ROAS у рекламному кабінеті: скільки продажів додала реклама

ROAS у рекламному кабінеті показує результат, який платформа зарахувала собі, але не відповідає прямо, скільки продажів додала реклама. За оглядом Measured, середнє співвідношення між платформною атрибуцією та результатом моделювання маркетингового міксу, або MMM, відрізняється у 2–5 разів залежно від каналу. Щоб вирішувати, куди спрямувати бюджет, тобі потрібно відділити зараховані конверсії від причинного впливу реклами.

Коротко:

— Платформа зараховує конверсії, але це ще не доказ приросту.

— Інкрементальні тести перевіряють, що саме додала реклама.

— Поєднуй тести, MMM та атрибуцію для різних рішень.

Чому ROAS у рекламному кабінеті завищує очікування

Уяви, що ти відкриваєш звіт і бачиш переконливий результат кампанії. Наступне запитання для бізнесу звучить просто: скільки з цих продажів відбулося саме завдяки рекламі? Зарахувати покупку кампанії та довести, що кампанія спричинила покупку, — різні завдання вимірювання.

За оглядом Measured, AI-алгоритми закупівлі на кшталт Performance Max зробили менш прозорим те, що насправді працює. Платформи оптимізуються під конверсії, які самі собі зараховують, а не під інкрементальний вплив на бізнес. Тому впевненість алгоритму у власному результаті ще не дає тобі відповіді про додаткові продажі.

Звідси й ризик завищених очікувань: ти читаєш показник атрибуції як показник приросту. Сам по собі платформний звіт не мусить бути марним чи навмисно оманливим. Проблема виникає в момент, коли ти просиш його відповісти на запитання, для якого потрібна причинно-наслідкова перевірка.

Наведений Measured розрив також не варто перетворювати на універсальний коефіцієнт для свого кабінету. Він залежить від каналу, а отже, механічно зменшити показник і назвати результат «реальним ROAS» було б необґрунтовано. Використай цю розбіжність як привід перевірити вимірювання, а не як готову поправку до всіх кампаній.

Як поєднати тести, MMM і платформну атрибуцію

За оглядом Measured, найбільш захищена рамка вимірювання на 2026 рік — тріангуляція. У ній інкрементальні тести дають причинно-наслідкову перевірку, MMM допомагає ухвалювати рішення щодо портфеля каналів, а платформна атрибуція залишається тактичним сигналом. Сенс підходу — дати кожному інструменту відповідне завдання.

Для власного розрахунку почни з визначення того, що хочеш виміряти: додаткові продажі чи додатковий дохід. Логіка інкрементальності — оцінити різницю між результатом із рекламою та тим, що відбулося б без неї. Саме цю різницю потрібно обґрунтувати експериментом, перш ніж пов'язувати її з рекламними витратами.

Якщо тобі потрібен показник віддачі саме в доході, робоча формула така: додатковий дохід, оцінений через експеримент, поділений на відповідні рекламні витрати. Це спосіб сформулювати розрахунок, а не готова оцінка твоєї кампанії. Без перевіреного додаткового доходу підставляти у чисельник усі зараховані кабінетом продажі означало б повернутися до початкової проблеми.

Технологічний інструмент для такого поєднання вже є: за оглядом Cassandra, Google випустив Meridian. Це MMM із відкритим кодом, який працює з гранульованими сигналами та калібрується інкрементальними експериментами. Тут корисна сама логіка зв'язку: експеримент допомагає налаштувати модель, а модель підтримує рішення щодо каналів.

Чому різні оцінки реклами не обов'язково суперечать одна одній

За наведеними в огляді Cassandra MMM-моделями TransUnion, серед рекламодавців у ретейлі та споживчій електроніці Google Performance Max дав на 17% вищий ROAS, ніж AI-альтернативи. Це порівняння конкретних кампаній у зазначених категоріях за допомогою MMM. Воно не доводить, що будь-який показник Performance Max у кабінеті дорівнює інкрементальному результату.

Ця оцінка й розрив між атрибуцією та MMM з огляду Measured описують різні порівняння. Їх не можна усереднювати або подавати як взаємне спростування. Кампанія може виглядати сильнішою за альтернативи в моделі, а питання про те, що саме їй зарахував кабінет, усе одно потребує окремої уваги.

Інший бік проблеми видно на CTV. За оглядом AI Digital, це середовище без кліків: людина дивиться рекламу, а шукає чи купує пізніше. Last-touch і multi-touch атрибуція, побудовані на ланцюжку кліків, такого шляху не бачать.

Тому не став знак рівності між відсутністю видимого кліку та відсутністю впливу. Для рішення про бюджет важливо запитати, яку частину поведінки взагалі здатен побачити твій метод. Інакше ти порівнюватимеш канали за зручністю спостереження, хоча хочеш порівняти їхній внесок у бізнес.

Що з цим робити

• Запиши бізнесове запитання перед аналізом. Сформулюй, який додатковий результат хочеш перевірити та яке рішення залежатиме від відповіді. Наприклад, чи є підстава збільшувати бюджет каналу після оцінки його причинного внеску.
• Розділи показники у своєму звіті. Підписуй окремо платформну атрибуцію, оцінку MMM та результат інкрементального тесту. Не зводь їх в одну колонку з назвою «ефективність», бо тоді зникне різниця між запитаннями, на які вони відповідають.
• Почни перевірку з рішення, яке зараз стоїть перед тобою. Визнач кампанію або канал, для якого потрібна оцінка додаткового результату, і сплануй інкрементальний тест. Заздалегідь узгодь, який результат експерименту використаєш у розрахунку віддачі.
• Зістав експеримент із моделлю та кабінетом. Використай тест для причинної перевірки, MMM — для портфеля каналів, атрибуцію — для тактичної роботи. Якщо оцінки розходяться, поясни різницю методів у звіті, перш ніж змінювати бюджет.

Цифра ROAS у кабінеті ще не пояснює, скільки додаткових продажів принесла реклама. На зустрічі Silicon Drinkabout у п’ятницю ти можеш розібрати своє питання про атрибуцію та докази приросту.