Инкрементальная атрибуция: точная оценка в эпоху privacy-first

Инкрементальная атрибуция: точная оценка в эпоху privacy-first

Инкрементальная атрибуция (incremental attribution) — метод, который измеряет **дополнительный вклад** маркетингового воздействия в результат, сравнивая поведение группы, подвергшейся воздействию, с контрольной группой, которая его не видела. В отличие от last-click (последний клик) или мультитач-атрибуции, она не распределяет «вес» касаний, а отвечает на вопрос: *«Сколько продаж реально не случилось бы без этой кампании?»*.

**Чем отличается от родственных метрик**
— MMM (маркетинг-микс-моделирование) — макроуровень, данные за месяцы/кварталы, без персональной идентификации.
— Инкрементальные тесты — микроуровень, рандомизированные эксперименты (A/B-тест с холостой группой). Результат — прямая разница в конверсии между экспонированной и контрольной когортами.

**Типичные ошибки**
— Принимать uplift-показатель за полную рентабельность. Инкрементальность показывает только *добавленный* эффект, а базовый уровень продаж (organic, brand) надо вычитать отдельно.
— Игнорировать спилловер (spillover) — когда контрольная группа косвенно видит рекламу (через сарафанное радио или кросс-канальное наложение). Из-за этого результаты могут быть занижены.

**Пример в Power BI**
Допустим, вы запустили медийную кампанию. С помощью server-side трекера разделите пользователей на две когорты: тех, кто видел баннер (тест), и тех, кого мы «заморозили» от показа (контроль). Подайте данные в Power BI — постройте сводную таблицу с разницей заказов на 1000 пользователей между когортами. Это и есть инкрементальный прирост. Используйте его для пересчёта CAC и корректировки медиамикса, вместо слепого суммирования заказов по последнему клику.

— @PowerBIforMarketingPro