★ Интервью номера

Алексей Ткаченко: «3D, слабые смартфоны и плоские чертежи»

Генеральный директор Сайт3Д Конфигуратор объясняет, почему миллионный маркетинг жилых комплексов обрывается на плоских чертежах, почему браузерная графика — это всегда компромисс и зачем стартапу открещиваться от хайпа вокруг ИИ.

Алексей Ткаченко
Алексей Ткаченко
Генеральный директор сервиса 3D-планировок Сайт3Д Конфигуратор

Международные конкурсы для профессионалов и бизнеса

Конкурс проектов будущего
🤖 ИИ
Конкурс цифровых проектов
📣 ReAction
Реклама, маркетинг и digital
Конкурс проектов
💡 TechVision
Инновационная технология
Конкурс профдостижений
Творческие студии и мастерские
Конкурс инноваций
Цифра для бизнеса
Конкурс психологов
Индустрия туризма
Для предпринимателей
Образовательные инициативы
Конкурс креативных проектов
Опубликовано в

Ловушка атрибуции: ИИ меняет инкрементальность рекламы

Новая математика рекламы: как искусственный интеллект меняет инкрементальность
Тип материала: Аналитический разбор Время чтения: 12 минут Рубрики: Маркетинг, ИИ, Аналитика, Разборы
Аналитический разбор Basis.press. Исследование влияния искусственного интеллекта на реальную отдачу рекламных инвестиций. Алгоритмическая оптимизация закупки и предиктивный таргетинг способны кардинально повышать точность откликов. Однако для бизнеса ключевой управленческий вызов состоит в проверке: создает ли ИИ новый дополнительный спрос или лишь автоматизирует сбор конверсий от пользователей, уже готовых к покупке.

Новая математика рекламы: как искусственный интеллект меняет инкрементальность

Почему алгоритмическая оптимизация может одновременно увеличивать конверсии и снижать дополнительный эффект рекламы. Методы оценки реального вклада ИИ в рост продаж.
Ключевые выводы за 30 секунд:
— Ловушка атрибуции: Рекламная платформа может засчитать себе покупку, которая с высокой вероятностью состоялась бы и без рекламного контакта. Атрибуция фиксирует связь между рекламой и конверсией, но сама по себе не доказывает причинный эффект.
— Разрыв между кабинетом и P&L: Рост атрибутированной выручки не обязательно означает увеличение реальных продаж и прибыли. Чем больше компания полагается только на показатели рекламных платформ, тем выше риск переоценить эффективность кампаний.
— Переход к iROAS: Инкрементальный ROAS позволяет оценить дополнительную выручку, которую принесла реклама относительно контрольной группы. Однако для оценки прибыльности необходимо учитывать маржинальный вклад и все переменные расходы.
— Культура экспериментов: Holdout-тесты и Geo-Lift позволяют проверить, изменились бы продажи без рекламного воздействия. Такие эксперименты помогают отделить реальный прирост от эффекта атрибуции.

Типовая ситуация в совете директоров современной компании. Директор по маркетингу демонстрирует графики устойчивого роста: внедрены автономные алгоритмы закупки трафика, смарт-биддинг и предиктивная оптимизация. В дашборде рекламной платформы отображается высокий ROAS, а стоимость привлечения формально укладывается в плановые рамки.

Но закономерный вопрос финансового директора нарушает благостную картину: «Если реклама генерирует столько выручки, почему у компании не растет чистая операционная прибыль?»

Возникает проблема оптимизации по формальным показателям. Алгоритм стремится максимизировать заданные рекламодателем конверсии и их стоимость, но не обязательно способен оценить, какая часть этих покупок действительно появилась благодаря рекламе.

В результате рекламная система может концентрироваться на аудиториях с уже сформированным покупательским намерением. Такие пользователи с большей вероятностью совершат покупку, а рекламная платформа получит возможность засчитать конверсию в пользу кампании. Однако сам факт рекламного контакта ещё не означает, что именно он стал причиной сделки.

Для бизнеса это принципиальное различие: рекламный кабинет измеряет атрибутированные результаты, а финансовый менеджмент должен оценивать дополнительный экономический эффект.

МАСШТАБ ПРОБЛЕМЫ
ИИ и инкрементальность: алгоритм ищет покупателей или создаёт новый спрос?

Алгоритмическая реклама изменила не только способы закупки трафика, но и саму экономику привлечения клиентов. Современные модели машинного обучения способны прогнозировать вероятность покупки, определять оптимальное время контакта, выбирать рекламный формат и автоматически перераспределять бюджет между аудиториями.

Однако высокая точность прогнозирования покупательского поведения не тождественна способности создавать дополнительный спрос.

В этом заключается ключевой парадокс ИИ-маркетинга. Чем лучше алгоритм распознаёт пользователей, склонных к покупке, тем эффективнее он может работать с конверсиями. Но если система преимущественно выбирает аудитории с уже сформированным намерением приобрести товар, рост атрибутированных продаж не обязательно сопровождается сопоставимым увеличением инкрементальных продаж.

Таким образом, перед бизнесом возникает новая задача: определить, действительно ли искусственный интеллект расширяет спрос и привлекает дополнительных покупателей или лишь повышает эффективность работы с уже существующим спросом. Именно это различие становится центральным критерием оценки алгоритмического маркетинга.

В рабочем исследовании NBER 2026 года, основанном на анализе 2 226 рекламных экспериментов Meta, рассматривается разница между результатами экспериментальных измерений и стандартной атрибуцией. Работа показывает, почему экспериментальные данные о дополнительном эффекте рекламы критически важны для оценки её реальной результативности.

Как именно ИИ влияет на инкрементальность: дуальная природа алгоритмов
Механизм Возможный положительный эффект ИИ Риск снижения инкрементальности
Предиктивный таргетинг Находит сегменты аудитории, которые без рекламы могли бы не совершить покупку. Выбирает людей с уже предельно высокой органической вероятностью покупки.
Автоматический ретаргетинг Возвращает пользователей, отказавшихся от покупки из-за сомнений или технических сбоев. Перехватывает клиентов, которые и так завершили бы начатый заказ в ближайшее время.
Персонализация предложений Повышает вероятность сделки за счёт точного и релевантного товарного оффера. Предоставляет скидки и промокоды тем клиентам, кто купил бы товар по полной цене.
Автораспределение бюджета Оперативно перенаправляет средства в наиболее результативные связки и сегменты. Максимизирует атрибутированные конверсии в кабинете, а не дополнительный финансовый результат.
Важный методологический нюанс: ИИ не обязательно снижает инкрементальность. Он может как увеличивать её, так и уменьшать. Результат зависит от того, какую целевую функцию оптимизирует модель (валовые конверсии vs предельная добавленная прибыль) и какие данные она получает на вход.
ИССЛЕДОВАТЕЛЬСКАЯ РАМКА
Три вопроса к экономике искусственного интеллекта в маркетинге

Чтобы отделить технологический хайп от создания реальной стоимости, финансовый и маркетинговый блок компании должны исследовать три измерения инкрементальности:

Аналитическая триада оценки алгоритмов:

1. Incrementality of Targeting: Увеличивает ли ИИ долю тех покупателей, которые действительно появились благодаря рекламному воздействию, а не пришли бы органически?

2. Incrementality of Optimization: Создаёт ли автоматическое управление ставками и аукционами дополнительный финансовый эффект по сравнению с профессиональной ручной настройкой кампаний?

3. Incrementality of Personalization: Приводит ли динамическая персонализация креативов и скидок к дополнительным покупкам или лишь изменяет маржинальные условия уже запланированной сделки?
МЕХАНИЗМЫ ВЛИЯНИЯ
Пять механизмов влияния ИИ на инкрементальность рекламы
Механизм №1
Предиктивный таргетинг: когда высокая вероятность покупки не означает дополнительную продажу

Предиктивные модели машинного обучения классифицируют пользователей по склонности к покупке. Если алгоритму поставлена задача максимизировать валовое число конверсий при заданной цене за результат, он логично концентрирует показы на людях с максимальным предсказанным скорингом. Однако если этот скоринг обусловлен сильной органической лояльностью, реклама не создает новой транзакции, а лишь регистрирует ее.

Модельный пример: что может показать геоэксперимент Иллюстративный сценарий каузального контроля

Представим федеральную розничную сеть, которая использует автоматизированные рекламные кампании в нескольких регионах. В рекламном кабинете эти кампании демонстрируют высокий ROAS, однако финансовый директор сомневается, что весь объём атрибутированных продаж является результатом рекламного воздействия.

Компания формирует две сопоставимые группы регионов. В тестовой группе реклама продолжает работать, в контрольной — исследуемая кампания отключается. В течение эксперимента сопоставляются динамика продаж, средний чек, количество заказов и маржинальный вклад.

Если рекламный кабинет показывает существенное снижение атрибутированных конверсий после отключения рекламы, но фактическая выручка в контрольных регионах практически не меняется относительно ожидаемой динамики, это может свидетельствовать о завышенной оценке рекламного вклада.

Управленческий вывод: Снижение атрибутированных конверсий после отключения кампании ещё не доказывает потерю такого же объёма продаж. Именно поэтому необходимо измерять изменение фактического поведения покупателей, а не только отчётные показатели платформы.
* Примечание: это иллюстративный сценарий, а не опубликованный кейс конкретной компании. Реальные результаты геоэксперимента зависят от сопоставимости регионов, сезонности, размера выборки и продолжительности наблюдения.

Механизм №2
Интеллектуальный ретаргетинг: возвращение клиента или перехват органической конверсии?

Предиктивные системы ретаргетинга способны находить пользователей, которые уже проявили интерес к продукту: посещали карточки товаров, добавляли позиции в корзину или авторизовались на сайте.

Проблема возникает, когда рекламный контакт происходит непосредственно перед покупкой, а система атрибуции засчитывает сделку в пользу рекламной кампании. Например, клиент уже выбрал товар, перешёл к оформлению заказа и получил рекламный показ на стороннем сайте. Если вскоре после этого он завершил покупку, платформа может включить транзакцию в отчёт по ретаргетингу.

Однако временная последовательность контакта и покупки не доказывает причинную связь. Без контрольной группы невозможно достоверно установить, сколько таких заказов действительно было вызвано рекламой.

Механизм №3
ИИ-персонализация: создаёт ли индивидуальное предложение дополнительный спрос?

ИИ-системы персонализации могут автоматически подбирать скидки и промокоды в зависимости от поведения пользователя, истории покупок и прогнозируемой вероятности конверсии.

При некорректной настройке такая система рискует предоставлять скидку клиентам, которые были готовы совершить покупку и по полной цене. В результате количество заказов может увеличиваться, а средняя маржинальность продаж — снижаться. При этом рекламная аналитика будет фиксировать рост конверсий и демонстрировать положительную динамику.

Для проверки эффективности персонализации необходимо сравнивать не только количество заказов, но и маржинальный доход тестовой и контрольной групп с учётом предоставленных скидок. Ключевой вопрос: сколько дополнительных продаж обеспечила скидка и какой маржинальный доход компания получила после её предоставления?

Механизм №4
Автоматическая оптимизация микроконверсий: рост активности без прироста оплаченных заказов

При нехватке данных о реальных сделках алгоритмы переключаются на промежуточные целевые действия: добавление товара в корзину, просмотр нескольких страниц каталога или заполнение предварительной формы. Алгоритмическая система способна находить сегменты аудитории, охотно совершающие эти действия, однако они не всегда трансформируются в оплату.

Кампания может демонстрировать высокие показатели по промежуточным действиям, не обеспечивая сопоставимого роста оплаченных заказов. Поэтому микроконверсии следует рассматривать как диагностические показатели воронки, а не как самостоятельное доказательство коммерческой эффективности.

Механизм №5
Алгоритмическое распределение бюджета: максимизация конверсий против максимизации инкрементальной прибыли

Если алгоритм оптимизируется исключительно по выручке, он может отдавать предпочтение товарам с высоким оборотом, но низким маржинальным вкладом. Ситуация усугубляется, если модель не учитывает переменные расходы, стоимость доставки, комиссии, возвраты и скидки.

В результате рост выручки не обязательно приводит к увеличению операционной прибыли. Чтобы избежать этого разрыва, компания должна оценивать не только стоимость привлечения заказа, но и его экономический вклад.

МЕТОДОЛОГИЯ ЭКСПЕРИМЕНТА
Экспериментальный дизайн: измерение эффекта ИИ через три группы

Главная методологическая сложность аудита состоит в том, чтобы отделить эффект самого искусственного интеллекта от эффекта рекламы как таковой. Классическое А/В тестирование (реклама против отсутствия рекламы) показывает общую инкрементальность, но не отвечает на вопрос, даёт ли машинное обучение преимущество перед качественным ручным управлением.

Группа тестирования Условия воздействия Что отражает показатель
Группа A (Контроль) Исследуемое рекламное воздействие полностью отсутствует. Базовый уровень естественного спроса и органических конверсий.
Группа B (Традиционная реклама) Кампания со стандартной ручной настройкой таргетинга и фиксированными ставками. Эффект классического рекламного воздействия относительно чистого контроля.
Группа C (ИИ-реклама) Кампания с алгоритмическим предиктивным таргетингом и автостратегиями ставок. Совокупный эффект алгоритмического маркетинга.
Математика сравнительного каузального анализа
1. Инкрементальный эффект традиционной рекламы: Δ_традиционная = B − A Показывает чистый прирост продаж от стандартной кампании относительно органики. 2. Инкрементальный эффект ИИ-рекламы: Δ_ИИ = C − A Показывает совокупный чистый прирост продаж от алгоритмической кампании. 3. ЧИСТЫЙ ДОБАВЛЕННЫЙ ЭФФЕКТ ИИ (Net AI Lift): Δ_Net_AI = C − B = (C − A) − (B − A) Ключевая управленческая разница: дает ли внедрение машинного обучения дополнительный эффект по сравнению с обычной рекламой при равных затратах.
Управленческое правило чистоты эксперимента: Группы A, B и C должны быть строго сопоставимы по объёму аудитории, географии, сезонности и исторической конверсии, а бюджеты групп B и C — идеально выровнены. Иначе невозможно установить, чем вызван результат: превосходством алгоритма или тривиальной разницей в расходах.
НОВАЯ МАТЕМАТИКА
Формулы каузального аудита: расчет безубыточного iROAS

Чтобы оценивать эффективность алгоритмических кампаний, финансовому и маркетинговому подразделениям необходимо отделять атрибутированные результаты от инкрементального эффекта.

Базовые формулы инкрементальной эффективности
1. Относительный инкрементальный прирост (Lift): Lift = (CR тест − CR контроль) / CR контроль × 100% 2. Доля инкрементальных конверсий (Incremental Share): Incremental Share = (CR тест − CR контроль) / CR тест × 100% 3. Инкрементальная выручка (Incremental Revenue): iRev = Выручка тестовой группы − Ожидаемая выручка при контрольном уровне 4. Инкрементальный ROAS (iROAS): iROAS = Инкрементальная выручка / Рекламные расходы 5. Инкрементальная стоимость привлечения клиента (iCAC): iCAC = Рекламные расходы / Количество инкрементальных новых клиентов 6. Инкрементальный маржинальный результат: iCM = Инкрементальная выручка × Маржинальный вклад − Рекламные расходы
Прикладной расчёт: когда ROAS 600% превращается в убыток
Рассмотрим условную рекламную кампанию с использованием алгоритмической оптимизации. Данные рекламного кабинета: • Рекламные расходы: 1 000 000 ₽ • Атрибутированная выручка: 6 000 000 ₽ • Кабинетный ROAS: 600% ——————————————————————————— Результаты модельного контрольного эксперимента: • Выручка тестовой группы: 6 000 000 ₽ • Ожидаемая выручка при контрольном уровне: 4 200 000 ₽ • Инкрементальная выручка: 1 800 000 ₽ ——————————————————————————— Фактическая экономическая оценка: • iROAS: 180% • Маржинальный вклад: 25% • Инкрементальный маржинальный доход: 450 000 ₽ (1,8 млн × 25%) • Рекламные расходы: 1 000 000 ₽ • Результат после вычета рекламы: −550 000 ₽ ——————————————————————————— Точка безубыточности: При маржинальном вкладе 25% для покрытия одного миллиона рублей рекламных расходов необходимо получить не менее 4 млн рублей дополнительной выручки (1 000 000 / 0,25). Следовательно, безубыточный iROAS в этой модели составляет 400%.
Интерпретация: Рекламный кабинет демонстрирует ROAS 600%, но экспериментальная оценка показывает, что дополнительная выручка составляет только 1,8 млн рублей. При заданном уровне маржинального вклада кампания не окупает рекламные расходы.

* Все значения в примере условные. Расчёт предполагает, что 25% — маржинальный вклад после вычета всех переменных затрат, но до рекламных расходов. Для оценки полного финансового результата дополнительно учитываются налоги, постоянные расходы и другие релевантные статьи затрат.
УПРАВЛЕНЧЕСКИЙ КОНТРОЛЬ
Две картины мира: метрики рекламной платформы vs проверка бизнеса
Управленческий аспект Что показывает рекламная платформа Что проверяет бизнес
Эффективность рекламы Атрибутированный ROAS Инкрементальный ROAS (iROAS)
Привлечение клиентов Кабинетный CAC iCAC по новым инкрементальным клиентам
Конверсии Все засчитанные системой покупки Дополнительные конверсии относительно контроля
Экономический результат Атрибутированная выручка Инкрементальный маржинальный доход (iCM)
Масштабирование Динамика расходов и конверсий Предельный инкрементальный эффект бюджета
Методология Отчёты рекламной платформы Holdout, Geo-Lift, контролируемые эксперименты (A/B/C)
ПРАКТИЧЕСКИЙ РЕГЛАМЕНТ ДЛЯ БИЗНЕСА
Четыре шага к финансовому аудиту рекламных алгоритмов
Регламент каузального контроля рекламных кампаний:

1. Проектирование контрольных экспериментов:
Формируйте контрольные группы, которые не получают воздействия исследуемой рекламной кампании. Размер группы определяйте исходя из объёма аудитории, базовой конверсии, ожидаемого эффекта и требуемой статистической мощности. Для крупных рекламных кампаний с географическим распределением продаж используйте Geo-Lift и метод сопоставимых рынков.

2. Передача алгоритмам данных о ценности заказа:
Если рекламная платформа поддерживает оптимизацию по ценности конверсии, передавайте ей не только сумму заказа, но и экономически значимые параметры: маржинальный вклад, категорию товара, скидки, возвраты и другие доступные показатели. При этом учитывайте: оптимизация по маржинальному вкладу не заменяет независимую проверку инкрементальности.

3. Разделение брендового и холодного спроса:
Отдельно анализируйте брендовый поиск, ретаргетинг и кампании привлечения новой аудитории. Это позволяет выявлять различия в стоимости и дополнительном эффекте каждого канала. Не следует автоматически считать брендовые кампании неэффективными: они защищают спрос, но их вклад необходимо проверять экспериментально.

4. Контроль предельной отдачи при масштабировании:
Оценивайте не только общую эффективность кампании, но и результат дополнительных вложений. При увеличении бюджета проверяйте динамику инкрементальной выручки и маржинального дохода. Если дополнительные расходы не обеспечивают сопоставимого прироста экономического результата, компания достигла точки убывающей предельной отдачи.
Вывод Редакционный вывод Basis.press

«Искусственный интеллект сделал рекламные закупки быстрее, масштабнее и технологически сложнее. Однако автоматизация не устранила фундаментальную проблему маркетинга: измерение причинного вклада рекламы в финансовый результат бизнеса.

Рекламная платформа может эффективно находить пользователей с высокой вероятностью покупки, оптимизировать ставки и увеличивать количество атрибутированных конверсий. Но ни один из этих результатов сам по себе не доказывает, что компания получила дополнительную прибыль.

В новой экономике маркетинга конкурентное преимущество будет определяться не количеством подключённых нейросетей и не величиной ROAS в рекламном кабинете. Важнее способность бизнеса проверять алгоритмические решения независимыми экспериментами, учитывать маржинальность и оценивать реальный вклад рекламных инвестиций.

В эпоху алгоритмического маркетинга выигрывает не тот, кто лучше научился покупать конверсии, а тот, кто умеет доказать, что реклама действительно создаёт дополнительную экономическую ценность».

МНЕНИЕ РЕДАКЦИИ

Методологическая рамка Basis.press: развитие алгоритмического маркетинга требует пересмотра подходов к оценке рекламной эффективности. Показатели рекламных платформ остаются важным инструментом оперативного управления, однако для принятия финансовых решений их необходимо дополнять экспериментальными измерениями инкрементальности и оценкой маржинального результата.

Инкрементальный аудит позволяет выявлять кампании, в которых атрибутированные результаты существенно превышают фактический дополнительный эффект. Для бизнеса это возможность пересматривать распределение рекламных расходов, перераспределять бюджеты между каналами и направлять инвестиции туда, где они обеспечивают измеримый прирост маржинального дохода.

Глоссарий ключевых терминов и метрик
Инкрементальность (Incrementality): чистый дополнительный результат рекламного воздействия — объём продаж или конверсий, возникший вследствие кампании относительно контрольного уровня.
iROAS (Incremental ROAS): отношение дополнительной (инкрементальной) выручки к сумме рекламных расходов на её достижение.
Net AI Lift: чистый добавленный эффект внедрения алгоритмов машинного обучения относительно сопоставимой кампании с традиционным ручным управлением при равных затратах.
Smart Bidding: автоматизированные алгоритмы назначения ставок рекламных платформ, оптимизирующие показы на основе прогнозируемой вероятности конверсий.
Holdout-группа: контрольный сегмент аудитории или пользователей, намеренно исключаемый из показа исследуемой рекламы для оценки естественного уровня конверсий.
Geo-Lift: экспериментальный метод оценки инкрементального эффекта рекламы путём сопоставления динамики продаж в сопоставимых регионах (Matched Markets).
Каузальность (Causality): причинно-следственная связь между рекламным контактом и совершением целевого действия, отличная от корреляционной связи.
Предельная отдача: изменение инкрементального финансового результата при увеличении рекламного бюджета на дополнительную единицу расходов.
Источники и материалы исследования
  1. NBER Working Paper. Evaluating the Incremental Impact of Digital Advertising: Empirical Evidence from 2,226 Field Experiments. 2026.
  2. Blake T., Nosko C., Tadelis S. Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment (Econometrica).
  3. Методология проектирования экспериментов Geo-Lift и синтетических контрольных групп в e-commerce и многоканальном ритейле.
  4. Аналитические материалы и стандарты измерения инкрементальности IAB / АРИР.