Как распределить рекламный бюджет по моделям атрибуции для максимального ROMI
Эффективное распределение рекламного бюджета между различными моделями атрибуции требует глубокого понимания их принципов и интеграции со сквозной аналитикой. Цель в том, чтобы точно оценить вклад каждого канала и оптимизировать инвестиции для достижения максимального возврата маркетинговых инвестиций (ROMI).
Эффективное распределение рекламного бюджета по моделям атрибуции – это стратегический подход, который позволяет маркетологам точно оценить вклад каждого маркетингового канала в конверсию и оптимизировать свои инвестиции. Для достижения максимального возврата маркетинговых инвестиций (ROMI) необходимо не просто выбрать одну модель, а использовать комплексный подход, который учитывает специфику бизнеса, путь клиента и цель рекламной кампании. Это подразумевает глубокую интеграцию данных со сквозной аналитикой, чтобы понимать не только последнюю точку контакта, но и всю цепочку взаимодействий с клиентом.
Что такое модели атрибуции и почему это важно для бюджета
Модель атрибуции определяет правила, по которым ценность конверсии распределяется между различными точками касания пользователя с рекламными каналами на пути к покупке. Проще говоря, она отвечает на вопрос: «Какой канал или взаимодействие сыграли решающую роль в совершении целевого действия?» Без понимания этого механизма, маркетологи рискуют неправильно оценить эффективность каналов и неоптимально распределить бюджет.
Например, если вы используете модель «Последнее взаимодействие», весь успех приписывается каналу, который был последним перед конверсией. Это может быть некорректно, если пользователь изначально узнал о продукте из медийной рекламы, затем искал его в поиске, а купил, перейдя по прямой ссылке из рассылки. При такой модели вы недооцените вклад медийной и поисковой рекламы. Перераспределение бюджета на основании ошибочной атрибуции ведет к потере потенциальных клиентов и снижению ROMI.
Ключевое значение здесь имеет ROMI (Return on Marketing Investment) — это показатель, который демонстрирует окупаемость маркетинговых инвестиций. Формула ROMI: (Доход от маркетинга – Маркетинговые затраты) / Маркетинговые затраты * 100%. Если вы неправильно атрибутируете доход, вы не сможете точно рассчитать ROMI для каждого канала и, следовательно, не сможете эффективно управлять бюджетом.
«Неверная атрибуция конверсий — одна из главных причин слива рекламных бюджетов. Маркетологи часто переоценивают каналы с последним касанием и недооценивают начальные этапы воронки, что приводит к неоптимальному распределению средств и упущенным возможностям.»
Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
По последнему клику (Last Click): 100% ценности конверсии отдается последнему каналу, с которым взаимодействовал пользователь. Просто, но часто неточно, игнорирует весь предыдущий путь.
По первому клику (First Click): 100% ценности конверсии отдается первому каналу. Показывает, что привело клиента в воронку, но игнорирует последующие взаимодействия.
Линейная (Linear): Ценность конверсии равномерно распределяется между всеми точками касания. Дает общее представление, но не выделяет наиболее значимые этапы.
С учетом позиции (Position-Based/U-образная): Первому и последнему взаимодействию присваивается по 40% ценности, оставшиеся 20% распределяются между промежуточными. Хороша для длинных воронок.
С учетом давности (Time Decay): Каналы, более близкие к моменту конверсии, получают больший вес. Учитывает временной фактор.
На основе данных (Data-Driven): Использует алгоритмы машинного обучения для распределения ценности на основе реальных данных аккаунта. Считается наиболее точной, но требует большого объема данных и сложна в реализации.
Выбор модели зависит от бизнес-целей. Если вы хотите быстро получить лиды, модель «По последнему клику» может показать неплохой результат. Но для формирования бренда и длинных циклов продаж нужна более комплексная атрибуция.
Интеграция со сквозной аналитикой – фундамент эффективного распределения
Распределение бюджета по моделям атрибуции становится по-настоящему эффективным только при наличии сквозной аналитики. Сквозная аналитика объединяет данные из всех источников: рекламных систем, CRM, сайта, коллтрекинга, электронной почты. Это позволяет проследить путь клиента от первого контакта до покупки и повторных продаж, а также соотнести маркетинговые затраты с реальным доходом.
Без сквозной аналитики вы видите только часть картины. Например, рекламная система покажет вам стоимость клика и конверсии по своей модели атрибуции, но не свяжет это с доходом от конкретного клиента в CRM. Это приводит к разрозненным данным и неточным выводам. Интеграция данных позволяет применить выбранную модель атрибуции ко всей цепочке взаимодействий и получить единую, достоверную картину эффективности.
Этапы внедрения сквозной аналитики для атрибуции
1.Сбор данных: Установка UTM-меток на все рекламные ссылки, подключение коллтрекинга, настройка передачи данных из CRM в аналитические системы (например, Google Analytics 4, Яндекс Метрика, специализированные BI-платформы).
2.Объединение данных: Использование систем сквозной аналитики (Roistat, Calltouch, Alytics или кастомные решения на базе Power BI/Tableau) для объединения информации по каждому пользователю.
3.Очистка и нормализация данных: Удаление дубликатов, приведение форматов к единому стандарту.
4.Выбор и применение модели атрибуции: Тестирование различных моделей и выбор наиболее подходящей для вашего бизнеса.
5.Анализ и оптимизация: Регулярный анализ полученных данных для корректировки рекламных кампаний и распределения бюджета.
Стратегии распределения бюджета с учетом моделей атрибуции
Не существует универсальной модели атрибуции. Выбор и стратегия распределения бюджета должны основываться на ваших бизнес-целях, длительности цикла продаж и поведении аудитории.
Подход 1: Тестирование и сравнение моделей
Начните с тестирования нескольких моделей атрибуции. Например, сравните «По последнему клику», «Линейную» и «На основе данных». Это позволит увидеть, как меняется ценность каналов в зависимости от подхода. Используйте А/В тестирование, направляя часть трафика на одну модель, часть на другую. Сравнивайте ROMI и CPA (стоимость привлечения клиента) по каждой модели.
Пример: Рекламный бюджет 500 000 рублей в месяц. Вы тестируете две модели: «Последний клик» и «На основе данных».
Модель «Последний клик»: Показывает, что контекстная реклама приносит 70% конверсий, медийная – 10%, email-маркетинг – 20%.
Модель «На основе данных»: Контекстная реклама – 40%, медийная – 30%, email-маркетинг – 30%.
При модели «Последний клик» вы бы направили большую часть бюджета (350 000 руб.) в контекст. При «На основе данных» распределение выглядит так: контекст 200 000 руб., медийная 150 000 руб., email 150 000 руб. Это более сбалансировано и учитывает вклад медийной рекламы в верхнюю часть воронки.
Подход 2: Мультиканальное распределение на основе данных
Наиболее продвинутый подход – использование модели атрибуции на основе данных (Data-Driven Attribution). Эта модель анализирует все пути конверсии и присваивает каждому каналу и взаимодействию наиболее точный вес, основываясь на статистических методах и машинном обучении. Она выявляет скрытые зависимости и вклад каналов, которые могут казаться неэффективными при более простых моделях.
После получения данных от Data-Driven модели, вы можете перераспределить бюджет. Если канал, который по «Последнему клику» казался неэффективным, по Data-Driven получает значительную долю ценности, имеет смысл увеличить в него инвестиции. И наоборот.
«Переход на Data-Driven атрибуцию обычно увеличивает ROMI на 10-20% для компаний с большим объемом данных, так как она позволяет более точно идентифицировать ценность каждого рекламного контакта.»
Рассмотрим B2B-компанию, которая продает сложное ПО. Средний чек сделки (LTV) – 500 000 рублей. Цикл сделки составляет 3-6 месяцев. Месячный рекламный бюджет – 1 500 000 рублей. Каналы: контекстная реклама, медийная реклама, таргетированная реклама в деловых соцсетях, контент-маркетинг (статьи, вебинары), email-маркетинг.
Исходная ситуация (модель «Последний клик»)
Компания использовала модель «Последний клик». Распределение бюджета было следующим:
Контекстная реклама: 900 000 руб. (60%)
Таргетированная реклама: 300 000 руб. (20%)
Email-маркетинг: 200 000 руб. (13.3%)
Медийная реклама: 100 000 руб. (6.7%)
Контент-маркетинг: 0 руб. (не учитывался напрямую)
Итого: 1 500 000 руб.
По данной модели, ROMI казался высоким у контекстной рекламы (250%), у таргетированной – 180%, у email – 150%. Медийная реклама и контент-маркетинг показывали низкий или нулевой ROMI, потому что редко были последним касанием перед покупкой.
Проблема: Компания заметила снижение общего числа новых лидов, хотя CPA по «Последнему клику» оставался приемлемым. Очевидно, что каналы в начале воронки были недооценены.
Переход на Data-Driven атрибуцию и сквозная аналитика
Компания внедрила сквозную аналитику, объединив данные из рекламных кабинетов, CRM и системы аналитики сайта. На основе полученных данных была применена Data-Driven модель атрибуции. После анализа 1000+ сделок, новая модель показала совершенно иную картину:
Контекстная реклама: 30% ценности конверсий. (Несомненно важна для 'горячего' спроса, но не является единственным драйвером).
Таргетированная реклама: 25% ценности. (Привлекает внимание на этапе осведомленности).
Медийная реклама: 20% ценности. (Формирует первоначальный интерес и узнаваемость).
Контент-маркетинг: 15% ценности. (Обучает, повышает доверие, помогает принять решение на разных этапах воронки).
Email-маркетинг: 10% ценности. (Подогревает интерес, подталкивает к завершению сделки).
Новое распределение бюджета и результаты
На основании Data-Driven модели, бюджет был перераспределен следующим образом:
Контекстная реклама: 450 000 руб. (30%)
Таргетированная реклама: 375 000 руб. (25%)
Медийная реклама: 300 000 руб. (20%)
Контент-маркетинг: 225 000 руб. (15%)
Email-маркетинг: 150 000 руб. (10%)
Итого: 1 500 000 руб.
Расчет CPA и ROMI по каналам:
Допустим, после перераспределения мы получили 30 сделок в месяц (вместо 25 ранее при Last Click). Общий доход: 30 сделок * 500 000 руб. = 15 000 000 руб.
При Last Click ROMI был (25 сделок * 500 000 - 1 500 000) / 1 500 000 * 100% = 733%.
Увеличение ROMI на 167 процентных пунктов за счет более точной атрибуции и перераспределения бюджета.
Этот кейс демонстрирует, как переход от простой модели атрибуции к Data-Driven, подкрепленный сквозной аналитикой, позволил компании не только точнее оценить вклад каждого канала, но и существенно увеличить общий ROMI, оптимизировав затраты на ранних этапах воронки продаж.
Как измерить эффективность и окупаемость каждой модели
Измерение эффективности и окупаемости разных моделей атрибуции – это непрерывный процесс. Вы не просто выбираете модель один раз, а постоянно мониторите, насколько она соответствует вашим целям и как влияет на ключевые метрики.
Ключевые метрики для оценки
ROMI по каждому каналу: Это ключевой показатель. Сравнивайте ROMI для каждого канала, рассчитанный по разным моделям атрибуции.
CPA (Cost Per Acquisition): Стоимость привлечения одного клиента. Если по одной модели CPA для канала выглядит высоким, а по другой, более реалистичной – приемлемым, это повод пересмотреть отношение к каналу.
LTV (Lifetime Value): Пожизненная ценность клиента. Модели атрибуции должны помогать выявлять каналы, которые приводят клиентов с более высоким LTV, а не только тех, кто быстро сконвертировался.
Количество конверсий: Общее число целевых действий, приписанных каналам по разным моделям.
Длина и сложность пути клиента: Чем дольше и сложнее путь, тем менее подходящей будет простая модель атрибуции.
Методика сравнения и принятия решений
Начните с базовой модели (например, «Последний непрямой клик», которая игнорирует прямой трафик как последний контакт) и постепенно добавляйте более сложные. Используйте инструменты аналитики (GA4, Яндекс Метрика, специализированные платформы) для сравнения отчетов по разным моделям.
Например, если вы видите, что по модели «Последний клик» органический поиск генерирует 50% всех продаж, но по модели «С учетом давности» его доля снижается до 30%, а доля медийной рекламы возрастает с 5% до 20%, это сигнал. Это означает, что медийная реклама играет важную роль в начале пути, но её вклад недооценивается простой моделью. Вывод: необходимо пересмотреть бюджет в пользу медийной рекламы, чтобы стимулировать верхнюю часть воронки.
Проводите пилотные запуски с новым распределением бюджета, основанным на выбранной модели. Отслеживайте изменения ROMI, количества лидов, продаж и стоимости привлечения клиента. При необходимости корректируйте модель и распределение.
Частые ошибки и как их избежать
Даже при наличии продвинутых инструментов, маркетологи часто допускают ошибки, которые нивелируют все усилия по оптимизации атрибуции.
Игнорирование офлайн-каналов: Если ваш бизнес включает звонки, встречи или другие офлайн-взаимодействия, их необходимо учитывать в сквозной аналитике через коллтрекинг и интеграцию с CRM. Иначе данные будут неполными.
Слишком быстрые выводы: Для Data-Driven моделей требуется значительный объем данных и время для обучения. Не делайте поспешных выводов после нескольких дней или недель.
Отсутствие UTM-меток: Неразмеченные ссылки – это «черные дыры» в аналитике. Всегда используйте корректные UTM-метки.
Слепое доверие одной модели: Ни одна модель не идеальна. Используйте их как инструмент для принятия решений, но всегда дополняйте экспертным мнением и знанием специфики бизнеса.
Недостаточная глубина данных: Если вы не отслеживаете LTV клиента, то оптимизация только по CPA может привести к привлечению клиентов, которые приносят мало прибыли в долгосрочной перспективе.
Отсутствие тестирования: Без постоянного тестирования и сравнения различных моделей вы не сможете найти оптимальное решение для вашего бизнеса.
Заключение и рекомендации по оптимизации
Эффективное распределение рекламного бюджета через модели атрибуции — это не разовое действие, а цикл непрерывного анализа и оптимизации. Мой подход всегда базируется на цифрах и прозрачности вклада каждого канала.
1.Внедрите сквозную аналитику: Это первый и самый важный шаг. Без нее невозможно получить полную и достоверную картину пути клиента.
2.Начните с простых моделей, затем переходите к сложным: Если у вас мало данных, начните с линейной или U-образной модели. По мере накопления данных переходите к Data-Driven.
3.Не бойтесь экспериментировать: Тестируйте разные модели атрибуции и их влияние на ROMI и CPA. Выделите часть бюджета на экспериментальные кампании.
4.Учитывайте специфику бизнеса: Модель атрибуции для B2C с коротким циклом сделки будет отличаться от B2B с длинным. Настройте модель под ваши реалии.
5.Регулярно пересматривайте стратегию: Рынок и поведение потребителей меняются. Пересматривайте свои модели атрибуции и распределение бюджета как минимум раз в квартал.
6.Фокусируйтесь на ROMI: Главная цель – не просто привлечь лиды, а получить максимальный возврат на инвестиции. Оптимизируйте бюджет с этой целью.
7.Обучайте команду: Убедитесь, что все члены вашей маркетинговой команды понимают, как работают модели атрибуции и как использовать эти данные для принятия решений.
Помните, что идеальной модели атрибуции не существует. Есть наиболее подходящая для ваших текущих целей и доступных данных. Постоянное совершенствование подхода к атрибуции позволит вам не просто тратить деньги на рекламу, а инвестировать их с максимальной отдачей.
Продвинутые стратегии использования атрибуции для масштабирования
После того как базовая система атрибуции настроена и вы начали получать первые результаты, встаёт вопрос о масштабировании и дальнейшем повышении эффективности. Это требует более глубокого погружения в данные и применения продвинутых стратегий. Речь идёт не просто о перераспределении бюджета, а о формировании адаптивной рекламной системы, способной реагировать на изменения рынка и поведения потребителей. Здесь мы уже говорим о предиктивной аналитике и машинных алгоритмах, которые могут предсказывать влияние каждого касания на конверсию.
Предиктивная аналитика для будущего распределения
Предиктивная аналитика позволяет не просто анализировать прошлое, но и прогнозировать будущее поведение рекламных каналов и пользователей. Используя исторические данные по конверсиям, стоимости кликов, CTR и поведенческим паттернам, можно построить модели, которые предскажут ROMI для разных сценариев распределения бюджета. Например, если вы видите, что с приближением крупного праздника эффективность медийной рекламы за 2-3 недели до события значительно возрастает, предиктивная модель учтет это, предложив увеличить бюджет на этот канал заранее.
Предположим, ваша модель атрибуции на основе сквозной аналитики показывает, что на этапе осведомлённости канал А приносит 20% вклада в ROMI, на этапе интереса канал B 30%, а на этапе решения канал C 50%. С помощью предиктивной аналитики вы можете спрогнозировать, что при увеличении бюджета на канал А на 15% за счёт оптимизации объявлений, его вклад в ROMI на этапе осведомлённости может вырасти до 25%. Таким образом, вы можете перераспределить бюджет в размере 15% от текущих затрат на канал А, ожидая роста общего ROMI.
Автоматизация и машинное обучение в управлении ставками
Современные платформы автоматизации маркетинга и системы управления ставками уже используют принципы машинного обучения для оптимизации кампаний на основе выбранной модели атрибуции. Вместо ручного распределения бюджета или ставок, алгоритмы могут в реальном времени корректировать их, ориентируясь на достижение максимального ROMI или CPA, учитывая ценность каждого касания. Это особенно актуально для крупных рекламных бюджетов, где ручное управление становится неэффективным.
Представьте ситуацию: ваш недельный рекламный бюджет составляет 1 000 000 рублей. Ваша система автоматического управления ставками, интегрированная с Data-Driven моделью атрибуции, обнаруживает, что во вторник вечером конверсия из канала X, который отвечает за ранние касания, неожиданно возрастает на 15% для сегмента «новые пользователи». Система автоматически увеличивает ставки по ключевым словам для этого сегмента в канале X на 10%, перераспределяя часть бюджета с менее эффективных каналов на этот период. Это позволяет захватить всплеск интереса, не дожидаясь ручной корректировки, и потенциально увеличить общую прибыль. Если такой подход позволяет увеличить ROMI на 2% от общего бюджета в 1 000 000 рублей, это принесет дополнительные 20 000 рублей прибыли еженедельно.
«Настоящая ценность атрибуции проявляется не в ретроспективе, а в способности предсказывать и формировать будущие результаты. Маркетологи, использующие предиктивные модели, не просто реагируют на рынок, они его опережают.»
— Анастасия Ковалёва, ведущий аналитик по маркетинговым данным в крупном e-commerce
Оценка воронки продаж и пользовательского пути в контексте атрибуции
Эффективное распределение бюджета тесно связано с пониманием всей воронки продаж и пользовательского пути. Каждая модель атрибуции по-разному распределяет ценность по точкам контакта, но важно понимать, как эти точки контакта влияют на прохождение пользователя по воронке. Некоторые каналы отлично работают на верхних этапах воронки (осведомлённость, интерес), другие – на нижних (намерение, действие).
Анализ влияния каналов на этапах воронки
Рассмотрим типичную воронку продаж и вклад различных каналов в неё:
Осведомлённость (Awareness): На этом этапе пользователи только узнают о продукте или проблеме. Здесь эффективны медийная реклама (баннеры, видео), контент-маркетинг (статьи, блоги), PR. Цель – охват и первое касание.
Интерес (Interest): Пользователи начинают искать больше информации. SEO, контекстная реклама по общим запросам, социальные сети, рассылки. Цель – вовлечение и предоставление ценности.
Желание (Desire): Пользователи сравнивают, выбирают. Ретаргетинг, email-маркетинг с акциями, обзоры продуктов, вебинары. Цель – формирование конкретного намерения.
Действие (Action): Пользователь готов совершить покупку. Контекстная реклама по брендовым и коммерческим запросам, email-рассылки с финальными предложениями, прямые заходы. Цель – конверсия.
Каждая модель атрибуции будет по-разному оценивать вклад этих каналов. Например, модель «Линейная» равномерно распределит ценность, а «Last Click» отдаст всё последнему касанию. Но понимание этапов воронки позволяет более осознанно интерпретировать эти данные.
Допустим, на вашем сайте 100 000 уникальных посетителей в месяц. Из них 10 000 добавляют товар в корзину (конверсия из посетителя в добавление в корзину 10%), и только 1000 совершают покупку (конверсия из добавления в корзину в покупку 10%). Если канал А (медийная реклама) приводит 60% первых касаний, но только 5% финальных конверсий, а канал Б (брендовая контекстная реклама) приводит 5% первых касаний, но 50% финальных конверсий – модель «Последний клик» будет переоценивать канал Б и недооценивать А. Data-Driven модель, напротив, покажет, что для поддержания объёмов конверсий необходимо сохранять бюджет на медийной рекламе, иначе количество пользователей, доходящих до этапа интереса, сократится, и это в итоге снизит финальные продажи, несмотря на высокую конверсию по брендовой контекстной рекламе.
Сегментация аудитории для точечной атрибуции
Разные сегменты аудитории по-разному взаимодействуют с рекламными каналами. Новые пользователи могут требовать больше касаний на верхних этапах воронки, в то время как возвратные пользователи могут конвертироваться быстрее, реагируя на ретаргетинг или прямые рассылки. Сегментация позволяет применять разные модели атрибуции или взвешивать их результаты для каждой группы.
Для новых пользователей: Использовать модели, которые учитывают несколько касаний (Линейная, Временной спад, Data-Driven), чтобы справедливо оценить каналы, отвечающие за первое знакомство.
Для лояльных клиентов: Модели, такие как «Last Click» или «First Click», могут быть более релевантными, если эти клиенты уже знакомы с брендом и совершают импульсивные покупки или реагируют на конкретные акции.
Для дорогих продуктов/услуг с долгим циклом сделки: Мультиканальные модели с акцентом на ранние и средние касания, чтобы оценить весь комплекс усилий по прогреву клиента.
Разделение бюджета на основе этих сегментов позволит увеличить ROMI. Например, если сегмент «Новые пользователи» приносит 70% от всех новых лидов, но его CPA на 30% выше, чем для сегмента «Возвратные пользователи», то применение Data-Driven модели, показывающей, что для «Новых пользователей» ключевую роль играют 3-4 касания (медийная реклама, SMM, поисковая реклама), позволит более точно распределить их бюджет. Вместо того чтобы снижать затраты на медийную рекламу, как могла бы предложить модель «Последний клик», Data-Driven укажет на её ценность в начале воронки. Если для этого сегмента средний чек составляет 10 000 рублей, а цикл сделки – 30 дней, то каждая правильно атрибутированная конверсия имеет высокую ценность, и ошибки в распределении бюджета обходятся дорого.
Бюджетирование и ROMI: Расширенный подход
Традиционно ROMI рассчитывается как (Доход от маркетинга – Затраты на маркетинг) / Затраты на маркетинг * 100%. Однако при использовании различных моделей атрибуции этот расчёт может и должен быть более детализированным.
Атрибуционный ROMI (A-ROMI)
A-ROMI – это ROMI, который учитывает вклад каждого канала или касания согласно выбранной модели атрибуции. Вместо того чтобы приписывать всю заслугу одному каналу (как в Last Click), A-ROMI распределяет ценность, что даёт более точное представление об эффективности каждого канала в контексте общей стратегии.
Предположим, у нас есть три канала: Контекстная реклама (КР), Социальные сети (СС), Email-маркетинг (ЕМ). Общий доход – 1 000 000 рублей, общие затраты – 200 000 рублей. Классический ROMI = (1 000 000 - 200 000) / 200 000 = 400%.
Если мы используем Data-Driven модель атрибуции и она распределяет доход так:
КР: 40% от дохода = 400 000 рублей. Затраты на КР = 100 000 рублей. A-ROMI (КР) = (400 000 - 100 000) / 100 000 = 300%.
СС: 35% от дохода = 350 000 рублей. Затраты на СС = 60 000 рублей. A-ROMI (СС) = (350 000 - 60 000) / 60 000 = 483%.
ЕМ: 25% от дохода = 250 000 рублей. Затраты на ЕМ = 40 000 рублей. A-ROMI (ЕМ) = (250 000 - 40 000) / 40 000 = 525%.
Такой детальный расчёт показывает реальную эффективность каждого канала, позволяя увидеть, что Email-маркетинг, несмотря на меньшую долю в доходе, имеет самый высокий A-ROMI, что может быть аргументом для увеличения бюджета на этот канал, при прочих равных условиях.
Окупаемость инвестиций по моделям атрибуции
Помимо ROMI, важно оценивать окупаемость инвестиций с учётом атрибуции. Это позволяет понять, как быстро вложенные средства возвращаются. Особенно актуально при работе с длинными циклами сделок.
Для примера возьмём B2B-компанию с циклом сделки в 90 дней и средним чеком в 500 000 рублей. Мы инвестировали 150 000 рублей в медийную рекламу и 100 000 рублей в поисковую рекламу. Через 90 дней, используя Data-Driven модель атрибуции, мы видим, что медийная реклама принесла 30% от дохода в 1 500 000 рублей (т.е. 450 000 рублей), а поисковая реклама – 70% (1 050 000 рублей).
Для медийной рекламы: доход 450 000 рублей, затраты 150 000 рублей. Окупаемость: (450 000 – 150 000) / 150 000 = 200%.
Для поисковой рекламы: доход 1 050 000 рублей, затраты 100 000 рублей. Окупаемость: (1 050 000 – 100 000) / 100 000 = 950%.
Эти показатели дают понимание не только эффективности, но и того, насколько быстро инвестиции в каждый канал приносят прибыль. В данном случае, поисковая реклама значительно опережает медийную по скорости окупаемости, что может стать причиной для увеличения её доли в бюджете, если цель – быстрая прибыль. Если же цель – охват и работа на перспективу, доля медийной рекламы может быть оправдана, но требует долгосрочной оценки.
Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
Пока нет комментариев. Будьте первым!