Атрибуция, инкрементальность и MMM: почему ROAS почти ничего не говорит об эффективности рекламы

ROAS почти ничего не говорит об эффективности рекламы. Он сообщает, сколько выручки система решила записать на канал. Это полезная информация — примерно до того момента, когда на её основании предлагают перераспределить реальные деньги.

Тогда появляется неловкий вопрос: сколько продаж исчезнет, если рекламу отключить? Атрибуционный отчёт на него не отвечает. Он не наблюдает параллельную реальность без рекламы, зато прекрасно раздаёт медали участникам уже состоявшейся покупки. Последний клик традиционно поднимается на пьедестал. Остальные могут помочь ему донести кубок.

В этой статье я разберу три подхода к маркетинговым измерениям — атрибуцию, инкрементальность и Marketing Mix Modeling (MMM, моделирование маркетингового микса). Не как три названия для одного отчёта, а как инструменты для трёх разных управленческих вопросов.

В одном совещании слово «эффективность» обычно обозначает сразу несколько вещей:

Это четыре разных утверждения. Первое может быть правдой, а остальные — нет.

Человек увидел видео, прочитал обзор, сравнил тарифы, вернулся через брендовый поиск и купил. Поиск действительно участвовал в пути. Но если покупатель уже принял решение до поискового запроса, отключение рекламы по бренду не обязательно уничтожит продажу. Канал может оформить спрос, который создали продукт, репутация, рекомендации или другое медиа.

И наоборот: видео способно повлиять на решение, но не получить клика и исчезнуть из части пользовательских цепочек. Потом отчёт признает видео «неэффективным», а поиск — героем. Корпоративный ритуал завершён: спрос создал один канал, бюджет получил другой.

Проблема стала заметнее из-за ограничений приватности, потери идентификаторов, переходов между устройствами и закрытых экосистем. В отчёте IAB State of Data 2026 именно фрагментация данных, потеря сигналов и платформенная оптимизация названы факторами, которые усложняют связь между рекламным воздействием и результатом. Но даже идеальный трекинг не решил бы главную задачу: наблюдение пути не равно доказательству причины.

Возьмём условный онлайн-сервис. За месяц он получил 100 млн рублей выручки и потратил на платные медиа 10 млн. Атрибуционный отчёт выглядит так:

Платный поиск. Расходы — 4 млн рублей. Выручка по атрибуции — 7,2 млн. Атрибуционный ROAS — 1,80.

Таргетированная реклама. Расходы — 3 млн рублей. Выручка по атрибуции — 5,1 млн. Атрибуционный ROAS — 1,70.

Онлайн-видео. Расходы — 3 млн рублей. Выручка по атрибуции — 2,7 млн. Атрибуционный ROAS — 0,90.

Если считать атрибуционный ROAS доказательством эффективности, решение очевидно: урезать видео и добавить денег в поиск. Для уверенности можно раскрасить цифры зелёным и красным. Цвет особенно полезен, когда методология решила не приходить.

Теперь предположим, что компания по отдельности провела корректные контролируемые тесты. В сопоставимых группах она изменила рекламное воздействие и оценила разницу в выручке.

Платный поиск создал 2,4 млн рублей инкрементальной выручки. iROAS — 0,60.

Таргетированная реклама создала 4,2 млн рублей инкрементальной выручки. iROAS — 1,40.

Онлайн-видео создало 5,4 млн рублей инкрементальной выручки. iROAS — 1,80.

Условный пример. Тесты относятся к разным условиям и периодам, поэтому их результаты нельзя механически складывать.

Рейтинг перевернулся. Поиск находился ближе к покупке и забрал много атрибуционной выручки, но часть пользователей купила бы и без оплаченного перехода. Видео получило мало кликового кредита, зато создало больше дополнительного спроса.

Наконец, MMM на длинном временном ряду оценила структуру всех 100 млн рублей выручки:

Получились три ответа: 15 млн атрибуционной выручки, отдельные экспериментальные эффекты и примерно 12 млн вклада медиа по MMM. Они не обязаны совпасть. У них разные периоды, единицы анализа, допущения и сценарии «что было бы без рекламы».

И здесь возникает ещё одна неприятность. Допустим, валовая маржа продукта равна 45%. Тогда для окупаемости только рекламных расходов нужен инкрементальный ROAS выше:

Даже видео с лучшим iROAS 1,80 не окупается на первой покупке, если в расчёте нет доказанного последующего LTV — пожизненной ценности клиента. Лучший канал в сравнении не обязательно является прибыльным. Он может просто проигрывать медленнее остальных.

Google Analytics определяет атрибуцию как назначение кредита рекламным объявлениям, кликам и другим факторам на пути пользователя к целевому действию. Модель задаёт, кому и в какой доле достанется ценность конверсии.

При last click — атрибуции по последнему клику — вся ценность уходит последнему известному переходу. Data-driven attribution распределяет кредит алгоритмически, используя доступные цепочки и вероятности конверсии. Это содержательнее простого последнего клика, но не делает отчёт универсальным ответом на вопрос об отключении канала.

Почему? Потому что результат зависит от того, что система сумела увидеть:

Даже сложная модель работает внутри определённой карты территории. Если половина территории не нанесена, алгоритм не получает способность к ясновидению — только более дорогую линейку.

Атрибуция хороша там, где нужен быстрый операционный сигнал:

Я бы относился к атрибуционному отчёту как к навигационной карте, а не как к финансовому аудиту причинности. Карта помогает двигаться каждый день. Но если она показывает ресторан, это ещё не доказывает, что ресторан построила карта.

ROAS сам по себе не доказывает, что:

Особенно осторожно нужно складывать цифры рекламных кабинетов. Каждая платформа использует собственные окна, идентификаторы и правила view-through — учёта конверсий после просмотра. Две платформы могут поздравить себя с одной и той же продажей. Продажа от этого, к сожалению, не размножается.

Incrementality — дополнительный результат, которого не произошло бы без рекламного воздействия. Чтобы его оценить, нужен counterfactual — контрфактуал, то есть правдоподобный сценарий «без воздействия».

Логика эксперимента выглядит просто:

Сложность находится не в вычитании, а в слове «сопоставимой». Если тестовая и контрольная группы различаются по сезонности, доходу, цене, наличию товара или активности конкурентов, разница перестаёт быть чистым эффектом рекламы.

На практике используют несколько дизайнов:

Чем ближе дизайн к корректной рандомизации, тем меньше причин объяснять результат внешними различиями между группами. Но волшебной кнопки здесь тоже нет. Контроль может увидеть рекламу, пользователи перемещаются между регионами, конкурент запускает акцию посреди теста, а команда завершает эксперимент раньше срока, потому что график уже «красивый». Статистика это переживёт. Решение — не всегда.

У каждого теста есть estimand — точно определённая величина, которую мы оцениваем. Например: дополнительная выручка среди новых пользователей в выбранных регионах за четыре недели при снижении расходов на видео на 30%.

Такой эксперимент не доказывает автоматически, что:

Это не слабость эксперимента, а цена точного вопроса. Проблема начинается, когда точный ответ вынимают из условий и превращают в корпоративную легенду на ближайшие три года.

Хороший отчёт по инкрементальности показывает не только lift, но и дизайн теста, длительность, размер выборки, доверительный интервал, статистическую мощность, загрязнение контроля и ограничения переноса. Точечная оценка без неопределённости похожа на прогноз погоды «будет 17,3 градуса» без города и даты: выглядит научно, использовать затруднительно.

Я бы запускал тест не ради ещё одного графика, а когда цена ошибки заметна:

Если ожидаемый эффект меньше естественного шума, контроль невозможно изолировать, а бизнес не готов выдержать дизайн до конца, эксперимент лучше сначала перепроектировать. Плохой тест не становится причинным только потому, что у него есть слово lift в названии.

Marketing Mix Modeling не пытается восстановить путь каждого пользователя. MMM анализирует агрегированную динамику продаж и факторов по времени, а при наличии данных — ещё и по регионам.

Упрощённая запись выглядит так:

Здесь baseline — базовый спрос без текущего вклада рассматриваемых медиа. В контролирующие факторы могут входить цена, промо, ассортимент, дистрибуция, праздники, макроэкономика и действия конкурентов — если эти данные доступны и корректно включены.

Хорошая MMM учитывает две особенности рекламы.

Adstock — отложенный эффект. Воздействие может работать после показа: сегодня человек увидел рекламу, через неделю вернулся и купил.

Saturation — насыщение. Каждый следующий рубль обычно приносит меньше предыдущего. Если канал уже охватил почти всю доступную аудиторию, удвоение бюджета не обязано удвоить результат. Иногда оно удваивает только уверенность медиаплана в себе.

Из-за насыщения для будущего бюджета важен mROI — marginal ROI, предельная отдача следующей единицы расходов. Средний исторический ROI сообщает, как канал работал на всём прошлом объёме. mROI отвечает, сколько может принести следующий рубль в текущей точке кривой.

Документация Google Meridian разделяет эти величины именно так: ROI нужен для оценки исторической эффективности, response curves — кривые отклика — показывают насыщение, а mROI помогает оценивать следующую добавку бюджета.

MMM полезна, когда нужно:

Но MMM не является машиной для производства одной окончательной цифры. Она чувствительна к вариативности расходов, качеству контролирующих факторов, длине истории, синхронности каналов и допущениям модели.

Если компания всегда увеличивает поиск, видео и наружную рекламу одновременно, модели трудно разделить их вклад. Если перед праздником одновременно растут и продажи, и медиадавление, плохо описанная сезонность может получить эффект рекламы — или отдать рекламе свой. Статистическая модель не знает, что директору хотелось бы увидеть в презентации. Хотя иногда создаётся обратное впечатление.

Это один из самых неприятных моментов MMM. Модель может отлично предсказывать продажи и неправильно раскладывать вклад факторов.

В руководстве Meridian по проверке модели прямо сказано: главная цель MMM — оценка причинных эффектов, а не минимизация ошибки прогноза. Для прямой проверки причинного вывода нужны хорошо спроектированные эксперименты с сопоставимым estimand.

Поэтому зрелая MMM показывает:

Meridian рекомендует использовать результаты incrementality-тестов для калибровки priors — априорных диапазонов модели. Meta Robyn также рекомендует экспериментальную калибровку MMM. Это важный принцип: эксперименты не конкурируют с MMM, а удерживают её от слишком творческой интерпретации реальности.

Атрибуция работает с пользовательскими касаниями и событиями. Её главный вопрос: кому записать наблюдаемую конверсию? Данные можно обновлять ежедневно, поэтому метод удобен для оперативной оптимизации. Главный риск — перепутать распределённый кредит с причинным эффектом.

Инкрементальность работает с пользователями, регионами или периодами, разделёнными на тест и контроль. Её вопрос: что изменилось именно из-за рекламного воздействия? Сильная сторона — причинный ответ в условиях конкретного теста. Главный риск — без проверки перенести локальный результат на весь бизнес.

MMM работает с агрегированными временными и географическими данными. Её вопрос: из чего сложился общий результат бизнеса? Метод подходит для оценки бюджета и вклада крупных факторов, но пересчитывается реже. Главный риск — получить статистически правдоподобную, но причинно неверную декомпозицию.

У всех трёх методов разный контрфактуал. В атрибуции он обычно модельный и ограничен наблюдаемыми путями. В эксперименте его создаёт контрольная группа или квазиэкспериментальный дизайн. В MMM это модельный сценарий без определённого рекламного воздействия.

Несовпадение результатов — не обязательно ошибка. Сначала нужно проверить пять вещей:

Пока эти параметры не совпали, спор «какой метод прав» похож на спор термометра с банковским приложением. Оба показывают число. На этом сходство заканчивается.

Я бы не выбирал один «главный» метод. Я бы распределил между ними роли.

Она нужна команде постоянно: контролировать события, расходы, кампании, креативы, посадочные страницы и наблюдаемые конверсионные пути.

Главное правило — подписывать метрику честно: не «выручка канала», а «выручка, атрибутированная каналу по такой-то модели и окну». Одно уточнение резко снижает содержание магии в дашборде.

Составьте реестр дорогих неопределённостей. Не «что ещё можно протестировать», а «в каком решении ошибка стоит нам больше всего».

Для каждого теста заранее фиксируются:

Результат не должен умирать в презентации. Он становится входом для бюджетного правила и калибровки MMM.

MMM пересчитывается не ради еженедельного рейтинга каналов, а для решений другого масштаба: доли онлайн и офлайн, сценарии роста и сокращения, кривые насыщения, диапазоны допустимого бюджета.

Каждый результат модели я бы сопровождал тремя вещами:

Если модель выдаёт только красивую декомпозицию и одну оптимальную сумму, это не система принятия решений. Это дорогой способ нарисовать уверенность.

Ни attribution ROAS, ни iROAS по выручке не равны прибыли. После измерения причинного эффекта нужны:

Итоговый вопрос звучит не «какой у нас ROAS?», а «какую дополнительную прибыль создаст следующее решение с учётом неопределённости?» Именно здесь маркетинговая аналитика перестаёт быть соревнованием дашбордов и начинает обслуживать бизнес.

Нужно понять, какое объявление или посадочная страница работает хуже? Используйте атрибуцию и продуктовую аналитику. Если трафика достаточно — дополняйте A/B-тестом.

Нужно проверить, создаёт ли ретаргетинг новые продажи? Проводите holdout, то есть исключайте часть сопоставимой аудитории из воздействия. Атрибуцию оставьте для диагностики кампании, но не назначайте доказательством эффекта.

Нужно оценить последствия отключения брендового поиска? Используйте географический или пользовательский holdout и отдельно анализируйте, какая доля платных переходов заместилась органическими.

Нужно разделить годовой бюджет между ТВ, видео, social и search? Основой станет MMM, откалиброванная результатами экспериментов.

Нужно решить, куда вложить следующий миллион? Смотрите на mROI и кривые отклика, а не только на средний исторический ROI. Проверяйте вывод свежими тестами и учитывайте ограничения по масштабу канала.

Нужно понять, окупается ли канал? Считайте инкрементальную прибыль с учётом маржи, LTV, возвратов, переменных расходов и стоимости капитала.

Если данных мало и бюджет невелик, не нужно начинать с собственной Bayesian MMM только потому, что это красиво звучит на встрече. Часто полезнее привести в порядок события и расходы, посчитать экономику, провести один чистый holdout и перестать суммировать выручку из кабинетов.

Сложность метода должна соответствовать цене решения и качеству данных. Иначе аналитическая зрелость измеряется количеством латинских букв, а не снижением ошибок.

Перед тем как переносить деньги между каналами, я бы задал пять вопросов.

Атрибуция распределяет кредит за уже наблюдаемую конверсию между известными касаниями. Инкрементальность оценивает разницу между результатом с рекламным воздействием и правдоподобным результатом без него. Поэтому атрибуционный ROAS и iROAS могут сильно различаться.

iROAS — отношение инкрементальной выручки, созданной рекламой, к инкрементальным рекламным расходам. В отличие от обычного платформенного ROAS, числитель должен отражать дополнительный причинный эффект. Для оценки прибыльности iROAS нужно сопоставить с валовой маржой, переменными затратами и LTV.

Можно — только если точно указать, какой эффективности. Атрибуционный ROAS полезен для оперативного сравнения кампаний внутри согласованной системы измерения. Но без контрфактуала он не доказывает, сколько продаж создала реклама, а без маржи — сколько прибыли она принесла.

MMM, или Marketing Mix Modeling, — статистическое моделирование общей динамики продаж через рекламу, цену, промо, сезонность, базовый спрос и другие факторы. Метод используют для оценки вклада каналов, кривых насыщения и сценариев распределения бюджета.

Универсального количества нет. Важны частота наблюдений, длина истории, сезонность, географическая детализация и реальная вариативность расходов. Два года еженедельных данных могут быть полезнее трёх лет одинакового медиаплана, в котором все каналы двигаются синхронно. До моделирования нужно проверять не только объём набора данных, но и идентифицируемость эффектов.

Хорошо спроектированный эксперимент обычно даёт более сильный причинный ответ для конкретных условий теста. MMM охватывает больше каналов и длинный период, но сильнее зависит от модели и допущений. Поэтому эксперименты разумно использовать как причинные якоря для калибровки MMM, а не назначать между методами победителя.

ROAS не бесполезен. Бесполезна привычка задавать ему вопросы, для которых он не предназначен.

Атрибуция помогает управлять наблюдаемым путём пользователя. Инкрементальные тесты показывают, что действительно изменилось из-за рекламы в конкретных условиях. MMM связывает медиа с общей динамикой бизнеса и позволяет обсуждать следующий бюджет, а не только прошлый.

Зрелая система не обязана выдавать одну священную цифру. Она обязана показать, какой вопрос задан, как построен контрфактуал, насколько неопределён ответ и сколько денег компания готова потерять, если ошиблась.

Всё остальное может выглядеть очень убедительно. Особенно если не задавать вопросов.