Сообщить об ошибкеКороткий ответ
Единого правильного решения нет — нужно привести все каналы к единой независимой модели измерения (собственная аналитика, MMM или серия контролируемых экспериментов), явно признавая неопределённость, и распределять бюджет на основе этой независимой оценки, а не на основе самоотчётности каждой платформы.
Как это работает подробнее
каждая платформа заинтересована показывать максимально выгодную для себя атрибуцию, поэтому сумма отчётных конверсий по всем платформам почти всегда превышает фактическое количество продаж бизнеса — это известная проблема «over-attribution» при мультиканальном бюджетировании; без независимого источника истины (CRM/транзакционные данные) решения о распределении бюджета рискуют систематически переинвестировать в каналы с наиболее «щедрой» к себе атрибуцией, а не в реально самые эффективные.
Что использовать на практике
- На практике. крупные команды выстраивают собственный атрибуционный слой с единой моделью для сравнения каналов, параллельно используя периодические инкрементальные эксперименты для калибровки весов атрибуции; это требует инвестиций в данные и аналитику, которые могут быть неоправданы для бизнеса с небольшим бюджетом.
- Компромисс. Построение полноценного независимого атрибуционного слоя даёт наиболее надёжную картину, но стоит дорого в деньгах, времени и организационной сложности и может быть неоправданно для бизнеса с ограниченным масштабом; упрощённый подход дешевле и быстрее внедрить, но менее точен и может недооценивать верхнеуровневые/охватные каналы. Выбор зависит от размера бюджета, зрелости аналитической команды и от того, насколько высока цена ошибки в распределении бюджета.
- Пример. Сумма отчётных конверсий Google Ads + Meta + DSP за месяц составляет 1 400, при этом фактическое число новых оплаченных заказов по CRM — 850.
- Проверка. построение единой атрибуционной модели на стороне бизнеса и сравнение получившегося распределения вклада каналов с распределением по «сырым» отчётам платформ — разница в приоритетах распределения бюджета до и после нормализации показывает степень искажения от over-attribution.
Подводные камни
- Частая ошибка. сравнивать «нативный» ROAS из разных рекламных кабинетов напрямую как будто это сопоставимые числа; выбирать инвестиционные решения только на основе платформенной атрибуции без хотя бы периодической валидации через эксперимент или сверку с фактической выручкой.