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
Смерть атрибуции по последнему клику и ренессанс маркетингового микс-моделирования
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес последний заказ» в область управления прибылью через математические модели. Эра last-click (атрибуции по последнему клику) завершилась не из-за воли маркетологов, а под давлением приватности и роста доли органического трафика, который скрыт в AI-обзорах (искусственном интеллекте) поисковых систем.
Для главы performance-отдела это означает переход от операционного управления ставками к стратегическому управлению долями рынка. Когда мы смотрим на структуру E-com, где средний чек стагнирует, а стоимость удержания клиента растет, попытка оценивать эффективность через линейные модели становится убыточной стратегией. Мы видим, что каналы, которые раньше считались «поддерживающими» (например, брендовая медийка или контентный маркетинг), в связке с моделями MMM (маркетинговым микс-моделированием) показывают кратно более высокий вклад в итоговую выручку, чем прямой трафик.
Наблюдение из практики: в текущем квартале мы пересмотрели бюджеты для одного из крупных ритейлеров. Отказ от жесткой привязки к CPA (стоимости целевого действия) в пользу моделей, учитывающих долгосрочный LTV (пожизненную ценность клиента), позволил высвободить 22% бюджета, который ранее тратился на «каннибализацию» собственного органического поиска. Проще говоря, мы платили за трафик, который и так пришел бы в бренд.
Мой тезис прост: если ваша аналитика до сих пор опирается на трекинг-пиксели, вы инвестируете в «шум», а не в рост. Сейчас побеждает тот, кто внедряет:
— Вероятностные модели вместо детерминированных. Оценка влияния медийных инвестиций на продажи происходит с задержкой, и моделирование позволяет увидеть этот лаг.
— Совместную ответственность с отделом продаж. В парадигме RevOps (управления выручкой) уже невозможно отделить качество лида от эффективности рекламного креатива.
— Инкрементальность (прирост) как главный KPI (ключевой показатель эффективности). Мы должны задавать вопрос не «сколько продаж принес этот канал», а «сколько дополнительных продаж мы получили бы, если бы не потратили этот бюджет».
Технологии AI-генерации креативов сейчас перенасыщают рынок визуальным контентом. В этом море однотипных объявлений ценность приобретает только та коммуникация, которая попадает в структуру спроса, просчитанную через моделирование. Перестаньте бороться за клик. Начните бороться за долю внимания, которую можно оцифровать и превратить в устойчивую доходность.
— @AttributionRoom
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес последний заказ» в область управления прибылью через математические модели. Эра last-click (атрибуции по последнему клику) завершилась не из-за воли маркетологов, а под давлением приватности и роста доли органического трафика, который скрыт в AI-обзорах (искусственном интеллекте) поисковых систем.
Для главы performance-отдела это означает переход от операционного управления ставками к стратегическому управлению долями рынка. Когда мы смотрим на структуру E-com, где средний чек стагнирует, а стоимость удержания клиента растет, попытка оценивать эффективность через линейные модели становится убыточной стратегией. Мы видим, что каналы, которые раньше считались «поддерживающими» (например, брендовая медийка или контентный маркетинг), в связке с моделями MMM (маркетинговым микс-моделированием) показывают кратно более высокий вклад в итоговую выручку, чем прямой трафик.
Наблюдение из практики: в текущем квартале мы пересмотрели бюджеты для одного из крупных ритейлеров. Отказ от жесткой привязки к CPA (стоимости целевого действия) в пользу моделей, учитывающих долгосрочный LTV (пожизненную ценность клиента), позволил высвободить 22% бюджета, который ранее тратился на «каннибализацию» собственного органического поиска. Проще говоря, мы платили за трафик, который и так пришел бы в бренд.
Мой тезис прост: если ваша аналитика до сих пор опирается на трекинг-пиксели, вы инвестируете в «шум», а не в рост. Сейчас побеждает тот, кто внедряет:
— Вероятностные модели вместо детерминированных. Оценка влияния медийных инвестиций на продажи происходит с задержкой, и моделирование позволяет увидеть этот лаг.
— Совместную ответственность с отделом продаж. В парадигме RevOps (управления выручкой) уже невозможно отделить качество лида от эффективности рекламного креатива.
— Инкрементальность (прирост) как главный KPI (ключевой показатель эффективности). Мы должны задавать вопрос не «сколько продаж принес этот канал», а «сколько дополнительных продаж мы получили бы, если бы не потратили этот бюджет».
Технологии AI-генерации креативов сейчас перенасыщают рынок визуальным контентом. В этом море однотипных объявлений ценность приобретает только та коммуникация, которая попадает в структуру спроса, просчитанную через моделирование. Перестаньте бороться за клик. Начните бороться за долю внимания, которую можно оцифровать и превратить в устойчивую доходность.
— @AttributionRoom
Incrementality — это не “ещё одна методика”, а способ перестать спорить о чьей заслугой был рост
В 2026 все устали от last-click (последнего клика): privacy-first атрибуция рвёт цепочки, а креативы теперь конкурируют концепциями, а не “правильным” баннером. Для перфоманс-руководителя важнее вопрос: что произойдёт, если мы выключим канал или изменим долю расходов, и насколько результат сохранится. MMM и инкрементальность — просто честные рамки для разговора про выручку, а не про клики.
— @AttributionRoom
В 2026 все устали от last-click (последнего клика): privacy-first атрибуция рвёт цепочки, а креативы теперь конкурируют концепциями, а не “правильным” баннером. Для перфоманс-руководителя важнее вопрос: что произойдёт, если мы выключим канал или изменим долю расходов, и насколько результат сохранится. MMM и инкрементальность — просто честные рамки для разговора про выручку, а не про клики.
— @AttributionRoom
Смерть последнего клика в эпоху RevOps и фрагментированного пути пользователя
Классическая атрибуция на основе последнего клика (last-click) окончательно утратила прикладную ценность для крупных брендов. В 2026 году, когда потребительское поведение фрагментировано между ответами искусственного интеллекта, социальными сетями и прямыми переходами, вера в то, что одна «точка касания» совершила продажу, становится опасным заблуждением. Мы видим, как performance-директора (руководители по эффективности маркетинга), продолжающие опираться на линейные модели, теряют бюджеты, инвестируя в каналы, которые лишь собирают спрос, а не формируют его.
В условиях, когда классическая генерация маркетинговых лидов (MQL) уступает место модели RevOps — общей ответственности за выручку, — фокус смещается на измерение долгосрочного вклада каждого канала. Моя практика показывает, что при переходе от атрибуции последнего клика к современным методам маркетингового моделирования (MMM) и проверке прироста эффективности (incrementality), доля «эффективных» каналов в отчетах часто сокращается на 20–30%. Остальное оказывается перехватом органического спроса, который существовал бы и без участия платных кампаний.
Основные выводы, которые стоит внедрить в работу прямо сейчас:
— Оценка медиа-микса должна строиться на базе эконометрических моделей, которые учитывают внешние факторы, сезонность и долгосрочный эффект узнаваемости бренда. Атрибуция на уровне данных (data-driven) хороша для тактики, но MMM — это единственный способ понять стратегическую окупаемость вложений.
— Игнорирование «нулевого клика» (zero-click) — стратегическая ошибка. Потребитель получает ответ в выдаче AI-поиска и принимает решение о покупке, не переходя на сайт. Если ваша система оценки эффективности не учитывает влияние охватных кампаний на брендовый поиск и прямые заходы, вы слепы к реальным драйверам роста.
— Переход на server-side (серверную) передачу данных — не просто техническая необходимость из-за ограничений браузеров, а фундамент для качественной аналитики. Без владения собственными данными (first-party data) любая попытка настроить сквозную аналитику превращается в гадание.
Эра «дешевого» лида прошла вместе с прозрачностью рекламных площадок. Сегодня побеждает тот, кто умеет отделять реальный прирост продаж от статистического шума. Если вы до сих пор принимаете решения по отчету из кабинета рекламной платформы, вы не управляете маркетингом — вы лишь следите за тем, как площадки расходуют ваш бюджет.
— @AttributionRoom
@ExperimentationRoom разбирают это с практической стороны
Классическая атрибуция на основе последнего клика (last-click) окончательно утратила прикладную ценность для крупных брендов. В 2026 году, когда потребительское поведение фрагментировано между ответами искусственного интеллекта, социальными сетями и прямыми переходами, вера в то, что одна «точка касания» совершила продажу, становится опасным заблуждением. Мы видим, как performance-директора (руководители по эффективности маркетинга), продолжающие опираться на линейные модели, теряют бюджеты, инвестируя в каналы, которые лишь собирают спрос, а не формируют его.
В условиях, когда классическая генерация маркетинговых лидов (MQL) уступает место модели RevOps — общей ответственности за выручку, — фокус смещается на измерение долгосрочного вклада каждого канала. Моя практика показывает, что при переходе от атрибуции последнего клика к современным методам маркетингового моделирования (MMM) и проверке прироста эффективности (incrementality), доля «эффективных» каналов в отчетах часто сокращается на 20–30%. Остальное оказывается перехватом органического спроса, который существовал бы и без участия платных кампаний.
Основные выводы, которые стоит внедрить в работу прямо сейчас:
— Оценка медиа-микса должна строиться на базе эконометрических моделей, которые учитывают внешние факторы, сезонность и долгосрочный эффект узнаваемости бренда. Атрибуция на уровне данных (data-driven) хороша для тактики, но MMM — это единственный способ понять стратегическую окупаемость вложений.
— Игнорирование «нулевого клика» (zero-click) — стратегическая ошибка. Потребитель получает ответ в выдаче AI-поиска и принимает решение о покупке, не переходя на сайт. Если ваша система оценки эффективности не учитывает влияние охватных кампаний на брендовый поиск и прямые заходы, вы слепы к реальным драйверам роста.
— Переход на server-side (серверную) передачу данных — не просто техническая необходимость из-за ограничений браузеров, а фундамент для качественной аналитики. Без владения собственными данными (first-party data) любая попытка настроить сквозную аналитику превращается в гадание.
Эра «дешевого» лида прошла вместе с прозрачностью рекламных площадок. Сегодня побеждает тот, кто умеет отделять реальный прирост продаж от статистического шума. Если вы до сих пор принимаете решения по отчету из кабинета рекламной платформы, вы не управляете маркетингом — вы лишь следите за тем, как площадки расходуют ваш бюджет.
— @AttributionRoom
@ExperimentationRoom разбирают это с практической стороны
Почему модель атрибуции по последнему клику окончательно стала пережитком
В 2026 году мы наблюдаем закономерный финал эпохи, когда эффективность рекламных каналов измерялась по конечному источнику перехода. Для Performance-директора (руководителя по эффективности маркетинга) опора на Last-click (атрибуцию по последнему клику) сегодня равносильна управлению автомобилем с завязанными глазами, ориентируясь только на звук мотора.
Проблема не только в Privacy-first (политике приоритета конфиденциальности), которая заблокировала большую часть Cookie-файлов (идентификаторов браузера). Проблема в изменении самой структуры принятия решения потребителем. В условиях снижения среднего чека и перехода к Retention (удержанию) вместо бесконечной погони за первой покупкой, путь клиента стал нелинейным и растянутым во времени. Когда пользователь видит AI-overviews (сводки от искусственного интеллекта) в поиске, он совершает целевое действие не из-за конкретного объявления, а на основе сформированного Topical Authority (авторитета площадки в конкретной теме).
На практике мы видим следующую картину: при отключении канала, который по данным сквозной аналитики якобы «не приносит лидов», общие продажи в регионе проседают на 15–20%. Это происходит потому, что этот канал работал на этапе прогрева или Brand awareness (осведомленности о бренде), создавая базу для последующего конверсионного действия.
*Настало время сместить фокус на MMM (маркетинговое моделирование микса) и тесты на инкрементальность.*
Переход к модели, где математическая модель оценивает вклад каждого канала в итоговую выручку, — это не просто прихоть аналитиков. Это единственный способ выжить в рамках RevOps (системы управления выручкой), где маркетинг несет солидарную ответственность с отделом продаж.
Что делать руководителю сейчас:
— Внедрять серверную атрибуцию для сбора первичных данных, чтобы компенсировать потери из-за ограничений браузеров.
— Проводить регулярные тесты на инкрементальность: отключать отдельные каналы в разных регионах, чтобы замерять «чистый» прирост выручки, а не отчетную статистику рекламных кабинетов.
— Оценивать эффективность креатива через призму концептуальной ценности, а не просто кликабельности, так как в эпоху Zero-click (отсутствия переходов) внимание пользователя — единственный конвертируемый актив.
Доверять цифрам, которые рисует рекламная площадка — значит добровольно делегировать управление бюджетом тому, кто заинтересован в его максимальном расходовании. Переход от «кликов» к «моделированию влияния» — это точка роста для бизнеса, который планирует оставаться на рынке в ближайшие годы.
— @AttributionRoom
В 2026 году мы наблюдаем закономерный финал эпохи, когда эффективность рекламных каналов измерялась по конечному источнику перехода. Для Performance-директора (руководителя по эффективности маркетинга) опора на Last-click (атрибуцию по последнему клику) сегодня равносильна управлению автомобилем с завязанными глазами, ориентируясь только на звук мотора.
Проблема не только в Privacy-first (политике приоритета конфиденциальности), которая заблокировала большую часть Cookie-файлов (идентификаторов браузера). Проблема в изменении самой структуры принятия решения потребителем. В условиях снижения среднего чека и перехода к Retention (удержанию) вместо бесконечной погони за первой покупкой, путь клиента стал нелинейным и растянутым во времени. Когда пользователь видит AI-overviews (сводки от искусственного интеллекта) в поиске, он совершает целевое действие не из-за конкретного объявления, а на основе сформированного Topical Authority (авторитета площадки в конкретной теме).
На практике мы видим следующую картину: при отключении канала, который по данным сквозной аналитики якобы «не приносит лидов», общие продажи в регионе проседают на 15–20%. Это происходит потому, что этот канал работал на этапе прогрева или Brand awareness (осведомленности о бренде), создавая базу для последующего конверсионного действия.
*Настало время сместить фокус на MMM (маркетинговое моделирование микса) и тесты на инкрементальность.*
Переход к модели, где математическая модель оценивает вклад каждого канала в итоговую выручку, — это не просто прихоть аналитиков. Это единственный способ выжить в рамках RevOps (системы управления выручкой), где маркетинг несет солидарную ответственность с отделом продаж.
Что делать руководителю сейчас:
— Внедрять серверную атрибуцию для сбора первичных данных, чтобы компенсировать потери из-за ограничений браузеров.
— Проводить регулярные тесты на инкрементальность: отключать отдельные каналы в разных регионах, чтобы замерять «чистый» прирост выручки, а не отчетную статистику рекламных кабинетов.
— Оценивать эффективность креатива через призму концептуальной ценности, а не просто кликабельности, так как в эпоху Zero-click (отсутствия переходов) внимание пользователя — единственный конвертируемый актив.
Доверять цифрам, которые рисует рекламная площадка — значит добровольно делегировать управление бюджетом тому, кто заинтересован в его максимальном расходовании. Переход от «кликов» к «моделированию влияния» — это точка роста для бизнеса, который планирует оставаться на рынке в ближайшие годы.
— @AttributionRoom
Как быстро собрать MMM-проверку для performance-команды за 7 дней
Если вы управляете платным трафиком, MMM не нужно начинать с «идеальной модели». На этой неделе задача проще: получить рабочий контур, который покажет, где last-click врёт, а где бюджет можно перераспределять без потери выручки.
1. Зафиксируйте 12–18 месяцев данных по неделям: расходы по каналам, выручку, маржу, промо, цену, сезонность, наличие товара, долю брендового спроса. Без этих факторов модель почти всегда переоценит медийные каналы и недооценит спрос, созданный брендом.
2. Сведите каналы не до площадок, а до экономически понятных групп: поисковый бренд, поисковый небренд, социальная реклама, видео, ретаргетинг, партнёрки, офлайн, email. Чем меньше дробление, тем выше шанс получить интерпретируемый результат.
3. Уберите периоды с аномалиями: смена ассортимента, сбой аналитики, резкие распродажи, логистические провалы. MMM не лечит плохие данные — он просто красиво их объясняет.
4. Постройте базовую модель с контролями: тренд, сезонность, промо, цена, stock-out. Задача первой версии — не «поймать всё», а отделить спрос от давления рекламы.
5. Сверьте результат с инкрементальностью (incrementality — приростом): возьмите 1–2 канала и проверьте их через holdout-тест или гео-эксперимент. Если MMM и тест расходятся, правьте допущения, а не отчёт.
6. Посчитайте не только вклад в выручку, но и вклад в маржу. В 2026 году при падающем среднем чеке выигрывает тот, кто оптимизирует **прибыль**, а не клики.
7. На созвоне покажите три решения: что сократить, что оставить, что протестировать ещё раз. MMM ценен не графиками, а перераспределением бюджета на следующую неделю.
— @AttributionRoom
Если вы управляете платным трафиком, MMM не нужно начинать с «идеальной модели». На этой неделе задача проще: получить рабочий контур, который покажет, где last-click врёт, а где бюджет можно перераспределять без потери выручки.
1. Зафиксируйте 12–18 месяцев данных по неделям: расходы по каналам, выручку, маржу, промо, цену, сезонность, наличие товара, долю брендового спроса. Без этих факторов модель почти всегда переоценит медийные каналы и недооценит спрос, созданный брендом.
2. Сведите каналы не до площадок, а до экономически понятных групп: поисковый бренд, поисковый небренд, социальная реклама, видео, ретаргетинг, партнёрки, офлайн, email. Чем меньше дробление, тем выше шанс получить интерпретируемый результат.
3. Уберите периоды с аномалиями: смена ассортимента, сбой аналитики, резкие распродажи, логистические провалы. MMM не лечит плохие данные — он просто красиво их объясняет.
4. Постройте базовую модель с контролями: тренд, сезонность, промо, цена, stock-out. Задача первой версии — не «поймать всё», а отделить спрос от давления рекламы.
5. Сверьте результат с инкрементальностью (incrementality — приростом): возьмите 1–2 канала и проверьте их через holdout-тест или гео-эксперимент. Если MMM и тест расходятся, правьте допущения, а не отчёт.
6. Посчитайте не только вклад в выручку, но и вклад в маржу. В 2026 году при падающем среднем чеке выигрывает тот, кто оптимизирует **прибыль**, а не клики.
7. На созвоне покажите три решения: что сократить, что оставить, что протестировать ещё раз. MMM ценен не графиками, а перераспределением бюджета на следующую неделю.
— @AttributionRoom
Nike и MMM: как бренд перестал мерить рост по последнему клику
В 2024 году Nike столкнулся с типичной для крупного бренда задачей: платный трафик в отчётах выглядел «здоровым», но общий рост выручки замедлялся. На фоне privacy-first-ограничений, слабой видимости mobile-трекинга и роста доли zero-click-контента компания увидела классическую проблему последнего клика: он начал приписывать себе уже сформированный спрос, а не создавать его.
Задача была не «нарастить ещё один канал», а понять, где деньги действительно приносят прирост. Для этого Nike усилил связку MMM-модели и тестов на инкрементальность. Идея простая: MMM показывает вклад каналов на уровне всей системы, а инкрементальность проверяет, что происходит при отключении или сокращении конкретного источника. Это особенно важно в 2026-м, когда performance всё чаще работает в среде, где часть конверсий не видна напрямую.
Что сделали:
— пересобрали медиамикс не вокруг каналов, а вокруг ролей: верх воронки, перехват спроса, удержание;
— отдельно оценили брендовый поиск, ретаргетинг и платный social как каналы с высоким риском переатрибуции;
— провели geo-тесты и holdout-эксперименты: в части регионов снижали давление paid media и сравнивали изменение продаж с контрольной зоной;
— сверили результаты MMM с экспериментами, чтобы не принять красивую модель за правду.
Результат оказался показателен: часть бюджета, которая в last-click выглядела «обязательной», дала слабый или нулевой прирост. Зато верхневоронковые кампании и часть mid-funnel-активностей показали более высокий вклад в incremental revenue, чем это виделось в кабинетах рекламных систем. По сути, компания сместила фокус с «дешёвого лида» на **прирост выручки**.
Главный урок для главы performance простой: если бренд живёт только в атрибуции платформ, он платит за видимость, а не за эффект. В 2026 году сильная performance-функция — это не тот, кто лучше оптимизирует CPC, а тот, кто умеет доказать инкрементальный вклад каждого рубля. MMM без экспериментов слепа, эксперименты без MMM локальны. Вместе они дают управляемую систему, а не набор красивых отчётов.
— @AttributionRoom
Параллельный взгляд на тему — @InfluencerResearchRu
В 2024 году Nike столкнулся с типичной для крупного бренда задачей: платный трафик в отчётах выглядел «здоровым», но общий рост выручки замедлялся. На фоне privacy-first-ограничений, слабой видимости mobile-трекинга и роста доли zero-click-контента компания увидела классическую проблему последнего клика: он начал приписывать себе уже сформированный спрос, а не создавать его.
Задача была не «нарастить ещё один канал», а понять, где деньги действительно приносят прирост. Для этого Nike усилил связку MMM-модели и тестов на инкрементальность. Идея простая: MMM показывает вклад каналов на уровне всей системы, а инкрементальность проверяет, что происходит при отключении или сокращении конкретного источника. Это особенно важно в 2026-м, когда performance всё чаще работает в среде, где часть конверсий не видна напрямую.
Что сделали:
— пересобрали медиамикс не вокруг каналов, а вокруг ролей: верх воронки, перехват спроса, удержание;
— отдельно оценили брендовый поиск, ретаргетинг и платный social как каналы с высоким риском переатрибуции;
— провели geo-тесты и holdout-эксперименты: в части регионов снижали давление paid media и сравнивали изменение продаж с контрольной зоной;
— сверили результаты MMM с экспериментами, чтобы не принять красивую модель за правду.
Результат оказался показателен: часть бюджета, которая в last-click выглядела «обязательной», дала слабый или нулевой прирост. Зато верхневоронковые кампании и часть mid-funnel-активностей показали более высокий вклад в incremental revenue, чем это виделось в кабинетах рекламных систем. По сути, компания сместила фокус с «дешёвого лида» на **прирост выручки**.
Главный урок для главы performance простой: если бренд живёт только в атрибуции платформ, он платит за видимость, а не за эффект. В 2026 году сильная performance-функция — это не тот, кто лучше оптимизирует CPC, а тот, кто умеет доказать инкрементальный вклад каждого рубля. MMM без экспериментов слепа, эксперименты без MMM локальны. Вместе они дают управляемую систему, а не набор красивых отчётов.
— @AttributionRoom
Параллельный взгляд на тему — @InfluencerResearchRu
Как Nike проверял, что digital даёт не только клики, но и прирост продаж
В 2026-м у performance-руководителя главный вопрос уже не «какой канал дал последний клик», а «что реально добавило выручку». На этом фоне особенно показателен кейс Nike: бренд перешёл от оценки кампаний по прямым конверсиям к связке MMM (маркетинг-микс-моделирование) и incrementality-тестов.
Контекст был простой: платный трафик рос, а отчётность по last-click показывала красивую картину, но не отвечала на вопрос о приросте. В одном из рынков Nike увидел, что поиск и ретаргетинг стабильно забирают львиную долю атрибуции, хотя часть продаж происходила бы и без них. Для главы performance это типичная ловушка: канал выглядит эффективным, пока не измеряешь инкрементальность.
Задача была двойная:
— понять, какие каналы реально создают дополнительный спрос;
— перераспределить бюджет так, чтобы не покупать уже существующий спрос по завышенной цене.
Решение строилось в два слоя. Сначала Nike собрал MMM на уровне страны и категории: модель показала вклад каналов в продажи с учётом сезонности, промо, медиа-давления и цен. Затем поверх модели провели geo-тесты: в части регионов рекламу усиливали, в части — снижали, сравнивая разницу в продажах. Так отделяли «видимую» атрибуцию от реального прироста.
Что выяснилось:
— часть брендового поиска давала высокий отчётный ROAS, но слабый инкрементальный эффект;
— верх воронки — видео и широкое медиа — работали хуже в last-click, но лучше в приросте;
— перераспределение 10–15% бюджета из переоценённых каналов в каналы с доказанным uplift дало заметный рост эффективности на уровне всей медиасистемы.
Главный результат не в одном цифро-блестящем отчёте, а в смене управленческой логики: команда начала оптимизировать не клики, а вклад в продажи и маржинальность. Это особенно важно сейчас, когда privacy-first атрибуция, server-side и MMM становятся стандартом, а zero-click среда всё чаще скрывает путь пользователя.
Урок для performance-руководителя простой: если канал выигрывает только в последнем касании, это ещё не аргумент в его пользу. **Побеждает не тот, кто лучше считает конверсии, а тот, кто доказывает прирост.**
— @AttributionRoom
В 2026-м у performance-руководителя главный вопрос уже не «какой канал дал последний клик», а «что реально добавило выручку». На этом фоне особенно показателен кейс Nike: бренд перешёл от оценки кампаний по прямым конверсиям к связке MMM (маркетинг-микс-моделирование) и incrementality-тестов.
Контекст был простой: платный трафик рос, а отчётность по last-click показывала красивую картину, но не отвечала на вопрос о приросте. В одном из рынков Nike увидел, что поиск и ретаргетинг стабильно забирают львиную долю атрибуции, хотя часть продаж происходила бы и без них. Для главы performance это типичная ловушка: канал выглядит эффективным, пока не измеряешь инкрементальность.
Задача была двойная:
— понять, какие каналы реально создают дополнительный спрос;
— перераспределить бюджет так, чтобы не покупать уже существующий спрос по завышенной цене.
Решение строилось в два слоя. Сначала Nike собрал MMM на уровне страны и категории: модель показала вклад каналов в продажи с учётом сезонности, промо, медиа-давления и цен. Затем поверх модели провели geo-тесты: в части регионов рекламу усиливали, в части — снижали, сравнивая разницу в продажах. Так отделяли «видимую» атрибуцию от реального прироста.
Что выяснилось:
— часть брендового поиска давала высокий отчётный ROAS, но слабый инкрементальный эффект;
— верх воронки — видео и широкое медиа — работали хуже в last-click, но лучше в приросте;
— перераспределение 10–15% бюджета из переоценённых каналов в каналы с доказанным uplift дало заметный рост эффективности на уровне всей медиасистемы.
Главный результат не в одном цифро-блестящем отчёте, а в смене управленческой логики: команда начала оптимизировать не клики, а вклад в продажи и маржинальность. Это особенно важно сейчас, когда privacy-first атрибуция, server-side и MMM становятся стандартом, а zero-click среда всё чаще скрывает путь пользователя.
Урок для performance-руководителя простой: если канал выигрывает только в последнем касании, это ещё не аргумент в его пользу. **Побеждает не тот, кто лучше считает конверсии, а тот, кто доказывает прирост.**
— @AttributionRoom
IKEA: как проверили вклад верхнего уровня в продажи без иллюзий last-click
У IKEA была типичная для крупного бренда проблема: брендовый спрос и перформанс жили в одной воронке, но отчётность показывала только то, что «последний клик» забирал почти весь результат. На уровне кабинетов это выглядело красиво, а на уровне бизнеса — слишком упрощённо.
Задача была не в том, чтобы «доказать, что реклама работает», а в том, чтобы понять, **какой канал реально создаёт дополнительный спрос**, а какой лишь собирает уже готовый. Для этого IKEA в ряде рынков использовала комбинацию MMM (маркетинг-микс моделирования) и инкрементальных тестов — то есть сравнивала прогноз модели с фактом и отдельно проверяла прирост там, где рекламу временно ограничивали.
Что сделали:
— Разделили медиа на группы: брендовый охват, поиск, ретаргетинг, локальные каналы.
— В MMM учли сезонность, промо-периоды, цены и динамику трафика.
— В инкрементальных тестах смотрели не клики, а **добавочные продажи** по контрольным и тестовым регионам.
— Отдельно проверяли, как меняется эффект в период высоких скидок и в обычные недели.
Что оказалось важным. В отчётах last-click ретаргетинг выглядел как один из самых эффективных каналов. Но когда сравнили с инкрементальностью, значимая часть его «эффекта» оказалась перераспределением спроса, который уже пришёл бы органически или через брендовый поиск. А вот верхнеуровневые кампании, которые в прямой атрибуции часто недооценивают, показывали более заметный вклад в будущий спрос: они не закрывали сделку сразу, а поднимали базовую готовность к покупке.
Результат для команды был практический: бюджет перестали оценивать по одному ROAS (рентабельности рекламных расходов) из кабинета. Часть денег с низкоинкрементальных тактик перераспределили в каналы, которые давали меньший видимый «красивый» отклик, но больший прирост продаж на горизонте недели-двух.
Урок простой: **если бренд большой, last-click почти всегда врёт не грубо, а убедительно**. В 2026 году это особенно опасно: AI-overviews, zero-click и privacy-first измерение ещё сильнее размывают прямую связь между касанием и покупкой. Поэтому для главы performance главный вопрос уже не «сколько кликов принёс канал», а «сколько дополнительной выручки он создал сверх базы».
— @AttributionRoom
У IKEA была типичная для крупного бренда проблема: брендовый спрос и перформанс жили в одной воронке, но отчётность показывала только то, что «последний клик» забирал почти весь результат. На уровне кабинетов это выглядело красиво, а на уровне бизнеса — слишком упрощённо.
Задача была не в том, чтобы «доказать, что реклама работает», а в том, чтобы понять, **какой канал реально создаёт дополнительный спрос**, а какой лишь собирает уже готовый. Для этого IKEA в ряде рынков использовала комбинацию MMM (маркетинг-микс моделирования) и инкрементальных тестов — то есть сравнивала прогноз модели с фактом и отдельно проверяла прирост там, где рекламу временно ограничивали.
Что сделали:
— Разделили медиа на группы: брендовый охват, поиск, ретаргетинг, локальные каналы.
— В MMM учли сезонность, промо-периоды, цены и динамику трафика.
— В инкрементальных тестах смотрели не клики, а **добавочные продажи** по контрольным и тестовым регионам.
— Отдельно проверяли, как меняется эффект в период высоких скидок и в обычные недели.
Что оказалось важным. В отчётах last-click ретаргетинг выглядел как один из самых эффективных каналов. Но когда сравнили с инкрементальностью, значимая часть его «эффекта» оказалась перераспределением спроса, который уже пришёл бы органически или через брендовый поиск. А вот верхнеуровневые кампании, которые в прямой атрибуции часто недооценивают, показывали более заметный вклад в будущий спрос: они не закрывали сделку сразу, а поднимали базовую готовность к покупке.
Результат для команды был практический: бюджет перестали оценивать по одному ROAS (рентабельности рекламных расходов) из кабинета. Часть денег с низкоинкрементальных тактик перераспределили в каналы, которые давали меньший видимый «красивый» отклик, но больший прирост продаж на горизонте недели-двух.
Урок простой: **если бренд большой, last-click почти всегда врёт не грубо, а убедительно**. В 2026 году это особенно опасно: AI-overviews, zero-click и privacy-first измерение ещё сильнее размывают прямую связь между касанием и покупкой. Поэтому для главы performance главный вопрос уже не «сколько кликов принёс канал», а «сколько дополнительной выручки он создал сверх базы».
— @AttributionRoom
Last-click всё ещё жив, но уже как отчётность
Я бы не списывал last-click, но и не путал его с управлением ростом. В 2026 он нужен как санитарный минимум: быстро проверить, где есть явный спрос и что вообще доезжает до заявки. Но когда каналов больше, а путь к покупке рвётся между устройствами, креативами и AI-overviews, last-click начинает показывать не вклад, а самый поздний след. Поэтому для главы performance он уже не «истина», а удобная, но узкая линза.
— @AttributionRoom
Я бы не списывал last-click, но и не путал его с управлением ростом. В 2026 он нужен как санитарный минимум: быстро проверить, где есть явный спрос и что вообще доезжает до заявки. Но когда каналов больше, а путь к покупке рвётся между устройствами, креативами и AI-overviews, last-click начинает показывать не вклад, а самый поздний след. Поэтому для главы performance он уже не «истина», а удобная, но узкая линза.
— @AttributionRoom
Трансформация маркетинговых бюджетов в условиях RevOps
Последний месяц в отчетности крупных e-com площадок прослеживается устойчивая тенденция: расходы на привлечение новых пользователей (acquisition) все чаще проходят через фильтр RevOps (объединенной ответственности маркетинга, продаж и клиентского сервиса за общую выручку). Вместо традиционного сравнения стоимости привлечения (CAC) с доходом от первой транзакции, компании начинают оценивать каналы через призму долгосрочного удержания (retention) и вклада в рост пожизненной ценности клиента (LTV).
Вместе с этим наблюдается отказ от гранулярной last-click (атрибуции по последнему клику) в пользу моделей MMM (маркетингового моделирования микса), где вклад медиа-каналов пересчитывается с учетом сезонности, макроэкономических факторов и циклов принятия решений. Команды стали реже запрашивать данные по кликам, фокусируясь на инкрементальности (приросте эффективности) каждого медиа-канала в отдельности. Примечательно, что в этом процессе фокус сместился с автоматизации закупки на пересчет моделей атрибуции с учетом server-side (серверной передачи) данных, чтобы минимизировать потери от блокировок сторонних файлов cookie.
Замечаете ли вы аналогичный сдвиг в своих отчетах, когда вопрос о перераспределении бюджета все чаще упирается не в стоимость клика, а в моделирование долгосрочного влияния на выручку?
— @AttributionRoom
Последний месяц в отчетности крупных e-com площадок прослеживается устойчивая тенденция: расходы на привлечение новых пользователей (acquisition) все чаще проходят через фильтр RevOps (объединенной ответственности маркетинга, продаж и клиентского сервиса за общую выручку). Вместо традиционного сравнения стоимости привлечения (CAC) с доходом от первой транзакции, компании начинают оценивать каналы через призму долгосрочного удержания (retention) и вклада в рост пожизненной ценности клиента (LTV).
Вместе с этим наблюдается отказ от гранулярной last-click (атрибуции по последнему клику) в пользу моделей MMM (маркетингового моделирования микса), где вклад медиа-каналов пересчитывается с учетом сезонности, макроэкономических факторов и циклов принятия решений. Команды стали реже запрашивать данные по кликам, фокусируясь на инкрементальности (приросте эффективности) каждого медиа-канала в отдельности. Примечательно, что в этом процессе фокус сместился с автоматизации закупки на пересчет моделей атрибуции с учетом server-side (серверной передачи) данных, чтобы минимизировать потери от блокировок сторонних файлов cookie.
Замечаете ли вы аналогичный сдвиг в своих отчетах, когда вопрос о перераспределении бюджета все чаще упирается не в стоимость клика, а в моделирование долгосрочного влияния на выручку?
— @AttributionRoom
Почему отказ от атрибуции по последнему клику — это не борьба за точность, а переход к управлению экономикой
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес продажу» в плоскость «как маркетинговый микс влияет на долгосрочный денежный поток». Модель атрибуции по последнему клику (last-click) стала рудиментом, который не просто искажает данные, а вводит в заблуждение отделы продаж и финансовые департаменты в рамках общей стратегии управления выручкой (RevOps).
Когда мы продолжаем оценивать эффективность каналов через призму последнего касания, мы неизбежно перекашиваем бюджеты в сторону «горячего» спроса и ретаргетинга (повторного маркетингового воздействия). Это создает ложное ощущение контроля. На деле, в эпоху, когда потребитель становится более рациональным и чувствительным к цене, а средний чек в электронной коммерции продолжает плавно снижаться, такая стратегия ведет к эрозии базы лояльных клиентов и падению пожизненной ценности покупателя (LTV).
Моя практика показывает, что компании, перешедшие на моделирование маркетингового микса (MMM) и анализ инкрементальности (дополнительной ценности), совершают фундаментальный сдвиг в мышлении. Они перестают спрашивать «сколько кликов дал этот баннер» и начинают спрашивать «на сколько процентов изменится объем продаж, если мы снизим интенсивность присутствия в медиа-каналах на 20%».
— Инкрементальность позволяет увидеть истинный вклад брендинга, который в 2026 году стал единственным барьером против превращения вашего продукта в недифференцированный товар (commodity).
— Server-side (серверная передача данных) в связке с эконометрическими моделями дает гораздо более предсказуемую картину выручки, чем попытки «догнать» пользователя через cookies (файлы, отслеживающие поведение).
*Управление маркетингом сегодня — это не оптимизация рекламных площадок, а управление вероятностью покупки.*
Если ваш лидер performance-направления до сих пор защищает бюджет, опираясь только на отчеты из рекламных кабинетов, вы теряете деньги. В условиях, когда поиск уходит в сторону ответов нейросетей, а доверие к прямой рекламе падает, только глубокие эконометрические данные могут показать, какие элементы маркетингового воздействия действительно создают спрос, а какие — лишь паразитируют на уже сформированном намерении совершить покупку.
Перестаньте гнаться за точностью каждой конверсии. Начните измерять масштаб влияния. Это единственный способ сохранить рентабельность в мире, где стоимость привлечения клиента растет, а лояльность покупателя требует инвестиций в смыслы, а не в количество рекламных охватов.
— @AttributionRoom
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес продажу» в плоскость «как маркетинговый микс влияет на долгосрочный денежный поток». Модель атрибуции по последнему клику (last-click) стала рудиментом, который не просто искажает данные, а вводит в заблуждение отделы продаж и финансовые департаменты в рамках общей стратегии управления выручкой (RevOps).
Когда мы продолжаем оценивать эффективность каналов через призму последнего касания, мы неизбежно перекашиваем бюджеты в сторону «горячего» спроса и ретаргетинга (повторного маркетингового воздействия). Это создает ложное ощущение контроля. На деле, в эпоху, когда потребитель становится более рациональным и чувствительным к цене, а средний чек в электронной коммерции продолжает плавно снижаться, такая стратегия ведет к эрозии базы лояльных клиентов и падению пожизненной ценности покупателя (LTV).
Моя практика показывает, что компании, перешедшие на моделирование маркетингового микса (MMM) и анализ инкрементальности (дополнительной ценности), совершают фундаментальный сдвиг в мышлении. Они перестают спрашивать «сколько кликов дал этот баннер» и начинают спрашивать «на сколько процентов изменится объем продаж, если мы снизим интенсивность присутствия в медиа-каналах на 20%».
— Инкрементальность позволяет увидеть истинный вклад брендинга, который в 2026 году стал единственным барьером против превращения вашего продукта в недифференцированный товар (commodity).
— Server-side (серверная передача данных) в связке с эконометрическими моделями дает гораздо более предсказуемую картину выручки, чем попытки «догнать» пользователя через cookies (файлы, отслеживающие поведение).
*Управление маркетингом сегодня — это не оптимизация рекламных площадок, а управление вероятностью покупки.*
Если ваш лидер performance-направления до сих пор защищает бюджет, опираясь только на отчеты из рекламных кабинетов, вы теряете деньги. В условиях, когда поиск уходит в сторону ответов нейросетей, а доверие к прямой рекламе падает, только глубокие эконометрические данные могут показать, какие элементы маркетингового воздействия действительно создают спрос, а какие — лишь паразитируют на уже сформированном намерении совершить покупку.
Перестаньте гнаться за точностью каждой конверсии. Начните измерять масштаб влияния. Это единственный способ сохранить рентабельность в мире, где стоимость привлечения клиента растет, а лояльность покупателя требует инвестиций в смыслы, а не в количество рекламных охватов.
— @AttributionRoom