверьте дизайн теста. Если тест корректен, высокий атрибуционный вклад сам по себе не должен быть причиной для масштабирования бюджета.

MMM и атрибуция по-разному оценивают один канал

Атрибуция смотрит на путь отдельных пользователей. MMM смотрит на общие продажи за длительный период. Поэтому, например, брендовый поиск может получать много ценности в атрибуции, но MMM может объяснять часть этого спроса медийной рекламой, сезонностью или акцией.

Перед выводами нужно сверить KPI, период, географию и расходы. Если решение о бюджете крупное, расхождение лучше проверить отдельным экспериментом, а не вручную подгонять одну модель под другую.

Не всем нужен тяжёлый стек из нескольких моделей

Если у бизнеса две перформанс-кампании и короткий цикл покупки, достаточно качественно собирать данные, проверять трафик и регулярно оценивать результат. Но по мере роста маркетинга появляются задачи, которые нельзя решить одним привычным инструментом.