Инкрементальность в CTV: как я перестал «доказывать» и начал «измерять»

Инкрементальность в CTV: как я перестал «доказывать» и начал «измерять»

В CTV у нас у всех была одна и та же ловушка: мы видим рост метрик после запуска кампании и называем это эффектом. В 2026-м так делать всё опаснее — privacy-first атрибуция (server-side и модели, основанные на инкрементальности), MMM (маркетинговый микс-моделлинг) и тесты всё чаще вытесняют last-click логику. И я за последний год поменял подход: перестал собирать “похожий на правду” отчет и начал строить измерение, которое выдерживает вопросы CFO и RevOps-цикла.

Мой принцип простой: **в CTV нельзя оптимизировать “клик, которого нет” — можно оптимизировать “добавочную выручку, которую можно доказать”**. Да, звучит пафосно. На практике это выглядит так.

Сначала — разделяю две задачи, которые в отчетах постоянно смешивают:
— планирование охватов (reach/frequency, удержание в контексте аудитории, контроль перекрытий);
— измерение влияния (incrementality — приращение KPI относительно контрольной группы или модели).

Если вы делаете только первое — вы управляете только инвентарем. Если вы делаете только второе — вы управляете только объяснениями. Нужна связка.

Как я измеряю инкрементальность в CTV (без магии)
1) Контроль и тест-дизайн на уровне аудиторий
Даже если у вас нет классического A/B с идеальной рандомизацией, можно сделать рабочую конструкцию: разделить регионы/пулы пользователей по доступной сегментации, обеспечить сопоставимость (сегмент, сезонность, доступность продукта). В CTV важна не “красота статистики”, а чтобы контроль реально был “похож”.

2) Единый KPI вокруг выручки, а не вокруг верхней воронки
В 2026-м, когда leadgen в B2B проседает, компании начинают жить в логике RevOps: маркетинг, sales и customer success отвечают за выручку вместе. В CTV я выбираю KPI, который зависит от вашего цикла покупки:
— для e-commerce: заказ/выручка с поправкой на возвраты и время доставки;
— для B2B: не “MQL ради MQL”, а качественная конверсия в pipeline (например, SQL или прогресс до следующего этапа) плюс удержание (если вы можете это связать).
Иначе вы будете оптимизировать то, что просто хорошо совпало по времени.

3) MMM как страховка, если user-level данных мало
Если провайдер CTV не дает достаточно плотной сквозной атрибуции, MMM становится не “альтернативой”, а защитным слоем. Я использую его как способ свести воедино: охват, частоту, сезонность, другие каналы и эффект от CTV. Это особенно актуально, когда AI-overviews и нулевая “кликовая” среда уменьшают видимость воронки.

Наблюдение из практики: частота важна, но “качество контроля” важнее частоты
Один кейс: мы тестировали CTV-кампанию с похожими креативами и одинаковым медиапланом по охвату. Разница эффекта в итоговом отчете оказалась не в том, что частота была чуть выше. Разница была в том, насколько контрольная группа действительно не совпадала с теми, кто был “в контакте” с кампанией через смежные касания (например, ретаргет в других каналах).
Когда контроль был слабым, инкрементальность выглядела разной “на бумаге”. Когда контроль сделали лучше (по сегментам и окнам воздействия), стабилизировалась и оценка влияния: эффект перестал “скакать” от кампании к кампании.

Вывод, который я теперь повторяю всем командам
В CTV побеждает не тот, кто громче объясняет, а тот, кто заранее спроектировал измерение. Если ваша аналитика не выдерживает сравнение с контрольной группой или MMM, то вы не управляете спросом — вы просто фиксируете корреляцию.

И да: креативы в 2026 конкурируют не исполнением, а концепцией. Но концепция не спасает, если вы не можете ответить на один вопрос: **какая часть результата появилась бы без CTV?**

— @CTVadsManual