Nike и «невидимая» атрибуция: как бренд доказал прирост спроса без опоры на last-click

Nike и «невидимая» атрибуция: как бренд доказал прирост спроса без опоры на last-click

В 2026 реклама снова стала вопросом доверия: как доказать рост спроса, если пользователь мог посмотреть баннер и вернуться через неделю, а в атрибуции всё равно остаётся только «что-то кликнул — вот и молодец». Для Nike это особенно чувствительно: часть покупок — с высокой долей отложенного решения, часть — после офлайн-контактов, плюс постоянно растёт доля zero-click сценариев (человек смотрит/сравнивает, но не кликает).

Контекст
Nike развивал кампании в performance-каналах, но внутри команды маркетинга стоял типовой конфликт: brand-эффект требовал доказательств, а у трекинга было всё меньше «чистых» сигналов. Клиентский путь дробился между платформами и устройствами, cookie-ограничения множились, а last-click начинал системно недооценивать влияние верхней части воронки.

Параллельно усилилась роль data-подходов: DMP (управление сегментами) и DSP (покупка инвентаря в реальном времени) должны были работать не как «машина для кликов», а как система управления аудиторией и вероятностью конверсии. Но данных было много, а связность — не всегда.

Задача
Нужно было ответить на три вопроса, без которых бренд-менеджеру сложно защитить бюджет:
— Какой вклад digital действительно даёт в инкрементальный (дополнительный) спрос, а не просто «перекладывает» конверсии между каналами?
— Можно ли управлять показами и частотой так, чтобы росли бренд-метрики и продажи, а не просто охватывались «всем подряд»?
— Как быстро получить управляемый сигнал для оптимизации креативов и аудиторий, учитывая privacy-first атрибуцию?

Решение
Nike собрал связку измерений и активации в логике privacy-first:

1) Моделирование аудитории поверх DMP-сегментов
Вместо единого «кто видел объявление — тот и конвертнулся» использовали сегменты с разной вероятностью участия в demand-journey:
— «теплые» (поведенческие сигналы интереса к категориям: тренировки, кроссовки, бег)
— «новые» (cold-audience с расширенной тематикой и proximity к спортивным интересам)
— «ретеншн» (пользователи, которые уже взаимодействовали с брендом в прошлом сезоне — для удержания, а не для первой покупки)

Это дало возможность тестировать стратегии частоты и охвата по-разному для сегментов, а не единым правилом.

2) Server-side трекинг и выверка событий
Чтобы снизить потери сигналов, часть событий о действии пользователя переносили на server-side (серверную фиксацию) и согласовывали правила атрибуции на стороне аналитики. Цель была не «дожать точность до 100%», а получить воспроизводимые данные для экспериментов и расчётов.

3) Инкрементальность вместо «после клика»
Ключевой слой — incrementality (инкрементальность): Nike запускал дизайн так, чтобы измерять рост относительно контрольной группы. В практической логике это выглядело так:
— подбирали контроль (похожий по доступности, интересам и медиапотреблению, но не получающий показов в кампании)
— сравнивали outcome (покупки/выручка) между тестом и контролем в сопоставимый период
— оценивали влияние креативов и аудиторий на добавочный спрос, а не на пересечение с уже сформированным намерением

4) MMM (маркетинговый микс-аналитикс) как «верхний контур» к DSP
Чтобы не спорить только на уровне одного канала, Nike использовал MMM как калибровку: модели увязывали активность в разных медиаклассах с продажами и бренд-метриками. DSP и DMP давали микро-управление, MMM — макро-проверку.

5) Brand lift как подтверждение влияния на интерес
Дополнительно бренд тестировал uplift по брендовому спросу: рост поисковых/просмотровых сигналов вокруг названий продуктов и категорий в регионах/периодах, где запускались кампании. Это критично, когда продажи могут прийти позже, а верхняя воронка должна быть измерима уже сейчас.
…