Реклама или совпадение: как понять, принесла ли кампания новые продажи

Рекламный кабинет показывает сто продаж. В аналитике канал стоит первым по ROAS. Кажется, вопрос эффективности закрыт. Но часть покупателей уже знала бренд, искала его по названию или вернулась за повторной покупкой. Если рекламу выключить, сколько из этих ста продаж исчезнет?

Атрибуция отвечает, какое касание получило заслугу. Инкрементальность отвечает на более жёсткий вопрос: что произошло благодаря рекламе и не произошло бы без неё. Эти цифры могут заметно отличаться, особенно у известных брендов, в ретаргетинге, брендовых поисковых кампаниях и во время общего роста спроса.

Платформа корректно фиксирует событие по своим правилам: человек увидел или кликнул объявление, затем купил в пределах окна атрибуции. Но из этого не следует, что объявление изменило решение. Возможно, человек всё равно пришёл бы напрямую, через органику или приложение.

Проблема усиливается, когда каждая система считает свой вклад отдельно. Meta видит показ, Google — клик, CRM — продажу. В сумме два канала могут «принести» больше конверсий, чем бизнес реально получил.

Чем строже метод, тем выше требования к объёму и дизайну. Малому бизнесу не обязательно сразу строить сложную модель. Но даже простой контролируемый тест лучше сравнения двух случайных недель.

Не каждый A/B-тест измеряет инкрементальность. Если обе группы видят рекламу, но с разными ставками, креативами или настройками, эксперимент отвечает, какая конфигурация эффективнее. Чтобы понять, создаёт ли реклама дополнительные продажи вообще, нужна контрольная группа без воздействия либо причинный дизайн, который оценивает такой контрфактический сценарий.

До выбора инструмента нужны базовая конверсия, доступный размер аудитории или число регионов, естественная дисперсия продаж, ожидаемая задержка и минимальный эффект, ради которого компания готова изменить бюджет. Из этих параметров получают требуемую длительность и объём. Если бизнес способен заметить только очень крупный lift, это нужно знать до дорогого запуска, а не после вывода «статистики не хватило».

MMM занимает отдельное место. Модель может оценивать вклад нескольких каналов на длинной истории и помогать распределению бюджета, но при коротком ряду, редких изменениях инвестиций и одновременных промо разные причины начинают выглядеть одинаково. Для небольшого бизнеса MMM не является автоматической заменой эксперимента; для крупного её разумно калибровать результатами lift- и geo-тестов.

Аудиторию случайно делят на тестовую и контрольную группы. Тестовая может увидеть рекламу, контрольная — нет. Разница в конверсиях и есть оценка инкрементального эффекта.

Ключевое слово — случайно. Если исключить рекламу в одном городе и оставить в другом, города могут отличаться доходом, конкуренцией и сезонностью. Это уже geo experiment, которому нужен отдельный дизайн и сопоставимые регионы.

Meta завершила глобальное развёртывание Incremental Attribution в 2025 году. Настройка использует модели, обученные на lift-экспериментах, чтобы оптимизировать и показывать конверсии, которые система считает вызванными рекламой. В 2026 году Meta сообщила, что обновление модели дало на 24% больше инкрементальных конверсий по сравнению со стандартной атрибуцией. Это результат самой платформы, а не независимый эксперимент конкретного бизнеса: modeled incremental attribution полезна как сигнал для оптимизации, но не заменяет Conversion Lift и сверку с CRM.

Географические тесты сравнивают группы регионов, в части которых меняют рекламное воздействие. Они подходят для каналов, где пользовательский holdout недоступен, и для оценки общего эффекта медиамикса.

Google Research представил Meridian GeoX — открытый фреймворк для причинных geo-экспериментов, результаты которых можно использовать и для калибровки marketing mix model. Для бизнеса важен не бренд инструмента, а принцип: регионы подбираются по исторической похожести, тест длится достаточно долго, а изменение бюджета должно быть заметным относительно естественного шума продаж.

До теста регионы проверяют на сопоставимость по уровню и динамике продаж, сезонности, доле новых клиентов, промо и медиамиксу. Нужен pre-period, на котором модель показывает, что способна воспроизвести поведение тестовых регионов без вмешательства. Регионы с уникальными акциями, поставками или резкими локальными событиями заранее помечают как риск, а не исключают после просмотра результата.

Во время теста фиксируют интенсивность воздействия, календарь цен и промо, изменения сайта и возможное перетекание пользователей между географиями. После завершения учитывают conversion lag и не обрывают наблюдение в день выключения рекламы. Хороший отчёт показывает не только lift, но качество pre-period fit, диапазон неопределённости и чувствительность вывода к составу регионов.

У любого эксперимента есть минимальный эффект, который он способен отличить от шума. Если аудитория, число конверсий или изменение бюджета слишком малы, тест может закончиться без статистически значимого результата даже при реальном влиянии рекламы.

Смотрите не только на точечный lift, но и на доверительный интервал. Вывод «эффект не доказан» означает, что данных недостаточно, а не то, что реклама точно дала ноль. И наоборот: красивый lift с широким интервалом ещё не даёт надёжного основания для перераспределения бюджета.

Результат также портят перетекание пользователей между группами, задержка конверсий и одновременные изменения промо, цены, продукта или сайта. Поэтому до запуска фиксируют основную метрику, длительность, допустимые изменения и правило решения — а не выбирают удобную трактовку после теста.

Go-dark, или zero-spend-тест, отвечает на вопрос, что произойдёт, если убрать рекламу в тестовой группе. Он ближе к оценке полного эффекта текущего присутствия канала. Heavy-up-тест увеличивает интенсивность рекламы и измеряет предельный эффект дополнительных расходов относительно уже существующего уровня. Эти оценки нельзя подменять друг другом: канал может быть полезен в базе, но плохо масштабироваться на следующую единицу бюджета.

Основной расчёт лучше строить по intention-to-treat: сравнивать группы так, как они были назначены до запуска, даже если часть людей фактически не увидела рекламу. Отбор только тех, кто получил показ, разрушает случайность и обычно завышает эффект. Отдельно фиксируйте contamination: человек мог переехать между географиями, увидеть национальную кампанию, получить письмо или столкнуться с офлайн-промо. Чем больше такого перетекания, тем осторожнее вывод.

Допустим, базовая конверсия составляет 3,5%, а минимально значимый для бизнеса эффект — рост до 4,0%. Это +0,5 процентного пункта, или примерно +14,3% относительно базы. До старта нужно проверить, способен ли доступный объём аудитории отличить такой эффект от шума при выбранных уровнях статистической значимости и мощности.

Универсального числа пользователей здесь нет: выборка зависит от базовой конверсии, допустимой ошибки, мощности, распределения аудитории, лага сделки и дизайна теста. Если доступный объём способен заметить только рост на 1,5 п.п., тест не отвечает на вопрос о подъёме на 0,5 п.п. — даже если разница визуально выглядит красивой.

Основной KPI берите из CRM или платёжной системы: продажи, маржу или другой бизнес-результат без платформенной атрибуции. В длительность закладывайте разогрев, полный лаг конверсии и при необходимости cooldown. Рабочий цикл Meridian GeoX часто занимает несколько недель; официальный подход к реализации geo-тестов подчёркивает необходимость предпериода, проверки мощности и достаточной продолжительности.

Предположим, в тестовой группе конверсия составила 4,0%, а в контрольной — 3,5%. Относительный lift равен примерно 14,3%, но для решения важнее абсолютная разница: 0,5 процентного пункта. Если в тестовой аудитории было 100 000 человек, это около 500 дополнительных конверсий до поправок на статистическую неопределённость.

Этот учебный расчёт предполагает, что тестовая и контрольная группы сопоставимы, достаточно велики, наблюдались в одно время и различались только рекламным воздействием. Число 500 — точечная оценка, а не гарантированное количество новых покупателей: рядом нужен доверительный интервал. Если он включает ноль или экономически неприемлемый результат, тест не даёт основания уверенно масштабировать бюджет.

Дальше считаются инкрементальный CAC и прибыль:

• инкрементальный CAC = расходы теста / дополнительные продажи;
• инкрементальная выручка = дополнительные продажи × средний доход;
• инкрементальная прибыль = дополнительная маржа − рекламные расходы.

Инкрементальный ROAS считается иначе: iROAS = дополнительная выручка / дополнительные рекламные расходы между тестом и контролем. Для прибыли полезнее использовать дополнительную маржу, а не выручку. Атрибутированный ROAS и iROAS нельзя ставить в одну колонку как одинаковые показатели: первый описывает назначенную платформой ценность, второй — оценённый причинный прирост.

Именно здесь кампания с впечатляющим кабинетным ROAS может оказаться средним бизнес-решением: большая часть её конверсий произошла бы и без рекламы.

Сначала найдите место с самым высоким риском самообмана: брендовый поиск, ретаргетинг, existing customers или кампания, которая получает непропорционально много заслуги. Сформулируйте одно решение, которое должен поддержать тест. Например: можно ли сократить бюджет брендовой кампании без потери продаж или создаёт ли ретаргетинг дополнительный спрос.

Затем выберите доступный дизайн:

1. Нативный lift-тест платформы, если хватает аудитории и событий.
2. Geo-тест, если продажи стабильно распределены по регионам.
3. Time-based holdout с чередованием периодов — только если спрос достаточно стабилен и внешние факторы можно учесть.
4. Минимальный диагностический сценарий: временно снизить воздействие на ограниченном сегменте и наблюдать не только атрибуцию, но общие продажи.

Перед запуском зафиксируйте длительность, основной показатель, допустимое изменение бюджета и правило решения. Во время теста одинаково применяйте промо, цены и изменения сайта к обеим группам. Если смотреть на десять метрик и остановить тест в момент, когда одна стала красивой, причинный вывод исчезает.

Эксперимент нельзя проводить непрерывно для каждого объявления. Атрибуция остаётся оперативным инструментом: помогает управлять кампаниями, видеть пути и диагностировать проблемы. Эксперименты периодически проверяют, насколько эта оперативная картина близка к реальному приросту.

Для полной системы нужны оба слоя. CRM связывает рекламу с качеством лида и выручкой. Атрибуция помогает распределять ежедневные решения. Инкрементальные тесты проверяют, не покупает ли бизнес уже существующий спрос.

В статье почему CPL не показывает эффективность рекламы мы разбирали разрыв между заявкой и продажей.

Инкрементальность нужна не ради ещё одного отчёта. По её результатам можно изменить долю брендового поиска, разделить новых и текущих клиентов, ослабить ретаргетинг, перераспределить деньги в верх воронки или откалибровать целевой ROAS. Иногда тест подтверждает, что канал действительно создаёт продажи. Это тоже ценный результат: бюджет получает более сильное основание, чем скрин из кабинета.

После теста можно рассчитать incrementality factor: число инкрементальных конверсий делится на число конверсий, которые платформа атрибутировала рекламе в том же периоде и контуре. Если тест оценил 500 дополнительных продаж, а кабинет показал 800 атрибутированных, фактор равен 0,625. Его можно использовать для калибровки бюджета и прогноза, но не для переписывания истории каждой отдельной сделки.

Фактор действует только в границах теста: рынок, канал, тип кампании, аудитория, креатив, уровень бюджета и период. Он устаревает после заметного изменения этих условий, поэтому в реестре тестов нужно хранить дату, область применимости, доверительный интервал и срок следующей проверки.

Для решений о деньгах удобнее переводить результат в iCAC и iROAS: расходы делятся на инкрементальных клиентов, а инкрементальная маржа — на расходы. Так медиаплан опирается на дополнительный бизнес-эффект, а не на платформенную атрибуцию.