В последние недели в медиа стали чаще обсуждать изменения в рекламных платформах, которые касаются не “каких-то апдейтов интерфейса”, а логики сбора сигналов для оптимизации. Для перформанс-команд это важно ровно потому, что в 2026 усиливается privacy-first атрибуция (server-side, MMM, incrementality), и выигрывает не тот, кто “гоняет клики”, а тот, кто правильно выстраивает измерение и обучение моделей.
Бренд/контекст: e-commerce с циклом продаж короче, чем в B2B, и давлением на экономию — в 2026 средний чек у многих ритейлеров снижается на 5–8%, а рост чаще обеспечивают через retention (удержание) и повторные покупки вместо “дожимать первую”.
Задача: после очередного обновления в рекламной системе возникла типовая проблема Head of Performance — модели начали вести себя нестабильно при сохранении тех же бюджетов и креативов. Симптомы были такие:
— просадки по доле качественных конверсий (не по кликам, а по целевым действиям),
— рост стоимости результата в отдельных сегментах аудитории,
— “перекос” обучения на тех, кто чаще кликает, но хуже конвертирует.
Решение (что сделали): не пытались “обмануть алгоритм” и не меняли всё сразу. Сфокусировались на трех вещах, которые обычно работают именно в эпоху privacy-first и Topical Authority:
— Разделили входящие цели: отдельно отслеживали цепочку микро-событий (просмотр/добавление в корзину/начало оформления) и целевое действие (покупка или нужный value event). Это помогло понять, где именно происходит разрыв.
— Перепривязали обучение к более стабильным сигналам: в кампаниях оставили “обучающие” события, которые меньше зависят от атрибутирования и реже перескакивают из-за особенностей отслеживания (сессии с разной длительностью, устройства, блокировки).
— Провели контролируемую корректировку структуры: вместо резких изменений в креативах и ставках обновили сегментацию по намерению (cart/browse vs. cold) и оставили один и тот же набор правил атрибуции в аналитике. Параллельно включили инкрементальные проверки на уровне гипотез (incrementality), чтобы не путать “переобучение” с реальной прибавкой к выручке.
Конкретный результат: по источнику и внутренним расчетам после стабилизации обучения удалось получить сдвиг в сторону качественных конверсий:
— стоимость целевого результата снизилась за период наблюдения (после первичного “переучивания” модели) в пределах однозначных процентов по основным сегментам,
— доля покупок, пришедших из групп с более высоким намерением, выросла,
— при этом общий расход не “взлетел”, то есть эффект был ближе к перераспределению качества, а не к раздуванию охватов.
Урок для читателя (коротко, но по делу):
— Если платформа меняет логику сигналов, сначала ищите разрыв между оптимизацией и тем, что вы на самом деле считаете “успехом”, а не первым делом меняйте креативы и бюджеты.
— В 2026 побеждает связка “измерение + правильные события для обучения”: микро-сигналы должны объяснять путь до конверсии, а инкрементальные проверки — подтверждать прирост, а не эффект масштаба.
— Не меняйте всё одномоментно. Стабилизация моделей часто занимает время: структурные решения (сегментация по намерению, корректная привязка событий) обычно дают более управляемый эффект, чем постоянные “ручные” вмешательства.
Если нужно — могу разложить чек-лист для Head of Performance: какие события выбрать в качестве value/primary, как проверить качество до/после апдейта и как минимизировать ложные выводы при privacy-first атрибуции.
— @PerfNewsDigest
Дайджест performance-рынка
@PerfNewsDigest
Meta открывает больше данных для аукционных сигналов — как это использовать в performance (без “перемудрить”)
Этот пост опубликован в Telegram-канале Дайджест performance-рынка (@PerfNewsDigest). Все его публикации — на странице канала.
Открыть в Telegram