Как за 7 дней построить медиаплан в рекламной сети маркетплейса с инкрементальностью (incrementality), а не “п

Как за 7 дней построить медиаплан в рекламной сети маркетплейса с инкрементальностью (incrementality), а не “по кликам”

Рынок в 2026 требует не “оптимизацию под последний клик”, а измерение вклада в выручку: privacy-first атрибуция хуже, значит нужны тесты и правила принятия решений. Ниже — практический план, который можно сделать этой неделей внутри рекламного кабинета маркетплейса и сквозной аналитики.

Шаг 1. Зафиксируйте цель в терминах выручки
— Выберите одну метрику-опору: GMV (валовая выручка) или маржинальная выручка по модели “заказ + маржа”.
— Установите горизонт: например, 14 дней после показа/клика (согласуйте с тем, как у вас считается “возврат” и повторные покупки).
Результат: у вас будет единый KPI для ставок и пауз.

Шаг 2. Подготовьте “словарь” сегментов аудитории и товаров
Сделайте матрицу 2×2:
— Спрос: High/Low (по историческим продажам или доле в выручке)
— Ценность: Margin high/low (или хотя бы ASP-классы, если маржу посчитать быстро сложно)
Дальше определите, где вам нужна эффективность, а где охват:
— High спрос + high маржа: тест на масштабируемость
— Low спрос + high маржа: тест на прирост спроса и качество трафика
Результат: вы перестанете мешать “продажи по привычке” и “новый спрос”.

Шаг 3. Сегментируйте кампании по механике влияния
В рекламных сетях маркетплейсов чаще всего есть варианты форматов: показ в карточке/каталоге, промо-видимость, ретаргет на посетителей, search-показы. Вам нужно развести:
— Prospecting (привлечение): показы по интересу/каталогу/поиску без ретаргета
— Retargeting (возврат): только пользователи с активностью (просмотр/добавление в корзину/каталог)
— In-market “горячие” аудитории: тем, кто уже рядом с покупкой
Результат: вы сможете отделить “разогрев” от “добора” и не завысить инкремент за счёт ретаргета.

Шаг 4. Подготовьте тест с группами (A/B или “гео”-аналог)
Если в кабинете есть встроенные инструменты экспериментов — используйте их. Если нет, делайте квази-тест:
— Возьмите 2 набора одинаковых условий: товары, бюджетная логика, время запуска
— Разведите группы по контролируемому параметру, который маркетплейс реально “переключает”: например, разные когорты пользователей (если доступно) или разные регионы/пулы трафика
Правило: размер группы должен быть достаточно большим, чтобы шум не съел эффект. Ориентир — считать не по “одному дню”, а минимум 7–14 дней данных.
Результат: у вас появляется контрольная группа, и вы перестаёте оценивать “эффективность” по абсолютным продажам.

Шаг 5. Настройте сквозную проверку “кто купил из теста”
Технически это проще, чем кажется:
— Подтяните логи событий (показ/клик/просмотр карточки/заказ) в BI/сквозную таблицу
— Сведите в одну витрину: customer_id (или анонимный идентификатор), группа (тест/контроль), timestamp, товар, выручка
— Ограничьте анализ пользователями из нужной когорты времени (окно, которое вы выбрали на шаге 1)
Результат: вы сможете посчитать инкремент как разницу между группами, а не “продажи после запуска”.

Шаг 6. Считайте инкремент и принимайте решения по сценарию
Формула уровня-1 (приближённая):
— Инкремент GMV = GMV(test) − GMV(control), приведённый к сопоставимым объёмам (если группы неравны по трафику)
Дальше задайте правила:
— Если инкремент положительный и покрывает рекламные затраты — масштабируете бюджет на сегмент
— Если инкремент около нуля — оставляете формат как “поддержку витрины”, но не наращиваете
— Если инкремент отрицательный/сильно хуже контрольной — меняете креатив/товарный набор или ограничиваете показ
Результат: у вас есть управляемая логика вместо “оптимизируем CTR”.

Шаг 7. Соберите медиаплан на 2 недели и “закройте пробелы” данными
На основе теста:
— Масштабируйте только те сегменты, где инкремент уверенно положительный
— Доберите охват в prospecting за счёт товаров-локомотивов из “high маржа” (если там эффект подтверждён)
— Retargeting используйте как дополняющий слой, не как драйвер инкремента для всей воронки
Результат: медиаплан станет планом роста

— @RetailMediaRu