Новая математика рекламы: как искусственный интеллект меняет инкрементальность
— 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.
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.
| 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. |
Чтобы отделить технологический хайп от создания реальной стоимости, финансовый и маркетинговый блок компании должны исследовать три измерения инкрементальности:
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?
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.
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.
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.
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?
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.
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.
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. |
Чтобы оценивать эффективность алгоритмических кампаний, финансовому и маркетинговому подразделениям необходимо отделять атрибутированные результаты от инкрементального эффекта.
* 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 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) |
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.
«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».
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.
- NBER Working Paper. Evaluating the Incremental Impact of Digital Advertising: Empirical Evidence from 2,226 Field Experiments. 2026.
- Blake T., Nosko C., Tadelis S. Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment (Econometrica).
- Методология проектирования экспериментов Geo-Lift и синтетических контрольных групп в e-commerce и многоканальном ритейле.
- Аналитические материалы и стандарты измерения инкрементальности IAB / АРИР.
