Одна модель приписала рекламе 75% новых клиентов, другая — менее 1%. Какому расчёту верить?

Главный вопрос при оценке рекламы — не сколько продаж записал на свой счёт каждый канал, а сколько новых продаж действительно появилось благодаря ему. Например, поисковая реклама может показывать отличный ROI, хотя часть покупателей и без неё собиралась совершить покупку. А канал с более скромной отдачей может приводить людей, которые иначе вообще не стали бы клиентами.

Разобраться в этом помогает моделирование маркетингового комплекса (MMM). Такие модели анализируют исторические данные и пытаются отделить влияние рекламы от других факторов, определяющих продажи. Раньше создание индивидуальной модели могло занимать месяцы, а пересчитывали её порой не чаще раза в год. Теперь готовые платформы быстрее обрабатывают данные, регулярно обновляют расчёты и позволяют проверять разные сценарии распределения бюджета.

Но удобство не гарантирует точности. В одном из проектов, описанных в колонке, готовая платформа оценила, что десять платных рекламных каналов обеспечили примерно 75% новых клиентов. Результат вызвал сомнения: по опыту автора, в других моделях дополнительный вклад платной рекламы обычно оценивался в пределах 1–18%. Тогда те же исходные данные передали специалисту по анализу данных, который построил независимую модель. Она показала менее 1% дополнительного вклада тех же каналов.

Это не означает, что индивидуальная модель оказалась правильной, а готовая ошиблась. Расхождение потребовало дополнительной проверки, которая выявила главную проблему: рекламные показатели клиента плохо объясняли изменения числа новых клиентов. При таком качестве исходных данных обе модели могли строить статистически правдоподобные оценки без достаточных оснований для управленческих решений.

Особенно сложно отделить влияние каналов, которые работают одновременно. Например, телевизионная реклама может идти вместе с поисковой, публикации в социальных сетях — сопровождать скидки, а праздничный рост продаж — совпадать с увеличением рекламных расходов. Если модель не учитывает сезонность, цены, действия конкурентов, дистрибуцию и естественный спрос, она способна приписать рекламе результат, который возник по другим причинам.

Есть и менее очевидная ловушка. Некоторые модели используют байесовский подход: при недостатке данных они опираются на предварительные предположения, в том числе основанные на отраслевых показателях и опыте других брендов. Это помогает стабилизировать расчёты, но иногда итоговая оценка сильнее отражает чужой опыт, чем реальные результаты конкретной компании. Даже небольшие изменения подготовки данных и настроек модели могут существенно поменять выводы о наиболее эффективных каналах.

Автор предлагает сочетать автоматизацию с проверкой. Готовые платформы полезны для обработки данных и расчёта бюджетных сценариев, специалисты могут проверять альтернативные настройки, а бизнес-команды — объяснять изменения цен, продаж и дистрибуции. Дополнительно стоит проводить контролируемые эксперименты: например, временно отключать рекламу в отдельных географических регионах и сравнивать результат с сопоставимыми территориями. Такие проверки помогают выяснить, действительно ли реклама создаёт дополнительный спрос, а не просто совпадает с ним.

Проблема доверия к измерениям выходит за пределы одной технологии. В ранее опубликованном материале о результатах опроса Gain Theory 49% из 115 старших бренд-маркетологов признались, что не уверены в достаточности имеющихся данных для обоснования маркетинговых решений перед финансовым директором. Главный вывод нынешней колонки: выбирать модель только за удобство, красивый отчёт или хорошее соответствие историческим данным нельзя. Важно понимать, на каких предположениях держатся её выводы и выдерживают ли они независимую проверку.