Эра маркетингового микса: почему MMM возвращается на трон атрибуции
В 2026 году мы окончательно попрощались с эпохой, когда один клик по баннеру в рекламной сети можно было однозначно связать с покупкой в корзине пользователя. Рост осведомленности о защите частных данных (privacy-first) и переход на серверные методы передачи данных сделали классическую модель учета последнего клика (last-click attribution) практически бесполезной. Маркетологи все чаще сталкиваются с тем, что «черный ящик» алгоритмов DSP (платформ для автоматизированной закупки рекламы) оптимизирует бюджеты на основе суррогатных метрик, которые не всегда коррелируют с реальным доходом. Настало время вернуться к математической строгости — маркетинговому моделированию микса (MMM).
Первый аргумент в пользу MMM — это способность оценивать вклад медиаканалов в условиях фрагментированного пути клиента. Современный потребитель переходит из AI-обзоров (искусственного интеллекта) в социальные сети, затем в мессенджеры, и только потом совершает сделку. Моделирование маркетингового микса позволяет нам смотреть на общий объем инвестиций и коррелировать их с объемом выручки, учитывая при этом внешние факторы: сезонность, экономическое положение потребителей и активность конкурентов. Например, крупный ритейлер бытовой техники вместо того, чтобы оценивать эффективность каждого баннера в отдельности, начал использовать MMM для распределения бюджета между охватным видео и целевым поиском. Это позволило увидеть, как рост брендового запроса спустя две недели после показа медийного ролика конвертируется в устойчивый объем продаж, даже если сам ролик не принес ни одного прямого перехода.
Второй важный аспект — это переход от тактического управления расходами к стратегическому RevOps (объединенному управлению выручкой). В 2026 году маркетинг перестал быть отделом, отвечающим за лиды (потенциальных клиентов). Теперь эффективность programmatic-кампаний измеряется через их вклад в общий LTV (пожизненную ценность клиента). Использование MMM помогает понять, какие каналы привлекают «дешевую» аудиторию, склонную к оттоку, а какие — лояльных покупателей с высоким чеком. Представим компанию из сектора подписки на облачные сервисы: через моделирование они выяснили, что высокая частота показа рекламы в programmatic-сетях на узкие сегменты аудитории снижает стоимость привлечения, но увеличивает отток в первый квартал. Снизив агрессивность охвата и перераспределив бюджет на образовательный контент, компания смогла увеличить LTV на пятнадцать процентов, несмотря на рост стоимости одного привлеченного клиента.
Третий тезис касается работы с инкрементальностью (дополнительным эффектом от рекламы). Большинство алгоритмов DSP сейчас работают по принципу самоисполняющегося пророчества: они показывают рекламу тем, кто и так совершил бы покупку. MMM, напротив, позволяет оценить, какое количество продаж было совершено исключительно благодаря воздействию рекламы, а не органически. Один из брендов косметики среднего ценового сегмента провел эксперимент, внедрив в свою аналитическую систему проверку на инкрементальность. Выяснилось, что около сорока процентов их бюджета в ретаргетинге (возврате аудитории) тратилось на пользователей, которые совершили бы покупку в любом случае. Перенаправив эти средства на эксперименты с новыми креативными сценариями, которые генерировал искусственный интеллект, бренд смог расширить охват активной аудитории без увеличения общей нагрузки на рекламный бюджет.
Наконец, нельзя игнорировать роль MMM в управлении ожиданиями внутри компании. В эпоху, когда средний чек потребителя снижается, руководство требует прозрачности в том, куда уходят бюджеты. Математическая модель, построенная на исторических данных, становится тем самым языком, на котором маркетолог говорит с финансовым директором. Она превращает догадки о «силе бренда» в конкретные цифры ожидаемого прироста выручки при изменении медиасплита (распределения бюджета).
…
В 2026 году мы окончательно попрощались с эпохой, когда один клик по баннеру в рекламной сети можно было однозначно связать с покупкой в корзине пользователя. Рост осведомленности о защите частных данных (privacy-first) и переход на серверные методы передачи данных сделали классическую модель учета последнего клика (last-click attribution) практически бесполезной. Маркетологи все чаще сталкиваются с тем, что «черный ящик» алгоритмов DSP (платформ для автоматизированной закупки рекламы) оптимизирует бюджеты на основе суррогатных метрик, которые не всегда коррелируют с реальным доходом. Настало время вернуться к математической строгости — маркетинговому моделированию микса (MMM).
Первый аргумент в пользу MMM — это способность оценивать вклад медиаканалов в условиях фрагментированного пути клиента. Современный потребитель переходит из AI-обзоров (искусственного интеллекта) в социальные сети, затем в мессенджеры, и только потом совершает сделку. Моделирование маркетингового микса позволяет нам смотреть на общий объем инвестиций и коррелировать их с объемом выручки, учитывая при этом внешние факторы: сезонность, экономическое положение потребителей и активность конкурентов. Например, крупный ритейлер бытовой техники вместо того, чтобы оценивать эффективность каждого баннера в отдельности, начал использовать MMM для распределения бюджета между охватным видео и целевым поиском. Это позволило увидеть, как рост брендового запроса спустя две недели после показа медийного ролика конвертируется в устойчивый объем продаж, даже если сам ролик не принес ни одного прямого перехода.
Второй важный аспект — это переход от тактического управления расходами к стратегическому RevOps (объединенному управлению выручкой). В 2026 году маркетинг перестал быть отделом, отвечающим за лиды (потенциальных клиентов). Теперь эффективность programmatic-кампаний измеряется через их вклад в общий LTV (пожизненную ценность клиента). Использование MMM помогает понять, какие каналы привлекают «дешевую» аудиторию, склонную к оттоку, а какие — лояльных покупателей с высоким чеком. Представим компанию из сектора подписки на облачные сервисы: через моделирование они выяснили, что высокая частота показа рекламы в programmatic-сетях на узкие сегменты аудитории снижает стоимость привлечения, но увеличивает отток в первый квартал. Снизив агрессивность охвата и перераспределив бюджет на образовательный контент, компания смогла увеличить LTV на пятнадцать процентов, несмотря на рост стоимости одного привлеченного клиента.
Третий тезис касается работы с инкрементальностью (дополнительным эффектом от рекламы). Большинство алгоритмов DSP сейчас работают по принципу самоисполняющегося пророчества: они показывают рекламу тем, кто и так совершил бы покупку. MMM, напротив, позволяет оценить, какое количество продаж было совершено исключительно благодаря воздействию рекламы, а не органически. Один из брендов косметики среднего ценового сегмента провел эксперимент, внедрив в свою аналитическую систему проверку на инкрементальность. Выяснилось, что около сорока процентов их бюджета в ретаргетинге (возврате аудитории) тратилось на пользователей, которые совершили бы покупку в любом случае. Перенаправив эти средства на эксперименты с новыми креативными сценариями, которые генерировал искусственный интеллект, бренд смог расширить охват активной аудитории без увеличения общей нагрузки на рекламный бюджет.
Наконец, нельзя игнорировать роль MMM в управлении ожиданиями внутри компании. В эпоху, когда средний чек потребителя снижается, руководство требует прозрачности в том, куда уходят бюджеты. Математическая модель, построенная на исторических данных, становится тем самым языком, на котором маркетолог говорит с финансовым директором. Она превращает догадки о «силе бренда» в конкретные цифры ожидаемого прироста выручки при изменении медиасплита (распределения бюджета).
…
**Бренд-формы в programmatic: зачем рекламодатели возвращаются к медийке через приватные деals**
Заметил сдвиг в структуре кампаний: крупные бренды стали чаще закупать не классический programmatic open auction (открытый аукцион), а приватные сделки через curated marketplaces (курируемые маркетплейсы) у крупных DSP (Demand-Side Platform, платформа автоматизированной закупки рекламы). В закупку снова возвращаются фиксированные CPM (стоимость за тысячу показов), гарантированный объём, premium-инвентарь у верифицированных издателей.
Параллельно вырос интерес к бренд-форматам: видео с возможностью досмотра, интерактивные блоки, нативные интеграции внутри контента. Складывается ощущение, что рекламодатели устали от performance-давления last-click (модель атрибуции, при которой вся ценность присваивается последнему клику перед покупкой) и ищут более стабильные и измеримые конструкции для верхней части воронки (awareness — узнаваемость, consideration — интерес к продукту). При этом бренды всё ещё хотят прозрачности: где именно показался креатив, какая аудитория его увидела, сколько раз уникальный пользователь столкнулся с сообщением.
Ещё один сигнал — спрос на Curation от SSP (Sell-Side Platform, платформа со стороны продавца рекламы) и DSP-партнёров. Рынок хочет, чтобы кто-то отфильтровал остаточный инвентарь и оставил только качественные площадки. Появляются отдельные продукты с фокусом на suitability (соответствие бренду) и brand safety (защита бренда), часто как надстройка над существующими стеками.
Вопрос к вам: в ваших кампаниях растёт доля programmatic-кампаний с гарантированной закупкой или пока всё ещё преобладает open auction? И насколько актуальна для вас работа с курируемыми маркетплейсами вместо классических закупок напрямую через DSP?
— @ProgrammaticGuidePro
Заметил сдвиг в структуре кампаний: крупные бренды стали чаще закупать не классический programmatic open auction (открытый аукцион), а приватные сделки через curated marketplaces (курируемые маркетплейсы) у крупных DSP (Demand-Side Platform, платформа автоматизированной закупки рекламы). В закупку снова возвращаются фиксированные CPM (стоимость за тысячу показов), гарантированный объём, premium-инвентарь у верифицированных издателей.
Параллельно вырос интерес к бренд-форматам: видео с возможностью досмотра, интерактивные блоки, нативные интеграции внутри контента. Складывается ощущение, что рекламодатели устали от performance-давления last-click (модель атрибуции, при которой вся ценность присваивается последнему клику перед покупкой) и ищут более стабильные и измеримые конструкции для верхней части воронки (awareness — узнаваемость, consideration — интерес к продукту). При этом бренды всё ещё хотят прозрачности: где именно показался креатив, какая аудитория его увидела, сколько раз уникальный пользователь столкнулся с сообщением.
Ещё один сигнал — спрос на Curation от SSP (Sell-Side Platform, платформа со стороны продавца рекламы) и DSP-партнёров. Рынок хочет, чтобы кто-то отфильтровал остаточный инвентарь и оставил только качественные площадки. Появляются отдельные продукты с фокусом на suitability (соответствие бренду) и brand safety (защита бренда), часто как надстройка над существующими стеками.
Вопрос к вам: в ваших кампаниях растёт доля programmatic-кампаний с гарантированной закупкой или пока всё ещё преобладает open auction? И насколько актуальна для вас работа с курируемыми маркетплейсами вместо классических закупок напрямую через DSP?
— @ProgrammaticGuidePro
Как оценить прирост от programmatic-кампании в B2B: карта инкрементального теста
В эпоху ухода last-click и роста server-side-атрибуции классические отчёты по последнему клику в DSP показывают лишь вершину айсберга. Особенно в B2B, где конверсия растянута на недели, а контакт с брендом происходит через 4–6 касаний до отправки формы. Единственный способ доказать вклад programmatic в выручку — инкрементальный тест (incrementality test). Вот как его построить за пять рабочих шагов.
**Шаг 1. Определите «чистую» контрольную группу (holdout)**
В интерфейсе DSP или через CDP отберите сегмент вашей целевой аудитории (например, по индустрии, должности и размеру компании). Разделите его случайным образом: 90% в тест (увидят креативы), 10% в холдаут (не увидят ничего). Никаких пересечений с другими каналами — если компания получает email-рассылку, она должна попасть в обе подгруппы с одинаковой вероятностью. Идеальное время холдаута — 4–6 недель.
**Шаг 2. Зафиксируйте бизнес-метрику, а не клики**
В B2B типовой сценарий: лид-формы на сайте. Однако current-attribution часто занижает вклад programmatic, так как последним касанием может быть прямой вход или поиск. Поэтому используйте единую RevOps-метрику — количество оплаченных сделок (closed-won) или созданных opportunities с источником «первое касание programmatic» за период теста. Убедитесь, что ваша CRM (Salesforce / HubSpot) корректно записывает все сессии с DSP (через server-side-трекинг).
**Шаг 3. Запустите кампанию с фиксированным бюджетом**
Не меняйте ставки и частоту в течение теста. Ежедневно сверяйте, что тестовая группа получила 1–2 показа уникальному пользователю, а холдаут — 0. Если DSP не поддерживает холдаут — выгрузите список cookie / ID клиентов и загрузите в чёрный список в адсервере.
**Шаг 4. Снимите результат через 6 недель**
Посчитайте:
— Сделки в тесте / общее количество пользователей теста = Conversion Rate Test.
— Сделки в холдауте / общее количество пользователей холдаута = Conversion Rate Holdout.
Разница между ними — **инкрементальный прирост** в процентах. Например, если CR Test = 0,15%, а CR Holdout = 0,10%, то programmatic добавил +50% к конверсии.
**Шаг 5. Пересчитайте ROI на основе прироста**
Не берите общий объём сделок — берите только те, которые *не случились бы без* DSP. Это и есть истинная ценность канала. Опираясь на эти цифры, корре
— @ProgrammaticGuidePro
В эпоху ухода last-click и роста server-side-атрибуции классические отчёты по последнему клику в DSP показывают лишь вершину айсберга. Особенно в B2B, где конверсия растянута на недели, а контакт с брендом происходит через 4–6 касаний до отправки формы. Единственный способ доказать вклад programmatic в выручку — инкрементальный тест (incrementality test). Вот как его построить за пять рабочих шагов.
**Шаг 1. Определите «чистую» контрольную группу (holdout)**
В интерфейсе DSP или через CDP отберите сегмент вашей целевой аудитории (например, по индустрии, должности и размеру компании). Разделите его случайным образом: 90% в тест (увидят креативы), 10% в холдаут (не увидят ничего). Никаких пересечений с другими каналами — если компания получает email-рассылку, она должна попасть в обе подгруппы с одинаковой вероятностью. Идеальное время холдаута — 4–6 недель.
**Шаг 2. Зафиксируйте бизнес-метрику, а не клики**
В B2B типовой сценарий: лид-формы на сайте. Однако current-attribution часто занижает вклад programmatic, так как последним касанием может быть прямой вход или поиск. Поэтому используйте единую RevOps-метрику — количество оплаченных сделок (closed-won) или созданных opportunities с источником «первое касание programmatic» за период теста. Убедитесь, что ваша CRM (Salesforce / HubSpot) корректно записывает все сессии с DSP (через server-side-трекинг).
**Шаг 3. Запустите кампанию с фиксированным бюджетом**
Не меняйте ставки и частоту в течение теста. Ежедневно сверяйте, что тестовая группа получила 1–2 показа уникальному пользователю, а холдаут — 0. Если DSP не поддерживает холдаут — выгрузите список cookie / ID клиентов и загрузите в чёрный список в адсервере.
**Шаг 4. Снимите результат через 6 недель**
Посчитайте:
— Сделки в тесте / общее количество пользователей теста = Conversion Rate Test.
— Сделки в холдауте / общее количество пользователей холдаута = Conversion Rate Holdout.
Разница между ними — **инкрементальный прирост** в процентах. Например, если CR Test = 0,15%, а CR Holdout = 0,10%, то programmatic добавил +50% к конверсии.
**Шаг 5. Пересчитайте ROI на основе прироста**
Не берите общий объём сделок — берите только те, которые *не случились бы без* DSP. Это и есть истинная ценность канала. Опираясь на эти цифры, корре
— @ProgrammaticGuidePro
Как IKEA перестроила programmatic под рост узнаваемости и повторных визитов
В 2026 году даже у сильных брендов проблема одна: last-click всё хуже объясняет вклад медийки, а в B2B и e-com ценность смещается в сторону выручки, повторных касаний и LTV. На этом фоне показателен кейс IKEA: компания использовала programmatic не как «дешёвый охват», а как управляемый канал для верхней воронки и возврата аудитории.
Контекст был такой: офлайн и онлайн-коммуникации шли параллельно, но digital-охват работал фрагментированно. При этом в корзину часто попадали не «новые» пользователи, а те, кто уже видел бренд в других каналах, но не дошёл до сайта. Задача стояла в том, чтобы поднять качество контакта, а не просто увеличить показы.
Решение строилось в несколько слоёв:
— аудиторию собрали через DMP по поведенческим и товарным сегментам: интерес к мебели, ремонту, интерьеру, семейным покупкам;
— часть показов пошла на look-alike, чтобы расширять охват на похожие группы, но без распыления бюджета;
— отдельные креативы делали под жизненные сценарии: переезд, детская комната, хранение, кухня;
— частоту ограничили, чтобы не «сжигать» бюджет на одном и том же пользователе;
— измерение перевели с одной метрики клика на связку охват + визиты + конверсии в ассистированном окне.
Что это дало. По публично описанным результатам кампаний такого типа у IKEA основной эффект был не в прямом last-click, а в росте качественного трафика и более высокой доле возвратов в брендовый поиск и на сайт после контакта с медийкой. В подобных сценариях programmatic обычно показывает 2 заметных эффекта: удешевляет охват целевой аудитории и увеличивает долю пользователей, которые позже конвертируются через другие каналы.
Главный урок простой: **programmatic работает сильнее всего там, где его считают не по клику, а по вкладу в путь пользователя**. Если у вас бренд, e-com или B2B с длинным циклом сделки, связка DMP, сегментации и privacy-first-атрибуции уже не опция, а базовая гигиена. В 2026 году выигрывает не тот, кто купил больше показов, а тот, кто точнее связал их с выручкой.
— @ProgrammaticGuidePro
В 2026 году даже у сильных брендов проблема одна: last-click всё хуже объясняет вклад медийки, а в B2B и e-com ценность смещается в сторону выручки, повторных касаний и LTV. На этом фоне показателен кейс IKEA: компания использовала programmatic не как «дешёвый охват», а как управляемый канал для верхней воронки и возврата аудитории.
Контекст был такой: офлайн и онлайн-коммуникации шли параллельно, но digital-охват работал фрагментированно. При этом в корзину часто попадали не «новые» пользователи, а те, кто уже видел бренд в других каналах, но не дошёл до сайта. Задача стояла в том, чтобы поднять качество контакта, а не просто увеличить показы.
Решение строилось в несколько слоёв:
— аудиторию собрали через DMP по поведенческим и товарным сегментам: интерес к мебели, ремонту, интерьеру, семейным покупкам;
— часть показов пошла на look-alike, чтобы расширять охват на похожие группы, но без распыления бюджета;
— отдельные креативы делали под жизненные сценарии: переезд, детская комната, хранение, кухня;
— частоту ограничили, чтобы не «сжигать» бюджет на одном и том же пользователе;
— измерение перевели с одной метрики клика на связку охват + визиты + конверсии в ассистированном окне.
Что это дало. По публично описанным результатам кампаний такого типа у IKEA основной эффект был не в прямом last-click, а в росте качественного трафика и более высокой доле возвратов в брендовый поиск и на сайт после контакта с медийкой. В подобных сценариях programmatic обычно показывает 2 заметных эффекта: удешевляет охват целевой аудитории и увеличивает долю пользователей, которые позже конвертируются через другие каналы.
Главный урок простой: **programmatic работает сильнее всего там, где его считают не по клику, а по вкладу в путь пользователя**. Если у вас бренд, e-com или B2B с длинным циклом сделки, связка DMP, сегментации и privacy-first-атрибуции уже не опция, а базовая гигиена. В 2026 году выигрывает не тот, кто купил больше показов, а тот, кто точнее связал их с выручкой.
— @ProgrammaticGuidePro
Как бренд бытовой техники ускорил programmatic-воронку без роста CPA
У крупного бренда бытовой техники стояла типичная для 2026 года задача: не просто собрать охват, а довести аудиторию до заявки на фоне подорожавшего трафика и более длинного пути к покупке. В классической схеме last-click это почти всегда выглядит как «дорогой верх, слабый низ»: медийка есть, а выручка размазана по каналам.
Что сделали:
— Пересобрали закупку в programmatic с фокусом не на объём показов, а на последовательность касаний.
— Разделили аудиторию по этапам воронки: холодная, вовлечённая, с намерением купить.
— Для каждой группы подготовили свои креативы: от первого касания до дожима.
— Подключили более строгую аналитику: смотрели не только клики, но и вклад каналов в конверсию по всей цепочке.
Результат по кейсу:
— выросла эффективность медийного трафика;
— снизилась стоимость привлечения заявки;
— увеличилась доля пользователей, которые возвращались в воронку после первого касания.
Цифры в открытом описании кейса не раскрывались, но важен сам сдвиг: programmatic перестал быть «каналом для охвата» и стал частью управляемой performance-логики. Это особенно важно сейчас, когда last-click всё хуже отражает реальный вклад медиа, а приватность и ограничения по данным подталкивают рынок к server-side, MMM и оценке прироста, а не только к финальному клику.
**Вывод для маркетолога простой:** если programmatic у вас живёт отдельно от CRM, аналитики и сценариев ретаргета, вы почти наверняка переплачиваете за верх воронки. Рабочая схема — не «купить показы», а собрать связку: сегмент → креатив → частота → следующий шаг. Тогда медийка начинает работать на выручку, а не на отчётность.
— @ProgrammaticGuidePro
У крупного бренда бытовой техники стояла типичная для 2026 года задача: не просто собрать охват, а довести аудиторию до заявки на фоне подорожавшего трафика и более длинного пути к покупке. В классической схеме last-click это почти всегда выглядит как «дорогой верх, слабый низ»: медийка есть, а выручка размазана по каналам.
Что сделали:
— Пересобрали закупку в programmatic с фокусом не на объём показов, а на последовательность касаний.
— Разделили аудиторию по этапам воронки: холодная, вовлечённая, с намерением купить.
— Для каждой группы подготовили свои креативы: от первого касания до дожима.
— Подключили более строгую аналитику: смотрели не только клики, но и вклад каналов в конверсию по всей цепочке.
Результат по кейсу:
— выросла эффективность медийного трафика;
— снизилась стоимость привлечения заявки;
— увеличилась доля пользователей, которые возвращались в воронку после первого касания.
Цифры в открытом описании кейса не раскрывались, но важен сам сдвиг: programmatic перестал быть «каналом для охвата» и стал частью управляемой performance-логики. Это особенно важно сейчас, когда last-click всё хуже отражает реальный вклад медиа, а приватность и ограничения по данным подталкивают рынок к server-side, MMM и оценке прироста, а не только к финальному клику.
**Вывод для маркетолога простой:** если programmatic у вас живёт отдельно от CRM, аналитики и сценариев ретаргета, вы почти наверняка переплачиваете за верх воронки. Рабочая схема — не «купить показы», а собрать связку: сегмент → креатив → частота → следующий шаг. Тогда медийка начинает работать на выручку, а не на отчётность.
— @ProgrammaticGuidePro
Как Lamoda перенастроила programmatic на возврат покупателей, а не на первый клик
В 2026 году у e-com и fashion одна общая боль: средний чек проседает на 5–8%, а первая покупка всё хуже окупает платный трафик. Поэтому кейсы, где programmatic работает не на «нового пользователя любой ценой», а на **retention-воронку** и LTV, становятся особенно полезными.
Контекст у Lamoda был понятный: высокий трафик, большая доля повторных покупок, но классическая закупка в DSP давала много верхневороночного охвата и мало доказанного вклада в выручку. Last-click показывал красивую картину, но в реальности часть показов просто догоняла уже готовых к покупке пользователей.
Задача была не увеличить клики, а доказать, что programmatic может возвращать в покупку тех, кто уже знаком с брендом: смотрел категории, добавлял товар в корзину, но не завершал заказ. Для этого сегмента важно не «шире купить охват», а точнее собрать аудитории и не переплатить за лишние показы.
Решение строилось в три слоя:
— Подключили first-party данные из CRM и сайта в DMP: покупатели за 30/60/90 дней, брошенные корзины, визиты в категории.
— Разделили сценарии по ценности: отдельные ставки и креативы для новых, для возвращаемых и для «спящих» клиентов.
— Перешли от оценки по клику к оценке по инкрементальности: смотрели, какой прирост заказов даёт именно показ в DSP, а не просто совпадение с уже идущим спросом.
По публично обсуждаемой логике такого подхода у fashion-брендов обычно растёт доля повторных заказов, а стоимость возврата пользователя оказывается заметно ниже стоимости привлечения нового. В похожих кейсах разница по CPA между ретаргетингом на тёплые сегменты и широким prospecting может доходить до 20–40%, если не раздувать частоту и не лить бюджет в «мёртвые» аудитории.
Главный результат здесь не в красивом CTR, а в том, что DSP перестаёт быть просто инструментом охвата. Она становится частью RevOps-логики: маркетинг отвечает не за клик, а за выручку, которую можно измерить через server-side события, MMM и тесты на прирост.
**Урок простой:** в 2026 году сильный programmatic — это не самый громкий баннер и не самый дешёвый показ. Это связка данных, частоты, сегментации и честной атрибуции. Если бренд умеет покупать не трафик, а вероятность повторной покупки, DSP начинает окупаться намного стабильнее.
— @ProgrammaticGuidePro
В 2026 году у e-com и fashion одна общая боль: средний чек проседает на 5–8%, а первая покупка всё хуже окупает платный трафик. Поэтому кейсы, где programmatic работает не на «нового пользователя любой ценой», а на **retention-воронку** и LTV, становятся особенно полезными.
Контекст у Lamoda был понятный: высокий трафик, большая доля повторных покупок, но классическая закупка в DSP давала много верхневороночного охвата и мало доказанного вклада в выручку. Last-click показывал красивую картину, но в реальности часть показов просто догоняла уже готовых к покупке пользователей.
Задача была не увеличить клики, а доказать, что programmatic может возвращать в покупку тех, кто уже знаком с брендом: смотрел категории, добавлял товар в корзину, но не завершал заказ. Для этого сегмента важно не «шире купить охват», а точнее собрать аудитории и не переплатить за лишние показы.
Решение строилось в три слоя:
— Подключили first-party данные из CRM и сайта в DMP: покупатели за 30/60/90 дней, брошенные корзины, визиты в категории.
— Разделили сценарии по ценности: отдельные ставки и креативы для новых, для возвращаемых и для «спящих» клиентов.
— Перешли от оценки по клику к оценке по инкрементальности: смотрели, какой прирост заказов даёт именно показ в DSP, а не просто совпадение с уже идущим спросом.
По публично обсуждаемой логике такого подхода у fashion-брендов обычно растёт доля повторных заказов, а стоимость возврата пользователя оказывается заметно ниже стоимости привлечения нового. В похожих кейсах разница по CPA между ретаргетингом на тёплые сегменты и широким prospecting может доходить до 20–40%, если не раздувать частоту и не лить бюджет в «мёртвые» аудитории.
Главный результат здесь не в красивом CTR, а в том, что DSP перестаёт быть просто инструментом охвата. Она становится частью RevOps-логики: маркетинг отвечает не за клик, а за выручку, которую можно измерить через server-side события, MMM и тесты на прирост.
**Урок простой:** в 2026 году сильный programmatic — это не самый громкий баннер и не самый дешёвый показ. Это связка данных, частоты, сегментации и честной атрибуции. Если бренд умеет покупать не трафик, а вероятность повторной покупки, DSP начинает окупаться намного стабильнее.
— @ProgrammaticGuidePro