Почему я больше не верю в атрибуцию по одному каналу
За последние два года я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они продолжают спорить не о том, сколько канал добавил выручки, а о том, кто «забрал» конверсию в отчёте.
Это старая логика last-click. Она ещё работает для оперативного контроля, но всё хуже подходит для управленческих решений. В 2026 году проблема не в нехватке данных — проблема в том, что данные стали слишком «умными» для старых правил. Переходы режутся приватностью, часть спроса уходит в AI-обзоры и zero-click-сценарии, а пользовательский путь распадается на десятки касаний, часть из которых вообще не видна в стандартной веб-аналитике.
Моё жёсткое мнение: **канал больше нельзя оценивать как самостоятельный источник продаж**. Его нужно смотреть как вклад в систему спроса.
Один практический ориентир из моей работы: в кампаниях, где last-click показывал «слабый» ROMI, MMM и инкрементальность нередко находили 15–30% реального вклада, который отчёты просто не видели. И наоборот — у «любимых» каналов с красивой атрибуцией после честного теста исчезала часть мнимой эффективности.
Что я считаю рабочей моделью сегодня:
- last-click оставляем как оперативный прибор, а не как судью;
- server-side-сбор нужен не ради моды, а чтобы удержать базовую наблюдаемость;
- MMM — для распределения бюджета на уровне системы;
- инкрементальные тесты — для проверки спорных каналов и креативных связок;
- брендовую и performance-активность надо считать вместе, если вы реально отвечаете за выручку, а не за клики.
Если глава performance всё ещё защищает бюджет только через CPA, он смотрит на прошлую эпоху. Сейчас выигрывает тот, кто умеет доказать не «сколько пришло», а **сколько приросло без нас не было бы**.
— @AttributionRoom
Параллельный взгляд на тему — @SMMnewsDigest
За последние два года я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они продолжают спорить не о том, сколько канал добавил выручки, а о том, кто «забрал» конверсию в отчёте.
Это старая логика last-click. Она ещё работает для оперативного контроля, но всё хуже подходит для управленческих решений. В 2026 году проблема не в нехватке данных — проблема в том, что данные стали слишком «умными» для старых правил. Переходы режутся приватностью, часть спроса уходит в AI-обзоры и zero-click-сценарии, а пользовательский путь распадается на десятки касаний, часть из которых вообще не видна в стандартной веб-аналитике.
Моё жёсткое мнение: **канал больше нельзя оценивать как самостоятельный источник продаж**. Его нужно смотреть как вклад в систему спроса.
Один практический ориентир из моей работы: в кампаниях, где last-click показывал «слабый» ROMI, MMM и инкрементальность нередко находили 15–30% реального вклада, который отчёты просто не видели. И наоборот — у «любимых» каналов с красивой атрибуцией после честного теста исчезала часть мнимой эффективности.
Что я считаю рабочей моделью сегодня:
- last-click оставляем как оперативный прибор, а не как судью;
- server-side-сбор нужен не ради моды, а чтобы удержать базовую наблюдаемость;
- MMM — для распределения бюджета на уровне системы;
- инкрементальные тесты — для проверки спорных каналов и креативных связок;
- брендовую и performance-активность надо считать вместе, если вы реально отвечаете за выручку, а не за клики.
Если глава performance всё ещё защищает бюджет только через CPA, он смотрит на прошлую эпоху. Сейчас выигрывает тот, кто умеет доказать не «сколько пришло», а **сколько приросло без нас не было бы**.
— @AttributionRoom
Параллельный взгляд на тему — @SMMnewsDigest
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Facebook запретил рекламу онлайн-казино Mr Vegas
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
В Whatsapp скамят пользователей с помощью поддельных никнеймов
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Вышел ZCode - аналог Claude code
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top
Инкрементальность без фанатизма: как я “отрезаю” шум от MMM, когда бюджеты растут, а last-click проседает
В 2026 я всё чаще вижу одну и ту же управленческую ловушку: performance-команда видит падение last-click (последние касания “не доехали”), маркетинг давит на spend, а ответ в отчётах становится всё менее различимым — рост расходов не превращается в рост продаж так же быстро, как раньше. И это ломает привычную логику “масштабируем то, что атрибутируется”.
Моя позиция: MMM и инкрементальность нужны не как “разрешение на увеличение бюджета”, а как инструмент разметки причинно-следственных зон. То есть мы не пытаемся объяснить весь доход, мы пытаемся отделить то, что реально двигает выручку, от того, что лишь коррелирует.
Как я делаю это на практике (и почему это снижает риск самоуверенных выводов).
1) Я строю MMM с фокусом на устойчивую компоненту, а не на величину объяснённой дисперсии. В большинстве проектов “качество” модели начинают мерить по R²/fit. Но в реальности бюджеты меняются, маркетинговые миксы разъезжаются по сезонам, а внешний спрос (категория, цена, промо конкурентов) съедает остатки. Поэтому главный критерий для меня — стабильность эластичностей при умеренной перестройке спецификации: замены лагов, состава драйверов, альтернативы обработки праздников/инфляционных эффектов.
2) Я “отрезаю” медиа, которые почти наверняка не являются incremental-двигателем. Признак простой: если канал показывает сильную корреляцию с выручкой, но без согласованного лагового следа (или с нелогичными лагами), это часто индикатор маркетингового поведения рынка целиком, а не вклада канала. В таких случаях мы не спорим “виноват канал или нет”, мы проверяем через инкрементальность: моделируем тот же период, но с исключением компоненты и смотрим, что меняется в оценке общего маркетингового эффекта и в целевой метрике (обычно — вклад по сегментам спроса).
3) Я управляю решением через контрольные вопросы к результату, а не через “цифру процента”. Самый важный вопрос: оценка прироста от маркетинга “держится” на соседних окнах? Если в одном месяце канал выглядит прибыльным, а в следующем — превращается в нейтральный без изменения рынка, значит модель слишком чувствительна к шуму (кампаниям/ценам/расписаниям промо). Я обычно ставлю внутреннее правило: решение о масштабировании принимаем не на одном прогоне, а на диапазоне сценариев. Если диапазон широкий — это сигнал не “канал плохой”, а “у нас слабая идентификация эффекта”.
Одна практическая цифра, которая меня научила осторожности. В одном e-com проекте (средний чек снижался из‑за экономии аудитории) MMM показывал, что часть бренд-охватов “вроде бы” несёт рост выручки. Но после проверки на инкрементальность относительно промо-динамики цен и распределения спроса по сегментам выяснилось: эффект был сильно смешан с ценовым фактором и отложенным спросом. В результате реальное incremental-ускорение было значительно меньше — и именно поэтому performance-департамент видел “просадку атрибутируемых лидов”, хотя общий спрос по воронке не падал. Мы перестали принимать решения по last-click, но и не слепо “доверились MMM” — мы сузили применимость вывода: бюджет перераспределили в те временные окна и форматы, где лаговый след и идентификация эффекта были согласованы.
Главная мысль: инкрементальность — это не вера в модель. Это дисциплина постановки эксперимента в условиях, где эксперимента не было. И если last-click проседает, я не считаю это поводом “выкинуть performance”. Я считаю это поводом пересобрать систему принятия решений: от атрибуции по последнему касанию к управлению маркетингом как вкладом в выручку (incrementality + контроль идентификации).
— @AttributionRoom
@PrivacyTrackingRu разбирают это с практической стороны
В 2026 я всё чаще вижу одну и ту же управленческую ловушку: performance-команда видит падение last-click (последние касания “не доехали”), маркетинг давит на spend, а ответ в отчётах становится всё менее различимым — рост расходов не превращается в рост продаж так же быстро, как раньше. И это ломает привычную логику “масштабируем то, что атрибутируется”.
Моя позиция: MMM и инкрементальность нужны не как “разрешение на увеличение бюджета”, а как инструмент разметки причинно-следственных зон. То есть мы не пытаемся объяснить весь доход, мы пытаемся отделить то, что реально двигает выручку, от того, что лишь коррелирует.
Как я делаю это на практике (и почему это снижает риск самоуверенных выводов).
1) Я строю MMM с фокусом на устойчивую компоненту, а не на величину объяснённой дисперсии. В большинстве проектов “качество” модели начинают мерить по R²/fit. Но в реальности бюджеты меняются, маркетинговые миксы разъезжаются по сезонам, а внешний спрос (категория, цена, промо конкурентов) съедает остатки. Поэтому главный критерий для меня — стабильность эластичностей при умеренной перестройке спецификации: замены лагов, состава драйверов, альтернативы обработки праздников/инфляционных эффектов.
2) Я “отрезаю” медиа, которые почти наверняка не являются incremental-двигателем. Признак простой: если канал показывает сильную корреляцию с выручкой, но без согласованного лагового следа (или с нелогичными лагами), это часто индикатор маркетингового поведения рынка целиком, а не вклада канала. В таких случаях мы не спорим “виноват канал или нет”, мы проверяем через инкрементальность: моделируем тот же период, но с исключением компоненты и смотрим, что меняется в оценке общего маркетингового эффекта и в целевой метрике (обычно — вклад по сегментам спроса).
3) Я управляю решением через контрольные вопросы к результату, а не через “цифру процента”. Самый важный вопрос: оценка прироста от маркетинга “держится” на соседних окнах? Если в одном месяце канал выглядит прибыльным, а в следующем — превращается в нейтральный без изменения рынка, значит модель слишком чувствительна к шуму (кампаниям/ценам/расписаниям промо). Я обычно ставлю внутреннее правило: решение о масштабировании принимаем не на одном прогоне, а на диапазоне сценариев. Если диапазон широкий — это сигнал не “канал плохой”, а “у нас слабая идентификация эффекта”.
Одна практическая цифра, которая меня научила осторожности. В одном e-com проекте (средний чек снижался из‑за экономии аудитории) MMM показывал, что часть бренд-охватов “вроде бы” несёт рост выручки. Но после проверки на инкрементальность относительно промо-динамики цен и распределения спроса по сегментам выяснилось: эффект был сильно смешан с ценовым фактором и отложенным спросом. В результате реальное incremental-ускорение было значительно меньше — и именно поэтому performance-департамент видел “просадку атрибутируемых лидов”, хотя общий спрос по воронке не падал. Мы перестали принимать решения по last-click, но и не слепо “доверились MMM” — мы сузили применимость вывода: бюджет перераспределили в те временные окна и форматы, где лаговый след и идентификация эффекта были согласованы.
Главная мысль: инкрементальность — это не вера в модель. Это дисциплина постановки эксперимента в условиях, где эксперимента не было. И если last-click проседает, я не считаю это поводом “выкинуть performance”. Я считаю это поводом пересобрать систему принятия решений: от атрибуции по последнему касанию к управлению маркетингом как вкладом в выручку (incrementality + контроль идентификации).
— @AttributionRoom
@PrivacyTrackingRu разбирают это с практической стороны
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Cloudeflare грозит Google блокировкой трафика
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Гайд: как заработать первые деньги на Pornhub
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Почему last-click ещё жив, хотя уже не должен
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они не спорят с last-click вслух, но продолжают жить по его логике внутри отчётов, закупки и защиты бюджета.
Проблема не в том, что last-click «врал» — он просто был удобной линейкой для простого рынка. В 2026 году рынок уже другой: часть спроса уходит в zero-click, креативы тиражируются генеративно, а вклад канала всё чаще проявляется не в последнем касании, а в сдвиге вероятности покупки, возврата или апсейла. И вот это last-click почти не видит.
Из практики у нас был кейс, где платный поиск стабильно выглядел главным драйвером выручки. Но после проверки через MMM и инкрементальность оказалось, что значимая часть «его» эффекта — это перехват уже сформированного спроса после роста медийного давления и CRM-цепочек. Иначе говоря, поиск не создавал спрос в том объёме, в каком его себе приписывал.
**Мой вывод простой: last-click нельзя выбрасывать, но нельзя и назначать ему роль арбитра.**
Он годится как оперативный датчик, но не как система принятия решений по бюджету.
Если смотреть на честную картину, то нужны три слоя:
— MMM, чтобы понять вклад каналов на уровне бизнеса;
— инкрементальность, чтобы проверить, что канал добавляет сверх базового спроса;
— атрибуция, чтобы управлять тактикой внутри воронки.
Сильный глава performance сегодня отличается не тем, что умеет лучше настраивать кампании. А тем, что умеет доказать, где именно происходит прирост выручки, и не перепутать корреляцию с вкладом. В этом, по сути, и заканчивается эпоха отчётов «по последнему клику» и начинается нормальная управляемость маркетинга.
— @AttributionRoom
Дополнительный контекст — @CommunityCraftRu
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они не спорят с last-click вслух, но продолжают жить по его логике внутри отчётов, закупки и защиты бюджета.
Проблема не в том, что last-click «врал» — он просто был удобной линейкой для простого рынка. В 2026 году рынок уже другой: часть спроса уходит в zero-click, креативы тиражируются генеративно, а вклад канала всё чаще проявляется не в последнем касании, а в сдвиге вероятности покупки, возврата или апсейла. И вот это last-click почти не видит.
Из практики у нас был кейс, где платный поиск стабильно выглядел главным драйвером выручки. Но после проверки через MMM и инкрементальность оказалось, что значимая часть «его» эффекта — это перехват уже сформированного спроса после роста медийного давления и CRM-цепочек. Иначе говоря, поиск не создавал спрос в том объёме, в каком его себе приписывал.
**Мой вывод простой: last-click нельзя выбрасывать, но нельзя и назначать ему роль арбитра.**
Он годится как оперативный датчик, но не как система принятия решений по бюджету.
Если смотреть на честную картину, то нужны три слоя:
— MMM, чтобы понять вклад каналов на уровне бизнеса;
— инкрементальность, чтобы проверить, что канал добавляет сверх базового спроса;
— атрибуция, чтобы управлять тактикой внутри воронки.
Сильный глава performance сегодня отличается не тем, что умеет лучше настраивать кампании. А тем, что умеет доказать, где именно происходит прирост выручки, и не перепутать корреляцию с вкладом. В этом, по сути, и заканчивается эпоха отчётов «по последнему клику» и начинается нормальная управляемость маркетинга.
— @AttributionRoom
Дополнительный контекст — @CommunityCraftRu
MMM — это не “замена атрибуции”, а настройка разговорного рынка
В 2026 я всё чаще вижу одну и ту же управленческую ошибку у глав performance: они пытаются использовать MMM (модели маркетингового микса) как “последний слой правды” вместо атрибуции. Мол, соберём данные — и получим честную долю канала. Но MMM отвечает на другой вопрос: как маркетинг в целом двигает выручку/конверсии, когда коммуникации конкурируют друг с другом, накапливают эффект и умирают по-разному.
Моя позиция жёсткая: MMM нужно внедрять не после того, как “не сходится атрибуция”, а как инструмент калибровки ожиданий между командами. Для performance это означает: прекратить спорить о долях на уровне кампаний и начать спорить о правилах моделирования — window (временное окно), лаги, насыщение, контроль офлайна/price/promo, структура каналов и допущения по кросс-эффектам.
Один практический наблюдение. Мы неоднократно видели, что модель, построенная “под last-click-реальность” (с короткими окнами, без нормализации частоты касаний и без учёта промо-фона), системно завышает прямой отклик медийных кампаний и занижает долгий вклад search/брендовых запросов. Итог не в статистике, а в бюджете: если верить такой MMM, можно бесконечно докручивать закупку “под быстрые конверсии” и недофинансировать верх воронки — особенно в категориях, где покупка размазана во времени.
Почему это особенно важно сейчас. Privacy-first режим снижает доверие к индивидуальным путям пользователя, а AI-overviews (ответы от моделей) усиливают эффект “нулевого клика”: бренд и сообщение начинают работать без явного перехода в воронку. Там MMM действительно становится компасом, но только если вы воспринимаете её как модель механизма, а не как отчёт о бухгалтерской истине.
Как я предлагаю формализовать внедрение, чтобы performance перестал тратить время на бесконечные “а кто прав”:
— фиксируйте целевой KPI модели: не ROAS в вакууме, а инкрементальность (изменение выручки из‑за маркетинга) относительно baseline;
— делайте sanity-check на повторяемость: сценарий “переставили бюджеты между похожими каналами” должен менять оценку эффекта предсказуемо, а не “прыгать” от одной итерации к другой;
— вводите правило: если решение приводит к росту эффективности в модели, оно всё равно должно пройти минимальный holdout/инкрементал-тест на уровне geo/аудитории/временных срезов.
Фокус 2026 простой: атрибуция показывает путь, MMM — влияние. Их нельзя смешивать в одну картинку, иначе вы платите дважды — сначала креативу и медиабюджету, потом — управленческими ошибками из‑за неверно заданного вопроса.
— @AttributionRoom
Есть схожая тема в @ABMcraftRu, рекомендуем
В 2026 я всё чаще вижу одну и ту же управленческую ошибку у глав performance: они пытаются использовать MMM (модели маркетингового микса) как “последний слой правды” вместо атрибуции. Мол, соберём данные — и получим честную долю канала. Но MMM отвечает на другой вопрос: как маркетинг в целом двигает выручку/конверсии, когда коммуникации конкурируют друг с другом, накапливают эффект и умирают по-разному.
Моя позиция жёсткая: MMM нужно внедрять не после того, как “не сходится атрибуция”, а как инструмент калибровки ожиданий между командами. Для performance это означает: прекратить спорить о долях на уровне кампаний и начать спорить о правилах моделирования — window (временное окно), лаги, насыщение, контроль офлайна/price/promo, структура каналов и допущения по кросс-эффектам.
Один практический наблюдение. Мы неоднократно видели, что модель, построенная “под last-click-реальность” (с короткими окнами, без нормализации частоты касаний и без учёта промо-фона), системно завышает прямой отклик медийных кампаний и занижает долгий вклад search/брендовых запросов. Итог не в статистике, а в бюджете: если верить такой MMM, можно бесконечно докручивать закупку “под быстрые конверсии” и недофинансировать верх воронки — особенно в категориях, где покупка размазана во времени.
Почему это особенно важно сейчас. Privacy-first режим снижает доверие к индивидуальным путям пользователя, а AI-overviews (ответы от моделей) усиливают эффект “нулевого клика”: бренд и сообщение начинают работать без явного перехода в воронку. Там MMM действительно становится компасом, но только если вы воспринимаете её как модель механизма, а не как отчёт о бухгалтерской истине.
Как я предлагаю формализовать внедрение, чтобы performance перестал тратить время на бесконечные “а кто прав”:
— фиксируйте целевой KPI модели: не ROAS в вакууме, а инкрементальность (изменение выручки из‑за маркетинга) относительно baseline;
— делайте sanity-check на повторяемость: сценарий “переставили бюджеты между похожими каналами” должен менять оценку эффекта предсказуемо, а не “прыгать” от одной итерации к другой;
— вводите правило: если решение приводит к росту эффективности в модели, оно всё равно должно пройти минимальный holdout/инкрементал-тест на уровне geo/аудитории/временных срезов.
Фокус 2026 простой: атрибуция показывает путь, MMM — влияние. Их нельзя смешивать в одну картинку, иначе вы платите дважды — сначала креативу и медиабюджету, потом — управленческими ошибками из‑за неверно заданного вопроса.
— @AttributionRoom
Есть схожая тема в @ABMcraftRu, рекомендуем
С чего начать MMM в компании, где performance уже «упёрся» в last-click
Если у вас в отчётах всё сходится до копейки, но вы не можете ответить на простой вопрос «что именно делает бренд и что именно — перфоманс», значит пора запускать MMM (маркетинг-микс-моделирование) с инкрементальностью (оценкой добавочного эффекта), а не продолжать оптимизацию под last-click.
1) Зафиксируйте бизнес-цель в терминах выручки
— Возьмите целевую метрику: маржинальная выручка или вклад в валовую прибыль (лучше, чем «лиды»).
— Определите период и частоту: минимум 12 месяцев, агрегация по неделям. Если сезонность сильная — 24 месяца.
2) Соберите «витрину данных» для MMM за 3–5 дней
— Еженедельно по каналам: расходы (media spend) и, если есть, креативные/частотные прокси.
— Контрольные факторы: промо-активности (скидки, распродажи), наличие продукта/логистика, цены, дистрибуция (если B2B — охват отраслей/сегментов, если e-com — ограничения по складам).
— Внешние: сезонность (сделать календарные признаки), инфляция/курсы/погода — только если реально влияло в прошлом (иначе добавите шума).
3) Привяжите конверсию к уровню, который моделируете
MMM моделирует связь «расходы → результат». Значит вам нужно выбрать результат на той же стадии, которую вы хотите объяснить:
— B2B RevOps: выручка от SQL/закрытий, при невозможности — MQL→SQL→выручка с калибровкой через исторические коэффициенты.
— E-com: выручка или маржа по когортам, а не «переходы».
Важно: если воронка менялась (переход на новую CRM, изменение условий сделки) — зафиксируйте это как структурный разрыв и отметьте период.
4) Сделайте первичный дизайн атрибуции, чтобы потом не перепридумывать
— Сформируйте список каналов, которые точно учитываем отдельно в модели (ТВ/видео, search/контекст, соцсети, партнёрки и т.д.).
— Отдельно выделите «бренд-присутствие», даже если у вас нет бренд-кампаний как сущности: обычно это комбинация органики/брендового search (по запросам с названием бренда) и TV/видео.
— Проверьте, что в данных есть «хвост» после остановки бюджета: без пост-эффекта инкрементальность будет слабее.
5) Настройте оценку инкремента, а не только ROAS
На этом этапе вы должны не «объяснить прошлое», а проверить добавочный эффект:
— Разбейте данные на train/test по времени (например, последние 2–3 месяца test).
— Сохраните прогноз и сравните с фактом: какая доля выручки объяснена моделью в пределах доверительного интервала.
— Проведите sanity-check: если рост выручки в test пришёлся на период без расхода каналов — модель должна это показать через рост контрольных факторов или через ошибку (которую вы потом исправляете).
6) Упакуйте работу в короткий эксперимент на 4 недели
MMM без операционных действий превращается в отчёт.
— Выберите 1–2 канала с наибольшим вкладом и высокой управляемостью (обычно видеодисплей/ТВ/региональные кампании/частично search-пулы).
— Сделайте тест-окно: плавное изменение бюджета (не обнуление), чтобы увидеть реакцию в периоде с лагами.
— После теста обновите модель и зафиксируйте: какой канал дал прирост выручки относительно контрафакта (оценки «что было бы без изменений»).
7) Определите, как вы встроите MMM в регулярный процесс performance
— На ежемесячном цикле: MMM даёт план «верхних» ограничений (allocation) и диапазоны эффекта по каналам.
— Performance-оптимизация остаётся внизу: таргетинг, офферы, bidding — но в рамках бюджета, обоснованного MMM.
— KPI руководителю: не ROAS по последнему клику, а предсказанная инкрементальная маржинальность.
Если хотите, напишите: индустрия (e-com/B2B), доступность расхода по неделям, есть ли промо-история и что считаете результатом (лиды/SQL/выручка/маржа). Под это предложу минимальную структуру витрины и матрицу канал→результат.
— @AttributionRoom
Если у вас в отчётах всё сходится до копейки, но вы не можете ответить на простой вопрос «что именно делает бренд и что именно — перфоманс», значит пора запускать MMM (маркетинг-микс-моделирование) с инкрементальностью (оценкой добавочного эффекта), а не продолжать оптимизацию под last-click.
1) Зафиксируйте бизнес-цель в терминах выручки
— Возьмите целевую метрику: маржинальная выручка или вклад в валовую прибыль (лучше, чем «лиды»).
— Определите период и частоту: минимум 12 месяцев, агрегация по неделям. Если сезонность сильная — 24 месяца.
2) Соберите «витрину данных» для MMM за 3–5 дней
— Еженедельно по каналам: расходы (media spend) и, если есть, креативные/частотные прокси.
— Контрольные факторы: промо-активности (скидки, распродажи), наличие продукта/логистика, цены, дистрибуция (если B2B — охват отраслей/сегментов, если e-com — ограничения по складам).
— Внешние: сезонность (сделать календарные признаки), инфляция/курсы/погода — только если реально влияло в прошлом (иначе добавите шума).
3) Привяжите конверсию к уровню, который моделируете
MMM моделирует связь «расходы → результат». Значит вам нужно выбрать результат на той же стадии, которую вы хотите объяснить:
— B2B RevOps: выручка от SQL/закрытий, при невозможности — MQL→SQL→выручка с калибровкой через исторические коэффициенты.
— E-com: выручка или маржа по когортам, а не «переходы».
Важно: если воронка менялась (переход на новую CRM, изменение условий сделки) — зафиксируйте это как структурный разрыв и отметьте период.
4) Сделайте первичный дизайн атрибуции, чтобы потом не перепридумывать
— Сформируйте список каналов, которые точно учитываем отдельно в модели (ТВ/видео, search/контекст, соцсети, партнёрки и т.д.).
— Отдельно выделите «бренд-присутствие», даже если у вас нет бренд-кампаний как сущности: обычно это комбинация органики/брендового search (по запросам с названием бренда) и TV/видео.
— Проверьте, что в данных есть «хвост» после остановки бюджета: без пост-эффекта инкрементальность будет слабее.
5) Настройте оценку инкремента, а не только ROAS
На этом этапе вы должны не «объяснить прошлое», а проверить добавочный эффект:
— Разбейте данные на train/test по времени (например, последние 2–3 месяца test).
— Сохраните прогноз и сравните с фактом: какая доля выручки объяснена моделью в пределах доверительного интервала.
— Проведите sanity-check: если рост выручки в test пришёлся на период без расхода каналов — модель должна это показать через рост контрольных факторов или через ошибку (которую вы потом исправляете).
6) Упакуйте работу в короткий эксперимент на 4 недели
MMM без операционных действий превращается в отчёт.
— Выберите 1–2 канала с наибольшим вкладом и высокой управляемостью (обычно видеодисплей/ТВ/региональные кампании/частично search-пулы).
— Сделайте тест-окно: плавное изменение бюджета (не обнуление), чтобы увидеть реакцию в периоде с лагами.
— После теста обновите модель и зафиксируйте: какой канал дал прирост выручки относительно контрафакта (оценки «что было бы без изменений»).
7) Определите, как вы встроите MMM в регулярный процесс performance
— На ежемесячном цикле: MMM даёт план «верхних» ограничений (allocation) и диапазоны эффекта по каналам.
— Performance-оптимизация остаётся внизу: таргетинг, офферы, bidding — но в рамках бюджета, обоснованного MMM.
— KPI руководителю: не ROAS по последнему клику, а предсказанная инкрементальная маржинальность.
Если хотите, напишите: индустрия (e-com/B2B), доступность расхода по неделям, есть ли промо-история и что считаете результатом (лиды/SQL/выручка/маржа). Под это предложу минимальную структуру витрины и матрицу канал→результат.
— @AttributionRoom
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Сбер запустит свой криптокошелёк
Сбер готов запустить криптокошелёк — инфраструктура уже есть. Ждут только закона о регулировании крипты, который планируют принять к 1 сентября 2026 года.
Хранить и, судя по всему, обменивать крипту можно будет прямо в приложении — без сторонних обменников.
Но есть один нюанс, из-за которого обменники никуда не денутся. 🔍
➡️ Читайте на сайте: https://aff.top/blog/sber-zapustit-svoi-kriptokoshelek
🧠 Ещё больше инсайтов → в канале AFF.top
Сбер готов запустить криптокошелёк — инфраструктура уже есть. Ждут только закона о регулировании крипты, который планируют принять к 1 сентября 2026 года.
Хранить и, судя по всему, обменивать крипту можно будет прямо в приложении — без сторонних обменников.
Но есть один нюанс, из-за которого обменники никуда не денутся. 🔍
➡️ Читайте на сайте: https://aff.top/blog/sber-zapustit-svoi-kriptokoshelek
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Индия потребовала от Telegram удалять пиратский контент
Индия потребовала от Telegram удалять пиратский контент — претензия в том, что платформа не ограничивает размер файлов, что позволяет свободно распространять фильмы.
Дуров ответил, что Telegram годами работает в Индии без какой-либо коммерческой выгоды для себя.
Почему давление началось именно сейчас — вопрос открытый. Возможный ответ — в блоге.
➡️ Читайте на сайте: https://aff.top/blog/indiia-potrebovala-ot-telegram-udaliat-piratskii-kontent
🧠 Ещё больше инсайтов → в канале AFF.top
Индия потребовала от Telegram удалять пиратский контент — претензия в том, что платформа не ограничивает размер файлов, что позволяет свободно распространять фильмы.
Дуров ответил, что Telegram годами работает в Индии без какой-либо коммерческой выгоды для себя.
Почему давление началось именно сейчас — вопрос открытый. Возможный ответ — в блоге.
➡️ Читайте на сайте: https://aff.top/blog/indiia-potrebovala-ot-telegram-udaliat-piratskii-kontent
🧠 Ещё больше инсайтов → в канале AFF.top