Метрики тщеславия против экономики RevOps: почему атрибуция по последнему клику стала опасным анахронизмом
В 2026 году продолжать оценивать эффективность маркетинга через классические модели атрибуции (определение источника, приведшего к покупке) по последнему клику — значит сознательно инвестировать в слепую зону. Мы живем в эпоху «нулевого клика», где путь покупателя размыт между ответами нейросетей, рекомендациями в мессенджерах и закрытыми сообществами. Для главы performance (отдела эффективности) этот разрыв между тем, что показывает рекламный кабинет, и тем, что реально попадает на счет, становится критическим.
Переход к RevOps (объединенному управлению доходами) окончательно хоронит модель, при которой маркетинг отвечает только за «лиды», а продажи — за деньги. Сегодня мы видим, что бренды, упорно держащиеся за устаревшие отчеты, сталкиваются с парадоксом: рекламные показатели растут, а чистая прибыль стагнирует.
Вот что показывает практика работы с MMM (маркетинговым микс-моделированием) и инкрементальностью (приростом эффективности от конкретного канала):
— До 40% конверсий, приписываемых performance-каналам в CRM, являются органическим спросом, который пользователи бы совершили вне зависимости от показа рекламы.
— Перераспределение бюджетов на основе «чистой инкрементальности» вместо стоимости привлечения клиента позволяет снизить расходы на 15–20% без потери общего объема выручки.
— Атрибуция теперь должна строиться на базе Server-side (серверной передачи данных) и объединении данных из MMM, что позволяет видеть вклад каждого медиаканала в долгосрочный LTV (пожизненную ценность клиента), а не просто в разовую сделку.
В условиях, когда средний чек потребителя снижается, борьба за клиента становится не вопросом «покупки клика», а вопросом удержания и формирования лояльности. Если вы продолжаете оптимизировать кампании по цене заявки, вы просто покупаете тех, кто и так готов был купить.
Настоящая же экспертиза performance-команды сегодня смещается в область математического моделирования влияния маркетинга на итоговую выручку. Пришло время признать: если модель атрибуции не учитывает влияние бренда и внешние рыночные факторы, она вредит бизнесу больше, чем полное отсутствие аналитики. Уходите от микроменеджмента рекламных площадок в пользу управления общей эконометрикой маркетинга. Это единственный путь сохранить эффективность в эпоху, когда доверие к прямой рекламе падает, а роль контентных смыслов растет.
— @AttributionRoom
В 2026 году продолжать оценивать эффективность маркетинга через классические модели атрибуции (определение источника, приведшего к покупке) по последнему клику — значит сознательно инвестировать в слепую зону. Мы живем в эпоху «нулевого клика», где путь покупателя размыт между ответами нейросетей, рекомендациями в мессенджерах и закрытыми сообществами. Для главы performance (отдела эффективности) этот разрыв между тем, что показывает рекламный кабинет, и тем, что реально попадает на счет, становится критическим.
Переход к RevOps (объединенному управлению доходами) окончательно хоронит модель, при которой маркетинг отвечает только за «лиды», а продажи — за деньги. Сегодня мы видим, что бренды, упорно держащиеся за устаревшие отчеты, сталкиваются с парадоксом: рекламные показатели растут, а чистая прибыль стагнирует.
Вот что показывает практика работы с MMM (маркетинговым микс-моделированием) и инкрементальностью (приростом эффективности от конкретного канала):
— До 40% конверсий, приписываемых performance-каналам в CRM, являются органическим спросом, который пользователи бы совершили вне зависимости от показа рекламы.
— Перераспределение бюджетов на основе «чистой инкрементальности» вместо стоимости привлечения клиента позволяет снизить расходы на 15–20% без потери общего объема выручки.
— Атрибуция теперь должна строиться на базе Server-side (серверной передачи данных) и объединении данных из MMM, что позволяет видеть вклад каждого медиаканала в долгосрочный LTV (пожизненную ценность клиента), а не просто в разовую сделку.
В условиях, когда средний чек потребителя снижается, борьба за клиента становится не вопросом «покупки клика», а вопросом удержания и формирования лояльности. Если вы продолжаете оптимизировать кампании по цене заявки, вы просто покупаете тех, кто и так готов был купить.
Настоящая же экспертиза performance-команды сегодня смещается в область математического моделирования влияния маркетинга на итоговую выручку. Пришло время признать: если модель атрибуции не учитывает влияние бренда и внешние рыночные факторы, она вредит бизнесу больше, чем полное отсутствие аналитики. Уходите от микроменеджмента рекламных площадок в пользу управления общей эконометрикой маркетинга. Это единственный путь сохранить эффективность в эпоху, когда доверие к прямой рекламе падает, а роль контентных смыслов растет.
— @AttributionRoom
Почему last-click ещё жив, хотя уже давно не работает
Я часто вижу одну и ту же ошибку у сильных performance-команд: они строят отчётность так, будто последний клик отвечает за спрос, а не просто фиксирует его.
В 2026 году это особенно заметно. Пользователь всё чаще проходит путь через несколько касаний: видит креатив в ленте, возвращается через поиск, читает обзор, потом уже кликает в брендовый запрос или прямой заход. Last-click в такой цепочке не врёт — он просто слишком узко смотрит на вклад одного канала.
Моя позиция простая: если вы управляете бюджетом только по последнему клику, вы оптимизируете не рост, а видимость роста.
На практике это бьёт по трём зонам:
— недооцениваются верхние и средние этапы воронки;
— переоцениваются брендовый поиск и ретаргетинг;
— решения по масштабированию принимаются на шуме, а не на инкрементальности.
Один показательный кейс из практики: в e-com-проекте доля брендовых и ретаргетинговых конверсий в last-click превышала 70%, но тест на инкрементальность показал, что реальный вклад этих каналов был заметно ниже. После перераспределения бюджета в пользу prospecting-кампаний и креативов с новым углом офферов общий инкрементальный прирост выручки вырос, хотя в дашборде «конверсия по каналам» сначала выглядела хуже.
Именно поэтому я считаю MMM и incrementality не «дополнением к атрибуции», а её взрослением. Атрибуция нужна, чтобы видеть механику. MMM и эксперимент нужны, чтобы понимать, что действительно создаёт выручку.
Если у вас в отчёте канал выглядит лучшим, но без него бизнес почти не проседает — это не победа. Это сигнал, что модель атрибуции слишком удобная.
— @AttributionRoom
Я часто вижу одну и ту же ошибку у сильных performance-команд: они строят отчётность так, будто последний клик отвечает за спрос, а не просто фиксирует его.
В 2026 году это особенно заметно. Пользователь всё чаще проходит путь через несколько касаний: видит креатив в ленте, возвращается через поиск, читает обзор, потом уже кликает в брендовый запрос или прямой заход. Last-click в такой цепочке не врёт — он просто слишком узко смотрит на вклад одного канала.
Моя позиция простая: если вы управляете бюджетом только по последнему клику, вы оптимизируете не рост, а видимость роста.
На практике это бьёт по трём зонам:
— недооцениваются верхние и средние этапы воронки;
— переоцениваются брендовый поиск и ретаргетинг;
— решения по масштабированию принимаются на шуме, а не на инкрементальности.
Один показательный кейс из практики: в e-com-проекте доля брендовых и ретаргетинговых конверсий в last-click превышала 70%, но тест на инкрементальность показал, что реальный вклад этих каналов был заметно ниже. После перераспределения бюджета в пользу prospecting-кампаний и креативов с новым углом офферов общий инкрементальный прирост выручки вырос, хотя в дашборде «конверсия по каналам» сначала выглядела хуже.
Именно поэтому я считаю MMM и incrementality не «дополнением к атрибуции», а её взрослением. Атрибуция нужна, чтобы видеть механику. MMM и эксперимент нужны, чтобы понимать, что действительно создаёт выручку.
Если у вас в отчёте канал выглядит лучшим, но без него бизнес почти не проседает — это не победа. Это сигнал, что модель атрибуции слишком удобная.
— @AttributionRoom
Эра last-click атрибуции закончилась, не успев начаться в головах многих перформанс-директоров.
В 2026 году попытка приписать заслугу за покупку последнему клику выглядит как попытка измерить температуру по звездам. С ростом влияния систем с искусственным интеллектом, которые формируют поисковую выдачу, путь пользователя стал нелинейным и зачастую невидимым для традиционных трекеров. Сейчас бренды, которые продолжают слепо верить отчетам рекламных кабинетов, теряют деньги на неэффективных каналах. *Переход к маркетинговому моделированию микса (MMM) и оценке инкрементальности — это уже не вопрос продвинутой аналитики, а вопрос выживания бизнеса.* Мы перестаем считать каждый клик и начинаем оценивать вклад каждого канала в общий рост выручки. Кто не научился видеть картину целиком, тот просто сжигает бюджет, пытаясь доказать эффективность неработающих инструментов.
— @AttributionRoom
В 2026 году попытка приписать заслугу за покупку последнему клику выглядит как попытка измерить температуру по звездам. С ростом влияния систем с искусственным интеллектом, которые формируют поисковую выдачу, путь пользователя стал нелинейным и зачастую невидимым для традиционных трекеров. Сейчас бренды, которые продолжают слепо верить отчетам рекламных кабинетов, теряют деньги на неэффективных каналах. *Переход к маркетинговому моделированию микса (MMM) и оценке инкрементальности — это уже не вопрос продвинутой аналитики, а вопрос выживания бизнеса.* Мы перестаем считать каждый клик и начинаем оценивать вклад каждого канала в общий рост выручки. Кто не научился видеть картину целиком, тот просто сжигает бюджет, пытаясь доказать эффективность неработающих инструментов.
— @AttributionRoom
Как за 1 неделю собрать базовую инкрементальность для платного трафика
Если вы управляете performance, то главный вопрос на 2026 год уже не «какой канал дал конверсию», а «что из этого прироста не случилось бы само». Ниже — рабочий план на неделю, чтобы быстро получить первый ответ без тяжёлого проекта.
1) Выберите один канал и один KPI
— Берите только один источник трафика: поиск, соцсети или маркетплейс-рекламу.
— KPI выбирайте один: выручка, заказы или заявки с подтверждённым статусом.
— Исключите кампании с сильной сезонностью и редкими всплесками: нужен стабильный поток.
2) Сформируйте тест и контроль
— Разделите аудиторию или географию на две сопоставимые группы.
— В тесте оставьте текущий уровень бюджета.
— В контроле отключите показ или снизьте бюджет до минимума.
— Проверьте, чтобы группы были близки по размеру, спросу и прошлой динамике.
3) Зафиксируйте базовую линию
— Возьмите 3–6 недель исторических данных по выбранному KPI.
— Смотрите не только среднее значение, но и разброс по неделям.
— Отметьте дни акций, рассылок и изменений цены: их нужно исключить из оценки.
4) Проведите короткий эксперимент
— Запустите тест минимум на 7 дней, лучше на 10–14.
— Не меняйте креативы, ставки и посадочные страницы во время проверки.
— Снимайте только внешние «шумы»: сбои аналитики, паузы в доставке, перебои в CRM.
5) Считайте прирост
— Сравните разницу между тестом и контролем до и во время эксперимента.
— Посчитайте инкрементальную выручку или заказы.
— Разделите прирост на дополнительные расходы: получите **инкрементальный ROMI**.
— Если прироста нет, канал не масштабируют без изменения механики.
6) Примите решение
— Масштабируйте только то, что даёт устойчивый прирост.
— Если эффект слабый, меняйте не бюджет, а гипотезу: аудиторию, оффер, частоту.
— Результат зафиксируйте в едином документе для MMM и последующей атрибуции.
Что важно: last-click покажет продажи, но не покажет, где был реальный прирост. Инкрементальность — самый быстрый способ отделить полезный расход от привычного.
— @AttributionRoom
Если вы управляете performance, то главный вопрос на 2026 год уже не «какой канал дал конверсию», а «что из этого прироста не случилось бы само». Ниже — рабочий план на неделю, чтобы быстро получить первый ответ без тяжёлого проекта.
1) Выберите один канал и один KPI
— Берите только один источник трафика: поиск, соцсети или маркетплейс-рекламу.
— KPI выбирайте один: выручка, заказы или заявки с подтверждённым статусом.
— Исключите кампании с сильной сезонностью и редкими всплесками: нужен стабильный поток.
2) Сформируйте тест и контроль
— Разделите аудиторию или географию на две сопоставимые группы.
— В тесте оставьте текущий уровень бюджета.
— В контроле отключите показ или снизьте бюджет до минимума.
— Проверьте, чтобы группы были близки по размеру, спросу и прошлой динамике.
3) Зафиксируйте базовую линию
— Возьмите 3–6 недель исторических данных по выбранному KPI.
— Смотрите не только среднее значение, но и разброс по неделям.
— Отметьте дни акций, рассылок и изменений цены: их нужно исключить из оценки.
4) Проведите короткий эксперимент
— Запустите тест минимум на 7 дней, лучше на 10–14.
— Не меняйте креативы, ставки и посадочные страницы во время проверки.
— Снимайте только внешние «шумы»: сбои аналитики, паузы в доставке, перебои в CRM.
5) Считайте прирост
— Сравните разницу между тестом и контролем до и во время эксперимента.
— Посчитайте инкрементальную выручку или заказы.
— Разделите прирост на дополнительные расходы: получите **инкрементальный ROMI**.
— Если прироста нет, канал не масштабируют без изменения механики.
6) Примите решение
— Масштабируйте только то, что даёт устойчивый прирост.
— Если эффект слабый, меняйте не бюджет, а гипотезу: аудиторию, оффер, частоту.
— Результат зафиксируйте в едином документе для MMM и последующей атрибуции.
Что важно: last-click покажет продажи, но не покажет, где был реальный прирост. Инкрементальность — самый быстрый способ отделить полезный расход от привычного.
— @AttributionRoom
Когда last-click перестаёт быть правдой
В 2026-м у многих команд уже есть server-side и MMM, но в отчёты всё равно первым смотрят last-click. **А вы на чём принимаете решение о бюджете?**
ВАРИАНТЫ:
1. Last-click — пока он самый быстрый и понятный
2. MMM — для распределения бюджета по каналам
3. Инкрементальность — если нужен прирост, а не отчёт
4. Смешанная модель — зависит от задачи и горизонта
— @AttributionRoom
В 2026-м у многих команд уже есть server-side и MMM, но в отчёты всё равно первым смотрят last-click. **А вы на чём принимаете решение о бюджете?**
ВАРИАНТЫ:
1. Last-click — пока он самый быстрый и понятный
2. MMM — для распределения бюджета по каналам
3. Инкрементальность — если нужен прирост, а не отчёт
4. Смешанная модель — зависит от задачи и горизонта
— @AttributionRoom
Переход от атрибуции по последнему клику к MMM в условиях дефицита данных
В 2026 году опора на стандартные отчеты рекламных платформ становится стратегическим риском. Из-за развития приватности данных (Privacy-first) и доминирования ответов искусственного интеллекта в поиске, модель последнего клика (last-click) теряет до 40% данных о пути пользователя. Для главы performance-отдела это означает переход от реактивного управления ставками к моделированию маркетингового микса (MMM — Marketing Mix Modeling).
Как выстроить процесс оценки эффективности, не дожидаясь внедрения сложных эконометрических моделей:
— Перевод фокуса на инкрементальность (прирост от маркетинговых усилий). Вместо оценки «потратили — получили», запустите серию тестов на отключение отдельных каналов (geo-lift). Разделите регионы присутствия на группы: в одной вы останавливаете охватные кампании на две недели, в другой сохраняете текущие инвестиции. Разница в объеме продаж между группами покажет реальный вклад медийного канала в выручку.
— Интеграция данных CRM (системы управления отношениями с клиентами) в общую аналитику. В эпоху снижения среднего чека, модель атрибуции должна учитывать не первую продажу, а долгосрочную ценность клиента (LTV — Lifetime Value). Настройте выгрузку данных из CRM в систему сквозной аналитики, чтобы видеть вклад каждого канала в удержание (retention), а не только в первичный захват лида.
— Оценка Topical Authority (тематического авторитета). В условиях Zero-click (отсутствие переходов) поисковые системы ранжируют бренды, чьи экспертные материалы закрывают потребность пользователя без перехода на сайт. Оценивайте эффективность контента не по кликам, а по росту брендовых запросов в динамике после публикации серии экспертных материалов.
— Использование серверной передачи данных (Server-side tracking). Перестаньте полагаться на сторонние файлы cookie. Настройте передачу конверсий напрямую с сервера вашего сайта на сервера рекламных площадок. Это единственный способ сохранить видимость данных в условиях блокировок браузерами.
Данный подход позволяет перейти от оценки «какой баннер кликнули» к пониманию того, какой канал действительно обеспечивает рост бизнеса в текущих RevOps-реалиях, где ответственность за выручку распределена между всеми департаментами. На этой неделе начните с аудита передачи данных — убедитесь, что серверные события обогащены идентификаторами пользователей, которые не зависят от настроек приватности браузера клиента.
— @AttributionRoom
Параллельный взгляд на тему — @RetentionPaid
В 2026 году опора на стандартные отчеты рекламных платформ становится стратегическим риском. Из-за развития приватности данных (Privacy-first) и доминирования ответов искусственного интеллекта в поиске, модель последнего клика (last-click) теряет до 40% данных о пути пользователя. Для главы performance-отдела это означает переход от реактивного управления ставками к моделированию маркетингового микса (MMM — Marketing Mix Modeling).
Как выстроить процесс оценки эффективности, не дожидаясь внедрения сложных эконометрических моделей:
— Перевод фокуса на инкрементальность (прирост от маркетинговых усилий). Вместо оценки «потратили — получили», запустите серию тестов на отключение отдельных каналов (geo-lift). Разделите регионы присутствия на группы: в одной вы останавливаете охватные кампании на две недели, в другой сохраняете текущие инвестиции. Разница в объеме продаж между группами покажет реальный вклад медийного канала в выручку.
— Интеграция данных CRM (системы управления отношениями с клиентами) в общую аналитику. В эпоху снижения среднего чека, модель атрибуции должна учитывать не первую продажу, а долгосрочную ценность клиента (LTV — Lifetime Value). Настройте выгрузку данных из CRM в систему сквозной аналитики, чтобы видеть вклад каждого канала в удержание (retention), а не только в первичный захват лида.
— Оценка Topical Authority (тематического авторитета). В условиях Zero-click (отсутствие переходов) поисковые системы ранжируют бренды, чьи экспертные материалы закрывают потребность пользователя без перехода на сайт. Оценивайте эффективность контента не по кликам, а по росту брендовых запросов в динамике после публикации серии экспертных материалов.
— Использование серверной передачи данных (Server-side tracking). Перестаньте полагаться на сторонние файлы cookie. Настройте передачу конверсий напрямую с сервера вашего сайта на сервера рекламных площадок. Это единственный способ сохранить видимость данных в условиях блокировок браузерами.
Данный подход позволяет перейти от оценки «какой баннер кликнули» к пониманию того, какой канал действительно обеспечивает рост бизнеса в текущих RevOps-реалиях, где ответственность за выручку распределена между всеми департаментами. На этой неделе начните с аудита передачи данных — убедитесь, что серверные события обогащены идентификаторами пользователей, которые не зависят от настроек приватности браузера клиента.
— @AttributionRoom
Параллельный взгляд на тему — @RetentionPaid
MMM не убивает атрибуцию. Он убивает иллюзии
Я часто вижу одну и ту же ошибку у сильных performance-команд: они пытаются выбрать между MMM и атрибуцией, как будто это два конкурирующих мира. На практике это две системы с разной задачей.
Атрибуция отвечает на вопрос: что произошло внутри доступных сигналов и где мы можем быстро перераспределить бюджет. MMM отвечает на более неприятный вопрос: **что вообще двигает выручку, если убрать удобные, но шумные объяснения**.
Моя позиция простая: в 2026 году head of performance должен перестать воспринимать last-click как «истину по умолчанию». В privacy-first среде он всё чаще становится не источником решений, а источником уверенности без основания. Особенно это заметно в брендах с длинным циклом сделки, повторными покупками или несколькими точками контакта до конверсии.
Один практический наблюдение: в проектах, где мы сопоставляли last-click с MMM и проверками инкрементальности, расхождение по вкладу каналов нередко доходило до 20–40% на уровне годового распределения. Не потому что кто-то «плохо настроен», а потому что каналы решают разные задачи: одни снимают спрос, другие создают его, третьи возвращают уже готовый спрос через ремаркетинг.
Поэтому мой рабочий принцип такой:
— атрибуция нужна для ежедневного управления;
— MMM нужен для стратегической рамки и защиты бюджета;
— incrementality-тесты нужны, чтобы не спорить верой, а проверять эффект.
Если у команды нет MMM, она почти всегда переоценивает нижнюю часть воронки. Если нет инкрементальности, она начинает оптимизировать не рост, а удобные метрики. Если нет атрибуции, она теряет скорость.
То есть вопрос не в том, заменит ли MMM атрибуцию. Вопрос в другом: готова ли команда видеть бизнес целиком, а не только тот кусок, который легче всего измерить.
— @AttributionRoom
@PaidSearchRoom разбирают это с практической стороны
Я часто вижу одну и ту же ошибку у сильных performance-команд: они пытаются выбрать между MMM и атрибуцией, как будто это два конкурирующих мира. На практике это две системы с разной задачей.
Атрибуция отвечает на вопрос: что произошло внутри доступных сигналов и где мы можем быстро перераспределить бюджет. MMM отвечает на более неприятный вопрос: **что вообще двигает выручку, если убрать удобные, но шумные объяснения**.
Моя позиция простая: в 2026 году head of performance должен перестать воспринимать last-click как «истину по умолчанию». В privacy-first среде он всё чаще становится не источником решений, а источником уверенности без основания. Особенно это заметно в брендах с длинным циклом сделки, повторными покупками или несколькими точками контакта до конверсии.
Один практический наблюдение: в проектах, где мы сопоставляли last-click с MMM и проверками инкрементальности, расхождение по вкладу каналов нередко доходило до 20–40% на уровне годового распределения. Не потому что кто-то «плохо настроен», а потому что каналы решают разные задачи: одни снимают спрос, другие создают его, третьи возвращают уже готовый спрос через ремаркетинг.
Поэтому мой рабочий принцип такой:
— атрибуция нужна для ежедневного управления;
— MMM нужен для стратегической рамки и защиты бюджета;
— incrementality-тесты нужны, чтобы не спорить верой, а проверять эффект.
Если у команды нет MMM, она почти всегда переоценивает нижнюю часть воронки. Если нет инкрементальности, она начинает оптимизировать не рост, а удобные метрики. Если нет атрибуции, она теряет скорость.
То есть вопрос не в том, заменит ли MMM атрибуцию. Вопрос в другом: готова ли команда видеть бизнес целиком, а не только тот кусок, который легче всего измерить.
— @AttributionRoom
@PaidSearchRoom разбирают это с практической стороны
MMM без иллюзий: почему «хорошая модель» не равна управляемому росту
В 2026-м к MMM у аудитории два требования: первое — объяснить, второе — помочь принять решение. И вот где чаще всего ломаются ожидания. Я много раз видел, как команды собирают модель с внятными драйверами, получают красивую адекватность fit и… продолжают управлять по last-click-ощущениям: «если вырос CTR — значит всё работает». MMM при этом превращается в отчётность, а не в инструмент управления.
Моя позиция жёсткая: **MMM должна быть не “про прошлое”, а “про сценарии”**. Если модель не умеет переводить наблюдаемую динамику в решения по бюджету, то это не маркетинговая аналитика, а статистическая сводка.
Где именно теряется управляемость:
— В модели описывают продажи как функцию медиа, но не описывают принятие решений покупателем/продавцом. Например, в B2B воронка меняется (подкрутки Sales, правила квалификации, скорость реакции менеджеров). Тогда MMM измеряет не только эффект медиа, а эффект операционных изменений.
— Игнорируют базовые состояния рынка: промо-политику, доступность продукта, сезонность обслуживания, складские ограничения. Модель “запоминает” всё это вместе, а вы потом неверно приписываете причину росту каналу.
— Смешивают инкрементальность и корреляции. Данные показывают, что расходы и продажи росли одновременно, но причинность может идти через третью переменную: например, маркетинг усилил активность, потому что рынок уже ускорялся.
Одно наблюдение из практики, которое я теперь считаю правилом: когда в модель добавили переменную по **времени контакта с лидом** (в B2B это может быть медиана SLA до первого касания) и фиксировали её в сценариях, доля “необъяснённых” остатков заметно просела. Проще говоря: часть того, что выглядело как эффект кампаний, на деле было эффектом скорости продаж. После этого рекомендации по распределению бюджета перестали выглядеть “смелыми”, но стали применимыми.
Как сделать MMM управляемой, а не академичной:
— Стройте модель так, чтобы она выдерживала тесты на устойчивость рекомендаций: небольшие изменения входов не должны переворачивать топ-3 канала.
— Смотрите не только на fit, но и на **инкрементальность на уровне маржи/времени окупаемости**, а не на уровне выручки “вообще”.
— Отдельно связывайте модель с RevOps (общей ответственностью маркетинга, продаж и customer success за выручку): вы не сможете честно “обновить медиаплан”, пока не договорились, какие операционные рычаги в этот период менялись.
Последняя мысль: в privacy-first мире last-click действительно становится слабее, но MMM становится сильнее только тогда, когда её используют как основу для управляемых сценариев — а не как доказательство “канал молодец”. Если в вашем MMM нет сценарного слоя (что будет с маржой при изменении бюджета и при неизменных операционных условиях), то это хороший отчёт. Но не двигатель роста.
Если хотите, могу подсказать чек-лист: какие операционные переменные чаще всего “съедают” инкрементальность именно в performance-командах.
— @AttributionRoom
В 2026-м к MMM у аудитории два требования: первое — объяснить, второе — помочь принять решение. И вот где чаще всего ломаются ожидания. Я много раз видел, как команды собирают модель с внятными драйверами, получают красивую адекватность fit и… продолжают управлять по last-click-ощущениям: «если вырос CTR — значит всё работает». MMM при этом превращается в отчётность, а не в инструмент управления.
Моя позиция жёсткая: **MMM должна быть не “про прошлое”, а “про сценарии”**. Если модель не умеет переводить наблюдаемую динамику в решения по бюджету, то это не маркетинговая аналитика, а статистическая сводка.
Где именно теряется управляемость:
— В модели описывают продажи как функцию медиа, но не описывают принятие решений покупателем/продавцом. Например, в B2B воронка меняется (подкрутки Sales, правила квалификации, скорость реакции менеджеров). Тогда MMM измеряет не только эффект медиа, а эффект операционных изменений.
— Игнорируют базовые состояния рынка: промо-политику, доступность продукта, сезонность обслуживания, складские ограничения. Модель “запоминает” всё это вместе, а вы потом неверно приписываете причину росту каналу.
— Смешивают инкрементальность и корреляции. Данные показывают, что расходы и продажи росли одновременно, но причинность может идти через третью переменную: например, маркетинг усилил активность, потому что рынок уже ускорялся.
Одно наблюдение из практики, которое я теперь считаю правилом: когда в модель добавили переменную по **времени контакта с лидом** (в B2B это может быть медиана SLA до первого касания) и фиксировали её в сценариях, доля “необъяснённых” остатков заметно просела. Проще говоря: часть того, что выглядело как эффект кампаний, на деле было эффектом скорости продаж. После этого рекомендации по распределению бюджета перестали выглядеть “смелыми”, но стали применимыми.
Как сделать MMM управляемой, а не академичной:
— Стройте модель так, чтобы она выдерживала тесты на устойчивость рекомендаций: небольшие изменения входов не должны переворачивать топ-3 канала.
— Смотрите не только на fit, но и на **инкрементальность на уровне маржи/времени окупаемости**, а не на уровне выручки “вообще”.
— Отдельно связывайте модель с RevOps (общей ответственностью маркетинга, продаж и customer success за выручку): вы не сможете честно “обновить медиаплан”, пока не договорились, какие операционные рычаги в этот период менялись.
Последняя мысль: в privacy-first мире last-click действительно становится слабее, но MMM становится сильнее только тогда, когда её используют как основу для управляемых сценариев — а не как доказательство “канал молодец”. Если в вашем MMM нет сценарного слоя (что будет с маржой при изменении бюджета и при неизменных операционных условиях), то это хороший отчёт. Но не двигатель роста.
Если хотите, могу подсказать чек-лист: какие операционные переменные чаще всего “съедают” инкрементальность именно в performance-командах.
— @AttributionRoom
Почему last-click в 2026 году перестал быть управленческой моделью
Ещё несколько лет назад отчёт по последнему клику казался достаточным ориентиром для performance-команды. Он был простым, привычным и удобным для еженедельных разборов. Но в 2026 году проблема уже не в том, что last-click «неидеален». Проблема в том, что он всё хуже отвечает на главный вопрос главы performance: где реально возник дополнительный спрос, а где мы лишь корректно забрали уже готовый?
В privacy-first среде, где данные обрезаны, окна атрибуции сокращаются, а часть пути пользователя уходит в закрытые экосистемы, last-click начинает системно переоценивать нижнюю воронку и недооценивать всё, что работает раньше: медийку, видео, поиск по бренду, контент, ретаргетинг по вовлечению. В итоге команда оптимизирует не рост, а удобство измерения.
**1. Last-click показывает не вклад канала, а место, где пользователь нажал в последний раз**
Это важное различие. Канал может выглядеть «победителем» в отчёте просто потому, что оказался финальным касанием. Но финальное касание не равно причине покупки.
Пример: пользователь впервые увидел бренд в видео, потом дважды вернулся через поиск по бренду, затем получил e-mail, и только после этого кликнул по ремаркетинговому объявлению. Last-click отдаст всю ценность ремаркетингу. На управленческом уровне это приводит к знакомой ошибке: деньги перетекают в каналы, которые закрывают спрос, но почти не создают его.
Для главы performance это означает одно: если канал легко объяснить в отчёте, это ещё не значит, что его легко заменить без потери выручки.
**2. Incrementality (инкрементальность) отвечает на вопрос, что было бы без этого канала**
Когда бизнес спорит о бюджете, нужен не отчёт о касании, а ответ на контрфакт: что изменилось бы, если бы канал выключили? Именно поэтому инкрементальность стала не «экспериментом для зрелых», а базовым инструментом управления.
Простой пример: бренд запускает тест гео-сплита, где в части регионов отключает верхневоронковый трафик, а в контрольной группе оставляет его без изменений. По last-click продажи почти не меняются: нижняя воронка добирает своё. Но по инкрементальному тесту видно, что без видео проседает узнаваемость, падает поиск по бренду и через две-три недели хуже отрабатывают и брендовый поиск, и ремаркетинг.
Это и есть зрелый управленческий вывод: иногда канал не даёт мгновенного клика, но создаёт будущую конверсию. Без теста этого не увидеть.
**3. MMM (маркетинг-микс-моделирование) нужен не вместо аналитики, а поверх неё**
В 2026 году MMM перестал быть экзотикой для крупных брендов. Он нужен не потому, что «модно», а потому что он умеет смотреть на систему целиком: сезонность, цену, промо, медиа, конкуренцию, эффект накопления. Там, где last-click видит отдельную сделку, MMM видит динамику выручки.
Пример из e-com: в квартале падает средний чек на 5–8%, и команда видит, что performance-CPA вроде бы держится. Last-click говорит: «всё стабильно». Но MMM показывает, что рост медийных затрат без пересмотра оффера и частоты контакта почти не даёт дополнительной выручки, потому что покупатель стал экономнее. Значит, задача уже не в том, чтобы «лить больше», а в том, чтобы связать канал с retention-логикой: повторные покупки, наборы, подписки, персональные офферы.
MMM полезен именно тем, что возвращает маркетинг из мира кликов в мир экономики.
**4. Зрелая система измерения строится из трёх слоёв, а не из одного отчёта**
Одна модель не может ответить на все вопросы. В нормальной performance-организации измерение собирается слоями:
— server-side атрибуция даёт операционную наблюдаемость на уровне кампаний и событий;
— инкрементальные тесты проверяют, есть ли реальный прирост;
— MMM связывает это с бизнес-результатом на горизонте квартала и года.
…
Ещё несколько лет назад отчёт по последнему клику казался достаточным ориентиром для performance-команды. Он был простым, привычным и удобным для еженедельных разборов. Но в 2026 году проблема уже не в том, что last-click «неидеален». Проблема в том, что он всё хуже отвечает на главный вопрос главы performance: где реально возник дополнительный спрос, а где мы лишь корректно забрали уже готовый?
В privacy-first среде, где данные обрезаны, окна атрибуции сокращаются, а часть пути пользователя уходит в закрытые экосистемы, last-click начинает системно переоценивать нижнюю воронку и недооценивать всё, что работает раньше: медийку, видео, поиск по бренду, контент, ретаргетинг по вовлечению. В итоге команда оптимизирует не рост, а удобство измерения.
**1. Last-click показывает не вклад канала, а место, где пользователь нажал в последний раз**
Это важное различие. Канал может выглядеть «победителем» в отчёте просто потому, что оказался финальным касанием. Но финальное касание не равно причине покупки.
Пример: пользователь впервые увидел бренд в видео, потом дважды вернулся через поиск по бренду, затем получил e-mail, и только после этого кликнул по ремаркетинговому объявлению. Last-click отдаст всю ценность ремаркетингу. На управленческом уровне это приводит к знакомой ошибке: деньги перетекают в каналы, которые закрывают спрос, но почти не создают его.
Для главы performance это означает одно: если канал легко объяснить в отчёте, это ещё не значит, что его легко заменить без потери выручки.
**2. Incrementality (инкрементальность) отвечает на вопрос, что было бы без этого канала**
Когда бизнес спорит о бюджете, нужен не отчёт о касании, а ответ на контрфакт: что изменилось бы, если бы канал выключили? Именно поэтому инкрементальность стала не «экспериментом для зрелых», а базовым инструментом управления.
Простой пример: бренд запускает тест гео-сплита, где в части регионов отключает верхневоронковый трафик, а в контрольной группе оставляет его без изменений. По last-click продажи почти не меняются: нижняя воронка добирает своё. Но по инкрементальному тесту видно, что без видео проседает узнаваемость, падает поиск по бренду и через две-три недели хуже отрабатывают и брендовый поиск, и ремаркетинг.
Это и есть зрелый управленческий вывод: иногда канал не даёт мгновенного клика, но создаёт будущую конверсию. Без теста этого не увидеть.
**3. MMM (маркетинг-микс-моделирование) нужен не вместо аналитики, а поверх неё**
В 2026 году MMM перестал быть экзотикой для крупных брендов. Он нужен не потому, что «модно», а потому что он умеет смотреть на систему целиком: сезонность, цену, промо, медиа, конкуренцию, эффект накопления. Там, где last-click видит отдельную сделку, MMM видит динамику выручки.
Пример из e-com: в квартале падает средний чек на 5–8%, и команда видит, что performance-CPA вроде бы держится. Last-click говорит: «всё стабильно». Но MMM показывает, что рост медийных затрат без пересмотра оффера и частоты контакта почти не даёт дополнительной выручки, потому что покупатель стал экономнее. Значит, задача уже не в том, чтобы «лить больше», а в том, чтобы связать канал с retention-логикой: повторные покупки, наборы, подписки, персональные офферы.
MMM полезен именно тем, что возвращает маркетинг из мира кликов в мир экономики.
**4. Зрелая система измерения строится из трёх слоёв, а не из одного отчёта**
Одна модель не может ответить на все вопросы. В нормальной performance-организации измерение собирается слоями:
— server-side атрибуция даёт операционную наблюдаемость на уровне кампаний и событий;
— инкрементальные тесты проверяют, есть ли реальный прирост;
— MMM связывает это с бизнес-результатом на горизонте квартала и года.
…
Кейс Тинькофф: как MMM перевернул модель атрибуции и отрезал 18% «мёртвого» бюджета
**Контекст.** Тинькофф — один из крупнейших рекламодателей в РФ с мультиканальным охватом: TV, OLV (онлайн-видео), наружная реклама (OOH), Search, Programmatic, партнёрства с блогерами. До 2024 года внутри команды performance доминировала last-click-атрибуция с дожитием до 30 дней в CRM. На неё опирались при распределении 2,3 млрд руб. ежемесячного бюджета. Однако с ростом доли мобильного трафика и ужесточением политик IDFA (идентификатор устройства для рекламы) и Privacy Sandbox, TTL-окна (время жизни cookie) сжимались, а доля «неатрибутированных установок» достигала 34%.
**Задача.** Получить объективную картину вклада каждого канала в реальную выручку, а не в установки или регистрации. Команда RevOps (сквозное управление выручкой) заподозрила, что до 25% performance-бюджета уходит на каналы, которые лишь «добирают» конверсию, а не создают её. Требовалось перейти от last-click к комбинации MMM (маркетинг-микс-моделирование) + incrementality-тесты (замер прироста).
**Решение.** Разработана байесовская MMM-модель (на базе открытой библиотеки Robyn от Meta) с горизонтом 3 года и декомпозицией по 9 каналам. Главное нововведение — модель учитывала не только прямые конверсии, но и отложенный эффект (carryover-фактор) до 12 недель для TV и OOH. Параллельно проведены 4 Geo-holdout-эксперимента: в трёх регионах отключали Search Ad на 10 недель, в одном — Programmatic. После этого сравнивали реальную выручку в тестовых и контрольных группах через CausalImpact от Google.
**Результаты.**
— Search Ad показал инкрементальность всего 12%: 88% конверсий всё равно произошли бы через прямой заход или брендовый поиск.
— Programmatic (RTB-сети) дал 19% прироста, но при стоимости привлечения (CPA) выше среднего на 40%.
— TV и OOH, наоборот, показали 31% инкрементальных конверсий с лагом 4-6 недель.
— Вывод: 18% медийного бюджета (≈414 млн руб. в месяц) уходило на non-incremental охват. Эти средства перераспределили в бренд-форматы (OLV, OOH) и retention-механики в приложении — cashback-триггеры, которые дали ROL (возврат на затраты труда) 1:3,4.
**Главный урок.** MMM без incrementality-замеров — лишь красивая регрессия. Только сшивка модели с причинно-следственными экспериментами позволяет отсечь каналы-паразиты, которые живут за счёт брендового трафика. Для главы performance это означает: пора перестать верить last-click в CRM и выделять бюджет на GeoX-тесты, иначе 20% денег работают вхолостую.
— @AttributionRoom
**Контекст.** Тинькофф — один из крупнейших рекламодателей в РФ с мультиканальным охватом: TV, OLV (онлайн-видео), наружная реклама (OOH), Search, Programmatic, партнёрства с блогерами. До 2024 года внутри команды performance доминировала last-click-атрибуция с дожитием до 30 дней в CRM. На неё опирались при распределении 2,3 млрд руб. ежемесячного бюджета. Однако с ростом доли мобильного трафика и ужесточением политик IDFA (идентификатор устройства для рекламы) и Privacy Sandbox, TTL-окна (время жизни cookie) сжимались, а доля «неатрибутированных установок» достигала 34%.
**Задача.** Получить объективную картину вклада каждого канала в реальную выручку, а не в установки или регистрации. Команда RevOps (сквозное управление выручкой) заподозрила, что до 25% performance-бюджета уходит на каналы, которые лишь «добирают» конверсию, а не создают её. Требовалось перейти от last-click к комбинации MMM (маркетинг-микс-моделирование) + incrementality-тесты (замер прироста).
**Решение.** Разработана байесовская MMM-модель (на базе открытой библиотеки Robyn от Meta) с горизонтом 3 года и декомпозицией по 9 каналам. Главное нововведение — модель учитывала не только прямые конверсии, но и отложенный эффект (carryover-фактор) до 12 недель для TV и OOH. Параллельно проведены 4 Geo-holdout-эксперимента: в трёх регионах отключали Search Ad на 10 недель, в одном — Programmatic. После этого сравнивали реальную выручку в тестовых и контрольных группах через CausalImpact от Google.
**Результаты.**
— Search Ad показал инкрементальность всего 12%: 88% конверсий всё равно произошли бы через прямой заход или брендовый поиск.
— Programmatic (RTB-сети) дал 19% прироста, но при стоимости привлечения (CPA) выше среднего на 40%.
— TV и OOH, наоборот, показали 31% инкрементальных конверсий с лагом 4-6 недель.
— Вывод: 18% медийного бюджета (≈414 млн руб. в месяц) уходило на non-incremental охват. Эти средства перераспределили в бренд-форматы (OLV, OOH) и retention-механики в приложении — cashback-триггеры, которые дали ROL (возврат на затраты труда) 1:3,4.
**Главный урок.** MMM без incrementality-замеров — лишь красивая регрессия. Только сшивка модели с причинно-следственными экспериментами позволяет отсечь каналы-паразиты, которые живут за счёт брендового трафика. Для главы performance это означает: пора перестать верить last-click в CRM и выделять бюджет на GeoX-тесты, иначе 20% денег работают вхолостую.
— @AttributionRoom
Конец эпохи last-click: почему MMM становится фундаментом, а не дополнением
В 2026 году попытка строить стратегию вокруг последнего клика (last-click attribution) выглядит как попытка управлять современным авиалайнером по бумажной карте. Когда пользователь проходит через дюжину точек касания в условиях privacy-first (приоритизация конфиденциальности данных), модель, присваивающая всю ценность последнему источнику, не просто ошибается — она дезориентирует бизнес. *Маркетинговое моделирование (MMM)* перешло из разряда «сложных отчетов для экономистов» в базовый инструмент управления бюджетом. Мы больше не считаем клики, мы измеряем вклад каждого канала в выручку, понимая, что в текущем e-com даже минимальная погрешность в оценке LTV (пожизненной ценности клиента) фатальна для маржинальности.
— @AttributionRoom
В 2026 году попытка строить стратегию вокруг последнего клика (last-click attribution) выглядит как попытка управлять современным авиалайнером по бумажной карте. Когда пользователь проходит через дюжину точек касания в условиях privacy-first (приоритизация конфиденциальности данных), модель, присваивающая всю ценность последнему источнику, не просто ошибается — она дезориентирует бизнес. *Маркетинговое моделирование (MMM)* перешло из разряда «сложных отчетов для экономистов» в базовый инструмент управления бюджетом. Мы больше не считаем клики, мы измеряем вклад каждого канала в выручку, понимая, что в текущем e-com даже минимальная погрешность в оценке LTV (пожизненной ценности клиента) фатальна для маржинальности.
— @AttributionRoom
Как измерить вклад ТВ-рекламы в цифровую конверсию: опыт крупного E-com ритейлера
Контекст: В эпоху 2026 года, когда доля «бесшовного» трекинга (отслеживания пути пользователя) стремительно сокращается из-за ужесточения политик конфиденциальности браузеров, классические методы атрибуции перестали учитывать влияние офлайн-каналов на онлайн-продажи. Крупный E-com ритейлер (электронная коммерция) столкнулся с проблемой: стандартные отчеты по модели последнего клика (last-click) показывали нулевую или отрицательную рентабельность ТВ-кампаний, хотя общие продажи в регионах присутствия росли.
Задача: Определить истинный драйвер роста выручки и обосновать бюджет на ТВ-инвестиции перед финансовым департаментом. Требовалось доказать, что охватные кампании не просто «расходуют» бюджет, а формируют долгосрочный спрос, который затем конвертируется в прямом трафике или локальном поиске.
Решение: Команда маркетинга перешла от попыток трекинга каждого пользователя к построению модели МММ (маркетинговое моделирование микса). В модель были загружены данные за 24 месяца: еженедельные затраты на ТВ, активность в поисковых системах, сезонные коэффициенты, цены конкурентов и индекс потребительских цен. Для верификации результатов провели сплит-тест (разделение аудитории) по регионам: в группе А ТВ-реклама была отключена, в группе Б — сохранена на обычном уровне.
Результат: Анализ показал, что 35% всех «органических» визитов на сайт в городах-миллионниках были спровоцированы ТВ-роликами, вышедшими за 48–72 часа до захода пользователя. Выяснилось, что при отключении ТВ стоимость привлечения клиента (CAC) в контекстной рекламе росла на 12-15% из-за снижения брендового запросного трафика. Общая эффективность маркетинга увеличилась на 9% после перераспределения 18% бюджета из performance-каналов (каналы с оплатой за целевое действие) в ТВ-поддержку, что позволило стабилизировать LTV (пожизненную ценность клиента) в условиях общего снижения среднего чека в секторе.
Урок: В текущих условиях эффективность медиа-микса нельзя оценивать изолированно по каждому каналу. Модель последнего клика без учета инкрементального (приростного) эффекта дает ложную картину. Для главы направления performance критически важно внедрять кросс-канальную аналитику, где ТВ не конкурирует с контекстом, а выступает его фундаментом. В эпоху RevOps (общей ответственности за выручку) маркетолог должен оперировать не числом лидов, а влиянием каждого рубля на маржинальную прибыль, даже если путь клиента растянут во времени и не поддается прямой разметке.
— @AttributionRoom
Контекст: В эпоху 2026 года, когда доля «бесшовного» трекинга (отслеживания пути пользователя) стремительно сокращается из-за ужесточения политик конфиденциальности браузеров, классические методы атрибуции перестали учитывать влияние офлайн-каналов на онлайн-продажи. Крупный E-com ритейлер (электронная коммерция) столкнулся с проблемой: стандартные отчеты по модели последнего клика (last-click) показывали нулевую или отрицательную рентабельность ТВ-кампаний, хотя общие продажи в регионах присутствия росли.
Задача: Определить истинный драйвер роста выручки и обосновать бюджет на ТВ-инвестиции перед финансовым департаментом. Требовалось доказать, что охватные кампании не просто «расходуют» бюджет, а формируют долгосрочный спрос, который затем конвертируется в прямом трафике или локальном поиске.
Решение: Команда маркетинга перешла от попыток трекинга каждого пользователя к построению модели МММ (маркетинговое моделирование микса). В модель были загружены данные за 24 месяца: еженедельные затраты на ТВ, активность в поисковых системах, сезонные коэффициенты, цены конкурентов и индекс потребительских цен. Для верификации результатов провели сплит-тест (разделение аудитории) по регионам: в группе А ТВ-реклама была отключена, в группе Б — сохранена на обычном уровне.
Результат: Анализ показал, что 35% всех «органических» визитов на сайт в городах-миллионниках были спровоцированы ТВ-роликами, вышедшими за 48–72 часа до захода пользователя. Выяснилось, что при отключении ТВ стоимость привлечения клиента (CAC) в контекстной рекламе росла на 12-15% из-за снижения брендового запросного трафика. Общая эффективность маркетинга увеличилась на 9% после перераспределения 18% бюджета из performance-каналов (каналы с оплатой за целевое действие) в ТВ-поддержку, что позволило стабилизировать LTV (пожизненную ценность клиента) в условиях общего снижения среднего чека в секторе.
Урок: В текущих условиях эффективность медиа-микса нельзя оценивать изолированно по каждому каналу. Модель последнего клика без учета инкрементального (приростного) эффекта дает ложную картину. Для главы направления performance критически важно внедрять кросс-канальную аналитику, где ТВ не конкурирует с контекстом, а выступает его фундаментом. В эпоху RevOps (общей ответственности за выручку) маркетолог должен оперировать не числом лидов, а влиянием каждого рубля на маржинальную прибыль, даже если путь клиента растянут во времени и не поддается прямой разметке.
— @AttributionRoom
Как за 7 дней собрать базовую MMM-модель для канала с платным трафиком
Если у вас уже есть разрозненная аналитика по каналам, а спор о «реальном вкладе» идёт на уровне last-click, на этой неделе можно собрать рабочий MVP MMM (marketing mix modeling — моделирование маркетинг-микса). Цель не в идеальной модели, а в том, чтобы получить управленческий ориентир для бюджета.
Что сделать по шагам:
— Сформулируйте управленческий вопрос. Не «как всё атрибутировать», а конкретно: какой канал недофинансирован, где есть насыщение, что будет с выручкой при перераспределении 10–15% бюджета.
— Соберите 24–36 месяцев еженедельных данных: расходы по каналам, выручку, промо-давление, цену, наличие стоков, крупные изменения на сайте, сезонность. Без этого MMM почти всегда путает эффект рекламы с эффектом спроса.
— Приведите каналы к понятной структуре: поиск, соцсети, видео, медийка, партнёрки, CRM-активности. Не дробите до десятков источников — на первом цикле это только шум.
— Отдельно отметьте периоды, когда были сильные внешние искажения: распродажи, перебои с доставкой, смена ассортимента, изменения в аналитике. Эти недели лучше пометить как аномальные, а не «лечить» моделью.
— Постройте два слоя: базовый спрос и вклад маркетинга. Базовый спрос объясняется сезонностью, ценой, промо и внешними факторами; маркетинг — расходами с лагами. Для этого важны не только траты в текущую неделю, но и их влияние через 1–3 недели.
— Проверьте, что модель не «награждает» только один канал. Если весь эффект уходит в поиск, а в реальности там не было соответствующего роста, значит вы не учли промо, брендовый спрос или задержку конверсии.
— Сверьте результат с инкрементальностью (incrementality — приростом) на 1–2 каналах. Хотя бы один гео-сплит или holdout-период нужен, чтобы не принять корреляцию за эффект.
— На выходе зафиксируйте три решения: где можно снизить бюджет, где нужен тест на рост, где данные пока недостаточны.
**Главное правило:** MMM — это не замена атрибуции, а способ поставить ей границы. На этой неделе вам нужен не «идеальный ответ», а модель, после которой спор о бюджете станет предметным.
— @AttributionRoom
Если у вас уже есть разрозненная аналитика по каналам, а спор о «реальном вкладе» идёт на уровне last-click, на этой неделе можно собрать рабочий MVP MMM (marketing mix modeling — моделирование маркетинг-микса). Цель не в идеальной модели, а в том, чтобы получить управленческий ориентир для бюджета.
Что сделать по шагам:
— Сформулируйте управленческий вопрос. Не «как всё атрибутировать», а конкретно: какой канал недофинансирован, где есть насыщение, что будет с выручкой при перераспределении 10–15% бюджета.
— Соберите 24–36 месяцев еженедельных данных: расходы по каналам, выручку, промо-давление, цену, наличие стоков, крупные изменения на сайте, сезонность. Без этого MMM почти всегда путает эффект рекламы с эффектом спроса.
— Приведите каналы к понятной структуре: поиск, соцсети, видео, медийка, партнёрки, CRM-активности. Не дробите до десятков источников — на первом цикле это только шум.
— Отдельно отметьте периоды, когда были сильные внешние искажения: распродажи, перебои с доставкой, смена ассортимента, изменения в аналитике. Эти недели лучше пометить как аномальные, а не «лечить» моделью.
— Постройте два слоя: базовый спрос и вклад маркетинга. Базовый спрос объясняется сезонностью, ценой, промо и внешними факторами; маркетинг — расходами с лагами. Для этого важны не только траты в текущую неделю, но и их влияние через 1–3 недели.
— Проверьте, что модель не «награждает» только один канал. Если весь эффект уходит в поиск, а в реальности там не было соответствующего роста, значит вы не учли промо, брендовый спрос или задержку конверсии.
— Сверьте результат с инкрементальностью (incrementality — приростом) на 1–2 каналах. Хотя бы один гео-сплит или holdout-период нужен, чтобы не принять корреляцию за эффект.
— На выходе зафиксируйте три решения: где можно снизить бюджет, где нужен тест на рост, где данные пока недостаточны.
**Главное правило:** MMM — это не замена атрибуции, а способ поставить ей границы. На этой неделе вам нужен не «идеальный ответ», а модель, после которой спор о бюджете станет предметным.
— @AttributionRoom
Почему last-click ещё держится, хотя уже не объясняет рост
Я всё чаще вижу один и тот же управленческий парадокс: команда умеет считать клики, но не умеет считать прирост. Из-за этого performance-отчёт выглядит аккуратно, а бизнес-решение — нет.
Last-click удобен не потому, что он точен, а потому что он дешёв в объяснении. Он быстро отвечает на вопрос «кто забрал конверсию», но почти никогда не отвечает на вопрос «что создало дополнительную выручку». В 2026 году это уже критично: доля закрывающих касание каналов остаётся высокой, а влияние верхней и средней воронки ещё сильнее размывается из-за privacy-first логики, server-side-событий и роста доли AI-ассистированного поиска.
Моё мнение простое: **если вы управляете бюджетом только по last-click, вы оптимизируете не маркетинг, а бухгалтерию касаний**.
В одной из недавних разборок с e-com-командой мы увидели показательную картину: на отчётах search выглядел «героем» и забирал большую часть ценности, но инкрементальность показала, что реальный прирост давали не только брендовые запросы, а связка prospecting-кампаний и ретаргетинга на уже вовлечённую аудиторию. Разница между «атрибутированной» и «добавленной» выручкой в отдельных категориях доходила до 18–22%. Для бюджета это огромный разрыв.
Что я считаю рабочей нормой для главы performance:
— оставлять last-click как оперативный слой, но не как источник истины;
— раз в цикл смотреть MMM, чтобы понять вклад каналов в общий спрос;
— проверять спорные связки инкрементальностью, а не спором в кабинете;
— отдельно разбирать бренд, non-brand и возвратные продажи: у них разная природа спроса.
Сильная performance-команда в 2026 году — это не та, что лучше «дожимает» конверсию. Это та, что умеет доказать, где маркетинг действительно создаёт прирост, а где просто перехватывает уже готовый спрос.
— @AttributionRoom
Соседняя редакция @CreativeTestingRu недавно писала об этом под другим углом
Я всё чаще вижу один и тот же управленческий парадокс: команда умеет считать клики, но не умеет считать прирост. Из-за этого performance-отчёт выглядит аккуратно, а бизнес-решение — нет.
Last-click удобен не потому, что он точен, а потому что он дешёв в объяснении. Он быстро отвечает на вопрос «кто забрал конверсию», но почти никогда не отвечает на вопрос «что создало дополнительную выручку». В 2026 году это уже критично: доля закрывающих касание каналов остаётся высокой, а влияние верхней и средней воронки ещё сильнее размывается из-за privacy-first логики, server-side-событий и роста доли AI-ассистированного поиска.
Моё мнение простое: **если вы управляете бюджетом только по last-click, вы оптимизируете не маркетинг, а бухгалтерию касаний**.
В одной из недавних разборок с e-com-командой мы увидели показательную картину: на отчётах search выглядел «героем» и забирал большую часть ценности, но инкрементальность показала, что реальный прирост давали не только брендовые запросы, а связка prospecting-кампаний и ретаргетинга на уже вовлечённую аудиторию. Разница между «атрибутированной» и «добавленной» выручкой в отдельных категориях доходила до 18–22%. Для бюджета это огромный разрыв.
Что я считаю рабочей нормой для главы performance:
— оставлять last-click как оперативный слой, но не как источник истины;
— раз в цикл смотреть MMM, чтобы понять вклад каналов в общий спрос;
— проверять спорные связки инкрементальностью, а не спором в кабинете;
— отдельно разбирать бренд, non-brand и возвратные продажи: у них разная природа спроса.
Сильная performance-команда в 2026 году — это не та, что лучше «дожимает» конверсию. Это та, что умеет доказать, где маркетинг действительно создаёт прирост, а где просто перехватывает уже готовый спрос.
— @AttributionRoom
Соседняя редакция @CreativeTestingRu недавно писала об этом под другим углом
Переход от Last-click к MMM: как Lamoda пересобрала оценку эффективности медиамикса
В эпоху privacy-first (приоритета конфиденциальности) классическая атрибуция по последнему клику перестала отражать реальный вклад каналов в выручку. Особенно остро это ощущается в e-com (электронной коммерции), где средний чек стагнирует, а длинный цикл принятия решения требует от маркетинга точного понимания того, какой именно медиаканал формирует отложенный спрос.
Контекст и задача
Lamoda столкнулась с проблемой «раздутых» бюджетов в перформанс-каналах, которые показывали высокую окупаемость по Last-click, но давали минимальный инкрементальный (добавочный) эффект. Рост стоимости привлечения клиента на фоне снижения среднего чека заставил команду пересмотреть модель оценки. Задача состояла в том, чтобы внедрить MMM (моделирование маркетингового микса) для перераспределения бюджетов в пользу каналов, которые генерируют долгосрочный retention (удержание клиентов) и LTV (пожизненную ценность клиента).
Решение
Компания отказалась от опоры исключительно на трекинговые системы в пользу эконометрического моделирования. В модель были включены данные о внешних факторах (сезонность, макроэкономика) и медиа-инвестициях.
— Разделение влияния каналов на краткосрочный эффект (стимулирование покупки) и долгосрочный (накопление brand equity — капитала бренда).
— Внедрение экспериментов по отключению отдельных каналов (geo-lift) для калибровки модели.
— Фокус на RevOps (операционное управление выручкой): данные из модели стали основой для планирования маркетинга совместно с коммерческим департаментом.
Результат
Переход на MMM позволил Lamoda выявить «каннибализацию» трафика: выяснилось, что до 25% инвестиций в контекстную рекламу приходилось на брендовые запросы, которые конвертировались бы органически.
— Бюджеты были перераспределены из перегретых аукционов в охватные медиа с доказанным влиянием на LTV.
— Стоимость привлечения нового клиента снизилась на 12% при сохранении общего объема заказов.
— Модель позволила с высокой точностью прогнозировать выручку при изменении медиа-сплита, что стало критически важным для планирования в условиях нестабильного спроса 2026 года.
Урок для главы performance
Главный вывод заключается в том, что точность данных сегодня важнее их объема. В условиях Zero-click (эпохи, где пользователи всё реже переходят на сайты напрямую из поисковиков) попытка привязать каждую продажу к конкретному клику — путь к неэффективным тратам.
*Маркетинг сегодня — это работа с вероятностями, а не с линейными цепочками.* Инвестируйте в построение собственных эконометрических моделей. Если ваш маркетинг не умеет объяснять, как изменение медиа-сплита влияет на чистую прибыль через полгода, вы проигрываете тем, кто уже перешел на управление через MMM и incremental-тесты.
— @AttributionRoom
В эпоху privacy-first (приоритета конфиденциальности) классическая атрибуция по последнему клику перестала отражать реальный вклад каналов в выручку. Особенно остро это ощущается в e-com (электронной коммерции), где средний чек стагнирует, а длинный цикл принятия решения требует от маркетинга точного понимания того, какой именно медиаканал формирует отложенный спрос.
Контекст и задача
Lamoda столкнулась с проблемой «раздутых» бюджетов в перформанс-каналах, которые показывали высокую окупаемость по Last-click, но давали минимальный инкрементальный (добавочный) эффект. Рост стоимости привлечения клиента на фоне снижения среднего чека заставил команду пересмотреть модель оценки. Задача состояла в том, чтобы внедрить MMM (моделирование маркетингового микса) для перераспределения бюджетов в пользу каналов, которые генерируют долгосрочный retention (удержание клиентов) и LTV (пожизненную ценность клиента).
Решение
Компания отказалась от опоры исключительно на трекинговые системы в пользу эконометрического моделирования. В модель были включены данные о внешних факторах (сезонность, макроэкономика) и медиа-инвестициях.
— Разделение влияния каналов на краткосрочный эффект (стимулирование покупки) и долгосрочный (накопление brand equity — капитала бренда).
— Внедрение экспериментов по отключению отдельных каналов (geo-lift) для калибровки модели.
— Фокус на RevOps (операционное управление выручкой): данные из модели стали основой для планирования маркетинга совместно с коммерческим департаментом.
Результат
Переход на MMM позволил Lamoda выявить «каннибализацию» трафика: выяснилось, что до 25% инвестиций в контекстную рекламу приходилось на брендовые запросы, которые конвертировались бы органически.
— Бюджеты были перераспределены из перегретых аукционов в охватные медиа с доказанным влиянием на LTV.
— Стоимость привлечения нового клиента снизилась на 12% при сохранении общего объема заказов.
— Модель позволила с высокой точностью прогнозировать выручку при изменении медиа-сплита, что стало критически важным для планирования в условиях нестабильного спроса 2026 года.
Урок для главы performance
Главный вывод заключается в том, что точность данных сегодня важнее их объема. В условиях Zero-click (эпохи, где пользователи всё реже переходят на сайты напрямую из поисковиков) попытка привязать каждую продажу к конкретному клику — путь к неэффективным тратам.
*Маркетинг сегодня — это работа с вероятностями, а не с линейными цепочками.* Инвестируйте в построение собственных эконометрических моделей. Если ваш маркетинг не умеет объяснять, как изменение медиа-сплита влияет на чистую прибыль через полгода, вы проигрываете тем, кто уже перешел на управление через MMM и incremental-тесты.
— @AttributionRoom
Почему last-click больше не спасает performance-отчёт
Я всё чаще вижу одну и ту же картину: глава performance смотрит на отчёт, где last-click «красиво» добирает продажи, а бизнес при этом не понимает, что из медиамикса действительно создаёт прирост. В 2026 году это уже не вопрос вкуса, а вопрос управляемости выручки.
Моя позиция простая: last-click не надо «отменять», но его нужно перестать использовать как главный аргумент в распределении бюджета. Он фиксирует финальный контакт, а не вклад канала. В эпоху privacy-first атрибуции это особенно опасно: всё, что работает на верхе и середине воронки, системно недооценивается, а каналы с низкой видимостью получают лишний кредит.
На практике я вижу один и тот же эффект: после внедрения MMM и нескольких инкрементальных тестов доля бюджета, которую команда была готова оставить в поиске и ретаргетинге, обычно снижается на 10–20%, а часть денег уходит в каналы, которые раньше считались «дорогими» только потому, что не получали последнее касание. Это не теория — это способ вернуть в медиамикс реальный прирост, а не удобную отчётность.
Что я считаю рабочим подходом:
— last-click оставить как оперативный сигнал, но не как источник истины;
— MMM использовать для ответа на вопрос «что двигает выручку на уровне системы»;
— инкрементальность — для проверки отдельных каналов и гипотез;
— server-side-сбор данных — как техническую базу, а не как самоцель.
Самая частая ошибка здесь — ждать от одной модели абсолютной правды. Абсолютной правды в performance нет. Есть несколько способов измерять один и тот же спрос, и зрелая команда умеет сводить их в одну управленческую картину.
Если performance-отчёт не объясняет прирост, а только распределяет заслуги, это уже не отчёт для роста. Это отчёт для самоуспокоения.
— @AttributionRoom
Я всё чаще вижу одну и ту же картину: глава performance смотрит на отчёт, где last-click «красиво» добирает продажи, а бизнес при этом не понимает, что из медиамикса действительно создаёт прирост. В 2026 году это уже не вопрос вкуса, а вопрос управляемости выручки.
Моя позиция простая: last-click не надо «отменять», но его нужно перестать использовать как главный аргумент в распределении бюджета. Он фиксирует финальный контакт, а не вклад канала. В эпоху privacy-first атрибуции это особенно опасно: всё, что работает на верхе и середине воронки, системно недооценивается, а каналы с низкой видимостью получают лишний кредит.
На практике я вижу один и тот же эффект: после внедрения MMM и нескольких инкрементальных тестов доля бюджета, которую команда была готова оставить в поиске и ретаргетинге, обычно снижается на 10–20%, а часть денег уходит в каналы, которые раньше считались «дорогими» только потому, что не получали последнее касание. Это не теория — это способ вернуть в медиамикс реальный прирост, а не удобную отчётность.
Что я считаю рабочим подходом:
— last-click оставить как оперативный сигнал, но не как источник истины;
— MMM использовать для ответа на вопрос «что двигает выручку на уровне системы»;
— инкрементальность — для проверки отдельных каналов и гипотез;
— server-side-сбор данных — как техническую базу, а не как самоцель.
Самая частая ошибка здесь — ждать от одной модели абсолютной правды. Абсолютной правды в performance нет. Есть несколько способов измерять один и тот же спрос, и зрелая команда умеет сводить их в одну управленческую картину.
Если performance-отчёт не объясняет прирост, а только распределяет заслуги, это уже не отчёт для роста. Это отчёт для самоуспокоения.
— @AttributionRoom
Почему last-click ещё жив, хотя уже не должен
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они формально признают, что last-click — это лишь удобная бухгалтерия, но продолжают принимать по нему решения, как будто он отражает реальный вклад каналов.
Мой взгляд простой: last-click не «плохой», он просто опасен, когда его используют не по назначению. Он хорошо отвечает на вопрос «кто был последним перед конверсией», но почти ничего не говорит о том, кто создал спрос, кто ускорил выбор и кто удержал клиента в повторной покупке.
В 2026 году это особенно заметно. Пользователь приходит не по одной прямой цепочке. Он видит креатив в платном трафике, потом ищет бренд, затем читает сравнение в AI-ответах, позже возвращается через ретаргетинг или прямой заход. Если в такой среде вы оптимизируете бюджет только по последнему клику, вы системно недофинансируете верх воронки и переоцениваете каналы с низким инкрементальным вкладом.
У нас в проектах есть повторяющееся наблюдение: когда запускаем инкрементальные тесты для части брендов, разница между last-click и реальным приростом по каналам нередко достигает 20–35%. Это не значит, что модель всегда ошибается в одну сторону. Это значит, что **она слишком часто путает корреляцию с вкладом**.
Поэтому мой практический вывод такой:
— last-click можно оставить как оперативный индикатор;
— MMM (маркетинг-микс-моделирование) нужен для распределения бюджета;
— инкрементальность нужна, чтобы проверить, не врёт ли красивая модель;
— server-side атрибуция — как слой данных, а не как замена стратегии.
Если глава performance спрашивает меня, с чего начинать, я отвечаю: не с «какую модель выбрать», а с вопроса «какое решение мы хотим принять». Пока этот вопрос не сформулирован, любая атрибуция будет казаться точной ровно до первого пересмотра бюджета.
— @AttributionRoom
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они формально признают, что last-click — это лишь удобная бухгалтерия, но продолжают принимать по нему решения, как будто он отражает реальный вклад каналов.
Мой взгляд простой: last-click не «плохой», он просто опасен, когда его используют не по назначению. Он хорошо отвечает на вопрос «кто был последним перед конверсией», но почти ничего не говорит о том, кто создал спрос, кто ускорил выбор и кто удержал клиента в повторной покупке.
В 2026 году это особенно заметно. Пользователь приходит не по одной прямой цепочке. Он видит креатив в платном трафике, потом ищет бренд, затем читает сравнение в AI-ответах, позже возвращается через ретаргетинг или прямой заход. Если в такой среде вы оптимизируете бюджет только по последнему клику, вы системно недофинансируете верх воронки и переоцениваете каналы с низким инкрементальным вкладом.
У нас в проектах есть повторяющееся наблюдение: когда запускаем инкрементальные тесты для части брендов, разница между last-click и реальным приростом по каналам нередко достигает 20–35%. Это не значит, что модель всегда ошибается в одну сторону. Это значит, что **она слишком часто путает корреляцию с вкладом**.
Поэтому мой практический вывод такой:
— last-click можно оставить как оперативный индикатор;
— MMM (маркетинг-микс-моделирование) нужен для распределения бюджета;
— инкрементальность нужна, чтобы проверить, не врёт ли красивая модель;
— server-side атрибуция — как слой данных, а не как замена стратегии.
Если глава performance спрашивает меня, с чего начинать, я отвечаю: не с «какую модель выбрать», а с вопроса «какое решение мы хотим принять». Пока этот вопрос не сформулирован, любая атрибуция будет казаться точной ровно до первого пересмотра бюджета.
— @AttributionRoom
Три слоя «атрибуции» в отчетах стали видны даже без MMM
За последний месяц наблюдаю паттерн: в компаниях начали разносить ответственность за рост в отчётности на три параллельных слоя, и это проявляется именно на уровне таблиц, а не методологий.
— Media-платежи и конверсии в рекламных кабинетах перестали быть главным «источником правды»: их берут как сигнал по направлению, но не как финальную оценку.
— Аналитика по событиям (серверная и first-party) стала отдельным контуром: там смотрят удержание, качество лидов, когорты по источникам, где last-click уже не фигурирует как единственный атрибут.
— Отдельно держат агрегированные модели (MMM или incrementality-тесты), но часто без громких релизов: просто в дашборде появляется сравнение «кабинет против модели» и расхождение по кампаниям.
Важно не то, что кто-то «переходит на MMM», а то, что расслоение стало обычным форматом отчёта.
Вы видите похожее в своих командах: отчётность стала многоконтурной, даже когда MMM ещё не внедрена?
— @AttributionRoom
За последний месяц наблюдаю паттерн: в компаниях начали разносить ответственность за рост в отчётности на три параллельных слоя, и это проявляется именно на уровне таблиц, а не методологий.
— Media-платежи и конверсии в рекламных кабинетах перестали быть главным «источником правды»: их берут как сигнал по направлению, но не как финальную оценку.
— Аналитика по событиям (серверная и first-party) стала отдельным контуром: там смотрят удержание, качество лидов, когорты по источникам, где last-click уже не фигурирует как единственный атрибут.
— Отдельно держат агрегированные модели (MMM или incrementality-тесты), но часто без громких релизов: просто в дашборде появляется сравнение «кабинет против модели» и расхождение по кампаниям.
Важно не то, что кто-то «переходит на MMM», а то, что расслоение стало обычным форматом отчёта.
Вы видите похожее в своих командах: отчётность стала многоконтурной, даже когда MMM ещё не внедрена?
— @AttributionRoom
Точность MMM упирается не в данные, а в вопрос «что считаем эффектом»
Я всё чаще вижу одинаковую ошибку в проектах, где MMM (моделирование медиа-микса) покупают “для атрибуции”: команда начинает с оптимизации качества регрессии, а не с фиксации целевой причинно-следственной гипотезы. В 2026 это особенно болезненно: last-click (последний клик) продолжает быть формально доступным, но управленческие решения уже требуют ответа на другой вопрос — *инкрементальность* (прирост) относительно контрфакта.
Почему “данные не то” звучит правдоподобно, хотя проблема чаще в определениях:
— Под эффектом иногда понимают вклад канала в факт (контрибьюшен).
— В других случаях — долю расходов, которая “поддерживает спрос”.
— А иногда хотят именно инкрементальность: что произойдёт с выручкой, если скорректировать медиаплан при прочих равных.
Когда эти уровни смешивают, MMM стабильно даёт красивый fit и спорный смысл. Мой практический маркер: если при разной частоте агрегации (день/неделя) коэффициенты канала “гуляют” непропорционально, значит модель компенсирует неправильную постановку задачи корреляциями между каналами, погодой спроса и промо-волнами. То есть точность не падает “потому что мало данных” — она падает потому что мы пытаемся измерить одно, а регрессируем другое.
Одна цифра из моей практики: мы запускали MMM на e-com с weekly-гранулярностью и разделяли лаги (запаздывания) между охватом и покупкой. После правильной калибровки цели — “измеряем прирост выручки относительно baseline при неизменных промо и ценовой политике” — устойчивость вывода по двум близким каналам улучшилась примерно на 25% по воспроизводимости при перевычислении на разных временных срезах. При этом объём данных почти не менялся. Менялась только формулировка целевого эффекта и контроль того, что считать “прочими равными”.
Как я рекомендую performance-руководителю действовать дальше (без лишней философии):
— Сначала фиксируем: какие события в revenue-цепочке считаются результатом (выручка, лиды, MQL/SQL, активации), и на какой стадии прерываемся.
— Затем строим baseline-логики: какие драйверы спроса обязательно исключаем/контролируем (цена, промо, наличие, сезонность, крупные продуктовые обновления).
— И только после этого просим MMM “быть точной”: качество обычно вырастает, когда вы убираете попытку получить инкрементальность там, где в данных измеряется контрибьюшен.
Если вы сейчас настраиваете MMM, проверьте себя вопросом: “Модель отвечает на решение, которое я принимаю, или просто описывает историю расходов?”. В 2026 это и есть граница между отчётом и инструментом RevOps-управления выручкой.
— @AttributionRoom
Я всё чаще вижу одинаковую ошибку в проектах, где MMM (моделирование медиа-микса) покупают “для атрибуции”: команда начинает с оптимизации качества регрессии, а не с фиксации целевой причинно-следственной гипотезы. В 2026 это особенно болезненно: last-click (последний клик) продолжает быть формально доступным, но управленческие решения уже требуют ответа на другой вопрос — *инкрементальность* (прирост) относительно контрфакта.
Почему “данные не то” звучит правдоподобно, хотя проблема чаще в определениях:
— Под эффектом иногда понимают вклад канала в факт (контрибьюшен).
— В других случаях — долю расходов, которая “поддерживает спрос”.
— А иногда хотят именно инкрементальность: что произойдёт с выручкой, если скорректировать медиаплан при прочих равных.
Когда эти уровни смешивают, MMM стабильно даёт красивый fit и спорный смысл. Мой практический маркер: если при разной частоте агрегации (день/неделя) коэффициенты канала “гуляют” непропорционально, значит модель компенсирует неправильную постановку задачи корреляциями между каналами, погодой спроса и промо-волнами. То есть точность не падает “потому что мало данных” — она падает потому что мы пытаемся измерить одно, а регрессируем другое.
Одна цифра из моей практики: мы запускали MMM на e-com с weekly-гранулярностью и разделяли лаги (запаздывания) между охватом и покупкой. После правильной калибровки цели — “измеряем прирост выручки относительно baseline при неизменных промо и ценовой политике” — устойчивость вывода по двум близким каналам улучшилась примерно на 25% по воспроизводимости при перевычислении на разных временных срезах. При этом объём данных почти не менялся. Менялась только формулировка целевого эффекта и контроль того, что считать “прочими равными”.
Как я рекомендую performance-руководителю действовать дальше (без лишней философии):
— Сначала фиксируем: какие события в revenue-цепочке считаются результатом (выручка, лиды, MQL/SQL, активации), и на какой стадии прерываемся.
— Затем строим baseline-логики: какие драйверы спроса обязательно исключаем/контролируем (цена, промо, наличие, сезонность, крупные продуктовые обновления).
— И только после этого просим MMM “быть точной”: качество обычно вырастает, когда вы убираете попытку получить инкрементальность там, где в данных измеряется контрибьюшен.
Если вы сейчас настраиваете MMM, проверьте себя вопросом: “Модель отвечает на решение, которое я принимаю, или просто описывает историю расходов?”. В 2026 это и есть граница между отчётом и инструментом RevOps-управления выручкой.
— @AttributionRoom
MMM и incrementality: 4 шага к запуску теста удержания (holdout) за неделю
Задача — отделить реальный вклад канала от фонового спроса. Стандартная last-click-атрибуция в 2026 году не справляется из-за потери сигнала (iOS, блокировщики, AI-overviews). Единственный валидный способ — incrementality-тест через holdout-группу, где часть аудитории deliberately лишается показа рекламы. Ниже — план для личного запуска за 5 рабочих дней.
Шаг 1. Выберите канал и цель теста
Не проверяйте сразу все. Возьмите один performance-канал с наибольшими расходами и наиболее спорной атрибуцией: платный поиск (paid search), ретаргетинг или programmatic display. Определите метрику: инкрементальные конверсии или инкрементальная выручка (не LTV на первом этапе). Зафиксируйте окно атрибуции — 7–14 дней после контакта, иначе шум перекроет сигнал.
Шаг 2. Спроектируйте holdout
Минимальный размер контрольной группы — 10% от общего объёма целевой аудитории канала. Если канал работает на cookie-сегменты — используйте рандомизацию на уровне пользователя (user_id) через DMP или CDP. Если канал модельный (MMM-байесианский) — разделите трафик на уровне гео или временных срезов (это слабее, но допустимо). Главное: контрольная группа не получает показов по выбранному каналу, но продолжает видеть всю остальную медийную активность бренда.
Шаг 3. Настройте серверный сбор данных
MMM и incrementality требуют post-view и post-click данных с сервера, а не из пикселей браузера. Поднимите server-side tracking (через собственный s2s-эндпоинт или облачную функцию). Убедитесь, что метки (UTM или internal campaign_id) прокидываются на стороне сервера при клике, а конверсии маппятся через единый идентификатор (user_id, email hash). Это защитит от потерь в ad-blocker и ITP.
Шаг 4. Запустите A/A-тест на день и замерьте базу
Перед стартом основного теста прогоните 24 часа с равным распределением (50/50), чтобы убедиться, что система сбора не вносит смещения: конверсии в контрольной и тестовой группах не должны различаться статистически (p > 0,3). Если разница есть — ищите ошибку в трекинге или рандомизации. После этого запускайте holdout на 2–4 недели (длительность зависит от частоты покупок). На выходе получите коэффициент инкрементальности: (конверсии в тесте − конверсии в контроле) / конверсии в тесте. Если он меньше 10% — канал работает скорее как брендовый, и перераспределение бюджета в MMM-модель оправдано.
Через месяц после теста обновите MMM-модель новыми данными — это повысит точность декомпозиции и снизит зависимость от last-click. Повторяйте процедуру раз в квартал для ключевых каналов.
— @AttributionRoom
Задача — отделить реальный вклад канала от фонового спроса. Стандартная last-click-атрибуция в 2026 году не справляется из-за потери сигнала (iOS, блокировщики, AI-overviews). Единственный валидный способ — incrementality-тест через holdout-группу, где часть аудитории deliberately лишается показа рекламы. Ниже — план для личного запуска за 5 рабочих дней.
Шаг 1. Выберите канал и цель теста
Не проверяйте сразу все. Возьмите один performance-канал с наибольшими расходами и наиболее спорной атрибуцией: платный поиск (paid search), ретаргетинг или programmatic display. Определите метрику: инкрементальные конверсии или инкрементальная выручка (не LTV на первом этапе). Зафиксируйте окно атрибуции — 7–14 дней после контакта, иначе шум перекроет сигнал.
Шаг 2. Спроектируйте holdout
Минимальный размер контрольной группы — 10% от общего объёма целевой аудитории канала. Если канал работает на cookie-сегменты — используйте рандомизацию на уровне пользователя (user_id) через DMP или CDP. Если канал модельный (MMM-байесианский) — разделите трафик на уровне гео или временных срезов (это слабее, но допустимо). Главное: контрольная группа не получает показов по выбранному каналу, но продолжает видеть всю остальную медийную активность бренда.
Шаг 3. Настройте серверный сбор данных
MMM и incrementality требуют post-view и post-click данных с сервера, а не из пикселей браузера. Поднимите server-side tracking (через собственный s2s-эндпоинт или облачную функцию). Убедитесь, что метки (UTM или internal campaign_id) прокидываются на стороне сервера при клике, а конверсии маппятся через единый идентификатор (user_id, email hash). Это защитит от потерь в ad-blocker и ITP.
Шаг 4. Запустите A/A-тест на день и замерьте базу
Перед стартом основного теста прогоните 24 часа с равным распределением (50/50), чтобы убедиться, что система сбора не вносит смещения: конверсии в контрольной и тестовой группах не должны различаться статистически (p > 0,3). Если разница есть — ищите ошибку в трекинге или рандомизации. После этого запускайте holdout на 2–4 недели (длительность зависит от частоты покупок). На выходе получите коэффициент инкрементальности: (конверсии в тесте − конверсии в контроле) / конверсии в тесте. Если он меньше 10% — канал работает скорее как брендовый, и перераспределение бюджета в MMM-модель оправдано.
Через месяц после теста обновите MMM-модель новыми данными — это повысит точность декомпозиции и снизит зависимость от last-click. Повторяйте процедуру раз в квартал для ключевых каналов.
— @AttributionRoom
Как за 1 неделю собрать первый MMM без «идеальных данных»
Если вы руководите performance, первый MMM нужен не как «большая наука», а как рабочий способ перестать спорить с last-click. На этой неделе можно собрать версию, которая уже даст решения по бюджету.
1. Зафиксируйте вопрос модели. Не «как измерить всё», а что именно нужно: перераспределить 10–20% бюджета между каналами, понять вклад offline или оценить эффект brand-активностей.
2. Соберите 24–36 месяцев истории по неделям: выручка, расход по каналам, скидки, промо, сезонность, цены, наличие товара, изменения сайта, крупные PR-активности. Если данных меньше, модель всё равно возможна, но выводы будут уже.
3. Уберите шумовые периоды: аномальные распродажи, сбои трекинга, разовые вирусные всплески. Их лучше пометить отдельными флагами, а не выкидывать молча.
4. Разделите каналы на группы, а не на 30 строк: поиск, соцсети, видео, ретаргетинг, офлайн, brand-трафик. MMM отвечает на вопрос уровня бюджета, а не оптимизации каждой кампании.
5. Сразу заложите контрольные переменные: цена, промо, сезон, количество дней в месяце, наличие товара. Без них модель начнёт приписывать канальному медиа то, что сделал коммерческий блок.
6. Проверьте адекватность на двух тестах: совпадает ли базовый уровень продаж без рекламы с реальностью; объясняет ли модель известные пики. Если нет — не усложняйте, а ищите пропущенный фактор.
7. На выходе требуйте не только вклад каналов, но и **кривые насыщения**. Именно они показывают, где канал ещё даёт рост, а где уже работает на перегреве.
8. Сразу переведите результат в действие: какой канал сократить, какой усилить, где нужен тест инкрементальности (incrementality — измерение приращения).
Первый MMM не обязан быть идеальным. Он обязан снять зависимость от иллюзий last-click и дать понятный план перераспределения бюджета уже в этом цикле.
— @AttributionRoom
Дополнительный контекст — @OmnichannelCraft
Если вы руководите performance, первый MMM нужен не как «большая наука», а как рабочий способ перестать спорить с last-click. На этой неделе можно собрать версию, которая уже даст решения по бюджету.
1. Зафиксируйте вопрос модели. Не «как измерить всё», а что именно нужно: перераспределить 10–20% бюджета между каналами, понять вклад offline или оценить эффект brand-активностей.
2. Соберите 24–36 месяцев истории по неделям: выручка, расход по каналам, скидки, промо, сезонность, цены, наличие товара, изменения сайта, крупные PR-активности. Если данных меньше, модель всё равно возможна, но выводы будут уже.
3. Уберите шумовые периоды: аномальные распродажи, сбои трекинга, разовые вирусные всплески. Их лучше пометить отдельными флагами, а не выкидывать молча.
4. Разделите каналы на группы, а не на 30 строк: поиск, соцсети, видео, ретаргетинг, офлайн, brand-трафик. MMM отвечает на вопрос уровня бюджета, а не оптимизации каждой кампании.
5. Сразу заложите контрольные переменные: цена, промо, сезон, количество дней в месяце, наличие товара. Без них модель начнёт приписывать канальному медиа то, что сделал коммерческий блок.
6. Проверьте адекватность на двух тестах: совпадает ли базовый уровень продаж без рекламы с реальностью; объясняет ли модель известные пики. Если нет — не усложняйте, а ищите пропущенный фактор.
7. На выходе требуйте не только вклад каналов, но и **кривые насыщения**. Именно они показывают, где канал ещё даёт рост, а где уже работает на перегреве.
8. Сразу переведите результат в действие: какой канал сократить, какой усилить, где нужен тест инкрементальности (incrementality — измерение приращения).
Первый MMM не обязан быть идеальным. Он обязан снять зависимость от иллюзий last-click и дать понятный план перераспределения бюджета уже в этом цикле.
— @AttributionRoom
Дополнительный контекст — @OmnichannelCraft