Медиаплан и ROMI post-cookie: как считать эффективность в новой реальности
Блокировка сторонних cookie и усиление мер против fingerprinting значительно искажают традиционные модели атрибуции. Чтобы адекватно оценить ROMI и скорректировать медиаплан в этих условиях, необходимо внедрять гибридные модели атрибуции, использовать server-side отслеживание и активно применять аналитику первого порядка.

Корректировка медиаплана и расчёт ROMI в условиях блокировки сторонних куки и fingerprinting требуют пересмотра традиционных подходов к атрибуции. Основа решения — это переход от cookie-центричных моделей к гибридным, сочетающим данные первого порядка, server-side трекинг, анализ конверсионных путей и методы статистического моделирования. Такой подход позволяет получить более полную картину взаимодействия пользователя и бизнеса, снизить искажения в оценке эффективности каналов и принимать обоснованные решения по распределению бюджета.
Почему привычная атрибуция больше не работает
Традиционные модели атрибуции, такие как Last Click, First Click или линейная, базировались на сторонних куки-файлах. Они позволяли отслеживать путь пользователя через множество каналов и устройств, фиксировать точки касания и присваивать ценность каждой из них. С блокировкой сторонних куки, которая уже происходит в Safari и Firefox и ожидается в Chrome, а также с развитием технологий fingerprinting (когда браузеры активно борются с такими методами идентификации пользователя без его согласия), эта цепочка прерывается. Мы теряем возможность связывать действия одного и того же пользователя на разных сайтах и даже иногда в рамках одного сайта при определённых сценариях.
Результат – разрыв пользовательских сессий, некорректное присвоение конверсий, завышение роли прямых заходов и органического трафика, и, как следствие, неверные выводы об эффективности платных каналов. Приведу пример: пользователь увидел рекламу в VK Рекламе, перешёл по ней, но не купил сразу. Через день он вспомнил о продукте, зашёл напрямую на сайт и совершил покупку. Без сторонних куки или с их блокировкой, эта конверсия будет приписана прямому заходу, а VK Реклама останется недооценённой. Это критично влияет на ROMI.
Новые подходы к атрибуции в эпоху post-cookie
В условиях отсутствия или ограничений сторонних куки, ключевым становится переход к данным первого порядка (first-party data) и методам моделирования. Это не универсальное решение, но максимально приближенное к тому, что мы имели раньше.
Server-side трекинг
Это передача данных о событиях не напрямую из браузера пользователя рекламным платформам, а через собственный сервер. Ваш сервер получает событие, обрабатывает его и уже от своего имени отправляет в нужные системы (например, VK Реклама, Яндекс Метрика). Это позволяет обойти многие ограничения браузеров и блокировщиков, связанные с third-party cookie, и повысить точность сбора данных. Такой подход даёт больший контроль над собираемыми данными и их структурой.
Например, вы можете настроить server-side GTM. Пользователь заходит на сайт, происходит событие 'Просмотр страницы'. Ваш GTM-сервер получает это событие, добавляет к нему уникальный идентификатор пользователя (если он известен, например, после авторизации) и отправляет в рекламные кабинеты. Это даёт гораздо большую устойчивость к блокировкам.
Гибридные модели атрибуции
Это комбинация различных подходов: правил (last click для определённых сценариев), данных первого порядка (авторизации, email), и алгоритмов машинного обучения. Модели на основе данных (Data-Driven Attribution, DDA) в Google Analytics 4 уже используют машинное обучение для распределения ценности между точками касания, опираясь на комбинацию доступных сигналов, включая поведенческие паттерны и данные о конверсиях. Они более устойчивы к потере отдельных куки, так как не привязаны жёстко к одной технологии.
Важно понимать, что идеальной универсальной модели не существует. Нужно тестировать и адаптировать. Один из вариантов — это DDA, который Google позиционирует как основной в GA4. Он учитывает все точки касания, присваивая им ценность на основе алгоритмов машинного обучения, что лучше, чем слепая Last Click.
Моделирование конверсий (Conversion Modeling)
Рекламные платформы, такие как Google Ads и VK Реклама, активно развивают механизмы моделирования конверсий. Если часть данных теряется из-за блокировок, эти системы используют исторические данные и машинное обучение для прогнозирования недостающих конверсий. Это позволяет компенсировать пробелы в атрибуции, основываясь на поведении похожих пользователей и общих тенденциях. Здесь крайне важен объём и качество ваших собственных данных.
Будущее атрибуции лежит в слиянии данных первого порядка с передовыми методами моделирования. Без этого мы рискуем принимать решения вслепую, основываясь на неполных и искажённых метриках.
— Кристина Хальворсон, эксперт по контент-стратегии
Расчёт ROMI в условиях пост-куки: новые реальности
ROMI (Return On Marketing Investment) — это показатель рентабельности маркетинговых инвестиций. Формула остаётся прежней: ROMI = (Доход от маркетинга – Расходы на маркетинг) / Расходы на маркетинг * 100%. Однако изменились способы получения данных для этой формулы.
Шаг 1: Сбор максимально полных данных
- 1.Server-side трекинг: Внедряем GTM Server-Side для отправки событий в рекламные платформы. Это снижает потери данных от блокировщиков.
- 2.Улучшенный сбор данных первого порядка: Активно собираем email, телефоны, User ID через формы подписки, регистрации, авторизации. Передаём эти данные в рекламные системы для улучшения сопоставления (Enhanced Conversions в Google Ads, передача CRM-данных в VK Рекламу).
- 3.CRM-интеграция: Настраиваем интеграцию вашей CRM с аналитическими системами и рекламными кабинетами. Это позволяет связывать маркетинговые касания с реальными продажами и прибылью, даже если путь был длинным и прерывистым.
- 4.Автономные измерения: Используем промокоды, специальные лендинги для отслеживания офлайн-конверсий или конверсий, которые сложно отследить онлайн.
Шаг 2: Выбор адекватной модели атрибуции
Забудьте про Last Click для оценки эффективности верхних и средних уровней воронки. Переходите на Data-Driven Attribution в Google Analytics 4, если объём данных позволяет. Если нет, используйте позиционную модель (Position-Based) или линейную, но с поправками на специфику каналов. Например, для брендовых кампаний, которые подогревают интерес к прямым заходам, Last Click будет сильно завышать эффективность прямого трафика.
Шаг 3: Моделирование и прогнозирование
Используйте встроенные функции рекламных платформ для моделирования конверсий. Там, где данных не хватает, можно применять собственные статистические модели, основанные на корреляциях между затратами и продажами по временным рядам. Это требует более глубокой аналитики, но даёт более точную картину.
Мышление performance-маркетолога теперь должно быть гибридным: не только про метрики, но и про вероятности, прогностические модели и целостную картину взаимодействия с клиентом.
— Дарья Андреева, ведущий аналитик Rusability
Пример корректировки медиаплана и расчёта ROMI
Предположим, у нас интернет-магазин электроники. Ранее мы рассчитывали ROMI по модели Last Click через Google Analytics Universal. Бюджет на маркетинг был 500 000 рублей в месяц, доход — 1 500 000 рублей. ROMI = (1 500 000 – 500 000) / 500 000 * 100% = 200%.
После перехода на GA4 и внедрения server-side трекинга, а также использования Enhanced Conversions, мы видим следующую картину. Старая модель Last Click недооценивала VK Рекламу на 30% и Яндекс Директ на 15%, при этом переоценивая прямые заходы на 40% и органику на 20%. Это означает, что 30% конверсий, ранее приписанных прямым заходам, на самом деле инициировались VK Рекламой, и так далее.
Новая картина распределения дохода (упрощённо, после перерасчёта по Data-Driven модели):
- VK Реклама: ранее 300 000 руб., теперь 450 000 руб. (+50%)
- Яндекс Директ: ранее 400 000 руб., теперь 460 000 руб. (+15%)
- SEO (органика): ранее 500 000 руб., теперь 400 000 руб. (-20%)
- Прямые заходы: ранее 300 000 руб., теперь 190 000 руб. (-36.6%)
Допустим, расходы на каналы были следующие:
- VK Реклама: 150 000 руб.
- Яндекс Директ: 200 000 руб.
- SEO: 50 000 руб. (расходы на агентство)
- Прочие расходы: 100 000 руб.
Расчёт ROMI по каналам с новой атрибуцией:
- ROMI VK Реклама = (450 000 – 150 000) / 150 000 * 100% = 200%
- ROMI Яндекс Директ = (460 000 – 200 000) / 200 000 * 100% = 130%
- ROMI SEO = (400 000 – 50 000) / 50 000 * 100% = 700%
Вывод: без корректной атрибуции мы бы недооценивали VK Рекламу и Яндекс Директ, возможно, даже сократили бы их бюджеты, и перераспределяли бы деньги в менее эффективные каналы (если бы это было возможно с прямым трафиком). Реальный ROMI по VK Рекламе вдвое выше, чем мог казаться. Это позволяет нам уверенно увеличить бюджет на VK Рекламу и пересмотреть структуру инвестиций в Яндекс Директ, а также понять реальную ценность SEO.
Корректировка медиаплана: от тактики к стратегии
Получив адекватные данные по ROMI, можно приступать к пересмотру медиаплана. Это не просто перераспределение бюджета, а стратегическое решение. Если ранее мы могли ориентироваться на CPA (Cost Per Action) или CPL (Cost Per Lead) с привязкой к Last Click, то теперь нужно смотреть глубже.
Приоритизация каналов
Каналы, которые играют роль на верхних этапах воронки (охватная реклама, контент-маркетинг), часто недооцениваются по Last Click. Новые модели атрибуции помогут им получить заслуженную ценность. Если ранее вы инвестировали, например, 100 000 рублей в медийную рекламу и получали 0 прямых конверсий по Last Click, теперь DDA может показать, что она приносит 50 000 рублей ассоциированного дохода, тем самым делая её инвестиционно привлекательной.
Оптимизация бюджета
Перераспределяем бюджет в каналы с более высоким ROMI. Например, если ROMI VK Рекламы вырос до 200%, а Яндекс Директа — 130%, имеет смысл рассмотреть увеличение доли VK Рекламы. Но помните о точке насыщения: не всегда удвоение бюджета ведёт к удвоению прибыли. Нужны A/B-тесты и поэтапное масштабирование.
Прогнозирование и планирование
Медиаплан теперь должен включать не только затраты и ожидаемые CPA/CPL, но и прогнозируемый вклад каждого канала в общую конверсионную ценность. Использование статистического моделирования позволяет построить более реалистичные прогнозы. Например, вы можете прогнозировать, что при увеличении бюджета на VK Рекламу на 50 000 рублей, доход вырастет не на 100 000 (как при 200% ROMI на малом объёме), а на 70 000 рублей, из-за убывающей отдачи.
Практические шаги для адаптации
- 1.Начните с внедрения Google Analytics 4 и перехода на Data-Driven Attribution. Это базовый шаг, который даст вам более глубокое понимание ваших данных.
- 2.Изучите возможности server-side трекинга. Если вы работаете с большими бюджетами и важен каждый процент точности, это обязательное решение. Начните с передачи ключевых конверсий.
- 3.Активно используйте Enhanced Conversions в Google Ads и аналогичные функции в других рекламных платформах. Передавайте email и телефоны клиентов для повышения точности сопоставления офлайн- и онлайн-данных.
- 4.Интегрируйте CRM с вашей аналитической системой. Это единственный способ получить полный путь клиента и понять его реальную ценность.
- 5.Регулярно анализируйте ассоциированные конверсии и пути пользователей. Ищите каналы, которые участвуют в большинстве конверсионных цепочек, но не получают достаточной атрибуции по простым моделям.
- 6.Тестируйте гипотезы по перераспределению бюджета. Делайте это итеративно, небольшими шагами, чтобы отслеживать изменения ROMI и других ключевых метрик.
- 7.Обучите команду новым принципам атрибуции и оценки эффективности. Это не только технологическая, но и культурная трансформация.
Верификация данных и повышение точности: как убедиться, что вы на верном пути
В условиях, когда атрибуция становится сложнее, недостаточно просто внедрить новые инструменты. Важно постоянно проверять, насколько достоверны данные, которые вы получаете, и как эти данные влияют на принимаемые решения. Без верификации даже самые продвинутые модели могут дать сбой, уводя бюджет в неэффективные каналы. Основная задача — минимизировать разрыв между тем, что мы видим в отчётах, и реальным поведением пользователя. Это требует комплексного подхода, включающего как технические, так и аналитические методы.
А/Б-тестирование для проверки гипотез
Классическое А/Б-тестирование остаётся одним из наиболее надёжных способов проверить эффективность изменений в медиаплане. Если вы меняете распределение бюджета или запускаете новый канал на основе данных из новой модели атрибуции, нужно убедиться, что эти изменения действительно приносят результат. Например, вы можете выделить контрольную группу пользователей, которым показывается реклама по старому медиаплану, и тестовую группу с новым. Сравнение ключевых метрик (конверсия, LTV, ROMI) между группами позволит оценить реальное влияние изменений. При этом важно, чтобы тест был статистически значим.
Предположим, новая модель атрибуции показала, что YouTube недооценён, и вы увеличили его долю в бюджете на 20%, сократив долю контекстной рекламы на ту же сумму. Чтобы проверить это, можно запустить эксперимент: в одном регионе продолжить использовать старое распределение бюджета, а в другом — новое. После месяца работы сравниваем ROMI в этих регионах. Если в тестовом регионе ROMI вырос с 150% до 170% при аналогичных объёмах трафика, то гипотеза подтверждена. Если же наблюдается снижение или нет значимых изменений, стоит пересмотреть выводы модели или параметры теста.
Когортный анализ для отслеживания долгосрочных эффектов
Когортный анализ помогает понять поведение пользователей, привлечённых в определённый период времени или из определённого канала. Это особенно важно, когда речь идёт о длинном цикле сделки или отложенных конверсиях, которые плохо улавливаются краткосрочными моделями. Вы можете сегментировать пользователей по месяцу привлечения, каналу или даже по первой кампании, с которой они взаимодействовали. Затем отслеживайте их LTV, частоту покупок и другие метрики в динамике. Это покажет, какие источники приводят наиболее ценных клиентов в долгосрочной перспективе, даже если первичная атрибуция была неполной.
Например, вы заметили, что пользователи, пришедшие из Telegram Ads, имеют более низкий коэффициент конверсии в первую покупку, чем из Яндекс.Директа. Однако когортный анализ спустя 3-6 месяцев может показать, что LTV когорты из Telegram на 30% выше за счёт повторных покупок. Это меняет представление об эффективности канала: если бы вы опирались только на данные по первой конверсии, то могли бы недооценить Telegram. Такие инсайты позволяют корректировать ставки и бюджет, ориентируясь на истинную ценность канала, а не только на моментальный CPA.
Опросы пользователей и качественные данные
Не стоит недооценивать прямое общение с клиентами. Опросы на сайте, после покупки или в рассылках с вопросом «Откуда вы о нас узнали?» могут дать ценные данные, которые не всегда фиксируются системами аналитики. Конечно, это не всегда точная информация (пользователь может забыть или ошибиться), но в совокупности с другими методами качественные данные помогают выявить неочевидные пути клиента и подтвердить или опровергнуть гипотезы, построенные на основе количественных данных. Например, если ваша модель атрибуции показывает низкую эффективность партнёрского маркетинга, а опросы регулярно указывают на блогеров или рефералов как на источник информации, это повод для более глубокого анализа.
Пример: вы заметили всплеск прямых заходов на сайт, который сложно атрибутировать. Запустив опрос «Что привело вас к нам сегодня?», вы обнаруживаете, что 30% новых пользователей пришли после упоминания вашего продукта в подкасте, который вы спонсируете. При этом, никаких трекинговых ссылок там не было. Это прямое указание на то, что модель атрибуции не учитывает этот канал, и его реальный вклад в конверсии гораздо выше. Это позволит перераспределить бюджет в сторону такого типа интеграций, а не только digital-рекламы.
Технические решения для повышения надёжности данных
Помимо аналитических подходов, есть ряд технических решений, которые помогают улучшить качество и полноту собираемых данных, что критически важно для работы любой модели атрибуции в условиях ограничений.
Использование UTM-меток и параметров рекламных систем
Это базовый, но всё ещё ключевой инструмент. Правильная и единообразная разметка всех рекламных кампаний UTM-метками позволяет идентифицировать источник трафика и кампанию даже при потере части данных о пользователе. Параметры автоматической разметки (например, gclid для Google Ads, yclid для Яндекс.Директа) также играют важную роль, предоставляя более глубокую детализацию. Важно стандартизировать схему именования меток, чтобы данные были чистыми и легко анализируемыми.
Представьте ситуацию: вы запустили кампанию в Яндекс.Директ и в нескольких Telegram-каналах. Если вы просто используете ссылки на сайт, в аналитике вы увидите «прямые заходы» или «реферальный трафик» без конкретики. Если же для Яндекс.Директа используется авторазметка, а для Telegram — UTM-метки (например, utm_source=telegram&utm_medium=cpm&utm_campaign=bloger_vasya), то вы сможете точно отследить, какой канал, какая кампания и даже какое объявление привели пользователя. Это фундамент для любой, даже самой сложной модели атрибуции.
CRM-интеграция и омниканальный подход
Интеграция данных из вашей CRM-системы с данными из рекламных кабинетов и веб-аналитики — это мощный шаг к омниканальной атрибуции. CRM содержит информацию о всех точках контакта клиента: звонки, email-переписка, обращения в поддержку, офлайн-покупки. Связывая эти данные с онлайн-активностью пользователя, вы получаете полную картину его пути, даже если часть шагов была невидима для веб-трекеров. Это позволяет точно рассчитать LTV и прибыль от каждого клиента, а затем привязать эти метрики к первоначальному источнику привлечения.
«В мире post-cookie CRM становится центральным хабом для клиентских данных. Чем больше информации о клиенте мы можем собрать и сопоставить в CRM, тем точнее будет наша атрибуция и понимание ROI рекламных инвестиций, даже если часть его пути остаётся “невидимой” для сторонних трекеров.»
— Андрей Замковой, Head of Performance Marketing, Ozon
Представьте клиента, который увидел вашу рекламу в VK Рекламе (трекинг сработал), затем через неделю позвонил в отдел продаж (информация в CRM), после чего ещё через день сделал покупку офлайн (также зафиксировано в CRM). Без интеграции CRM и рекламных данных, вы бы увидели только первый контакт и не смогли бы связать его с конечной покупкой и её ценностью. Когда все эти данные объединяются по уникальному идентификатору клиента (например, email или номер телефона), вы можете построить гораздо более точную атрибуционную модель, которая учитывает весь цикл сделки и реальный вклад каждого канала.
Развитие собственного Data Warehouse
Для компаний с большим объёмом данных и сложными маркетинговыми задачами построение собственного хранилища данных (Data Warehouse) становится необходимостью. Это позволяет объединять сырые данные из разных источников (веб-аналитика, рекламные кабинеты, CRM, коллтрекинг, ERP-системы) в одном месте. Затем эти данные можно обрабатывать, очищать и строить на их основе кастомные модели атрибуции, используя машинное обучение и продвинутую аналитику. Это даёт полный контроль над данными и их обработкой, минимизируя зависимость от сторонних сервисов и их ограничений.
Например, крупный ритейлер собирает данные о просмотрах товаров на сайте, добавлениях в корзину, поведении в мобильном приложении, онлайн- и офлайн-покупках, взаимодействиях с email-рассылками и историей покупок в CRM. Эти данные поступают в Data Warehouse. Специалисты по аналитике могут затем построить сложные предиктивные модели, которые не просто атрибутируют последнюю конверсию, а предсказывают LTV клиента на основе всей его истории взаимодействия, учитывая все каналы. Это позволяет оптимизировать рекламные расходы не просто по CPA, а по прогнозному LTV, значительно повышая эффективность медиапланирования.
Заключительные мысли: культура данных и адаптация
Переход к миру без сторонних куки — это не просто смена технических инструментов, это изменение парадигмы в маркетинге. Теперь побеждает тот, кто не только владеет данными, но и умеет их эффективно интерпретировать, верифицировать и использовать для принятия решений. Ключевые факторы успеха — это культура работы с данными внутри компании, готовность экспериментировать и постоянно адаптироваться к меняющимся условиям.
Важно понимать, что идеальной атрибуции, которая даёт 100% точность, не существует. Наша задача — максимально приблизиться к реальной картине, используя все доступные методы и инструменты. Не стоит зацикливаться на поиске «святого Грааля» атрибуции. Вместо этого, нужно строить надёжную инфраструктуру для сбора и анализа данных, постоянно тестировать гипотезы и быть готовыми к изменениям. Гибкость и аналитическое мышление сейчас ценятся как никогда прежде.
В конечном итоге, успех в пост-куки мире будет зависеть от вашей способности превращать неполные и разрозненные данные в действенные инсайты. Это требует инвестиций в технологии, аналитику и, что самое важное, в команду, которая сможет эффективно работать с этими новыми реалиями. Начните с малого, внедряйте изменения поэтапно, измеряйте каждый шаг и постепенно выстройте надёжную систему, которая позволит вашему бизнесу процветать.
Денис Орлов
Считает маркетинг в деньгах: ROMI, CPA, LTV. Показывает расчёты, а не обещания.
Профиль автора




Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
Пока нет комментариев. Будьте первым!