RTB на бренд: как Nike встраивала brand lift в DSP-покупки и перестала оптимизироваться “в темноте”

RTB на бренд: как Nike встраивала brand lift в DSP-покупки и перестала оптимизироваться “в темноте”

В 2026 “последний клик” всё чаще превращается в цифру ради цифры: в privacy-first мире атрибуция разъезжается, а бренд-эффект живёт дольше конверсии. Поэтому в DSP (платформа автоматических закупок рекламы) компании переходят от оптимизации на действия к управлению измеримым влиянием на спрос — в том числе через brand lift (рост узнаваемости/брендовых показателей).

Контекст
Nike (в разных рынках) годами сочетает перфоманс и бренд. Разница в том, что раньше бренд измеряли “после факта”, а закупки шли по сигналам, которые не гарантируют причинность. В условиях:
— растущей доли “zero-click” (клик не происходит, но внимание есть),
— усиления AI-overviews (пользователь видит ответы без перехода),
— ограничений cookie/третьих данных,
бренд-менеджеры всё чаще упирались в проблему: DSP оптимизирует то, что легко посчитать (CTR/конверсии), но не то, что действительно двигает выбор.

Задача
Заменить “оптимизацию клик-цепочкам” на управляемую модель влияния на бренд. Конкретно:
1) добиться предсказуемого прироста брендовых метрик (brand lift),
2) сохранить эффективность медиа-системы: управляемость бюджета и частоты,
3) доказать эффект бизнесу, а не только маркетингу (логика “если убрали показ — что стало?”).

Решение
Nike собрала RTB (real-time bidding — аукцион в реальном времени) как отдельный контур внутри медиа-стека, но измеряла его не только ретаргетом и последними конверсиями.

Как это выглядит на практике (типовая схема, которую применяли крупные бренды в похожих условиях):
— Сегментация аудиторий под бренд-контур:
— new-to-brand (новые для бренда),
— high-intent по поисковым/категорийным сигналам (люди, которые проявляют интерес к продуктовой категории, а не просто “похожесть” по соцдем),
— geo/контекст (крупные медиа-интересы вокруг спорта/активности).
— Разделение целей в DSP:
Внутри одной закупки использовали разные “учебные” цели: одни кампании — под прямой спрос (конверсии/взаимодействия), другие — под бренд-эффект (подходы к brand lift).
— Инкрементальность через дизайн тестов:
— geo-holdout (часть гео-площадки исключали из показа),
— контрольный набор аудитории/инвентаря,
— одинаковый медиамикс до теста, чтобы не спутать факторы.
— Серверная (server-side) оценка и сведение данных:
сигналы из воронки (посещения/категорийные действия) сопоставляли с показами по user-id/household-id, где это возможно, и дальше — с тестовой разметкой.
— Главный управленческий переключатель:
оптимизация в DSP перестала быть полностью “поведенческой”. В модель добавляли брендовые KPI как ограничение и/или таргет (например: при росте частоты и удержании охвата — не теряем бренд-эффект в контрольной логике).

Результат
В публичной логике крупных брендов (и типичных проектах уровня Nike/IKEA по аналогичным механикам) эффект обычно проявляется в трёх местах:
— В brand lift: прирост брендовых поисковых/узнаваемых сигналов относительно контрольной группы в период и сразу после кампании.
— В качестве трафика: меньше “случайных” кликов и больше вовлечённых сценариев (в DSP это видно по снижению доли мусорного инвентаря при сохранении reach).
— В бюджете: оптимизировать стали не “максимум конверсий любой ценой”, а “максимум прироста спроса на единицу контакта”.

По итогам интеграции brand lift в RTB-контур бренды обычно фиксируют:
— рост измеримого brand lift (относительно контрольных гео/аудиторий),
— сокращение провалов, когда кампании по конверсии считались успешными, а бренд-эффект отсутствовал,
— более стабильную эффективность при изменении атрибутирования (когда последний клик “ломается”, инкрементальность остаётся точкой опоры).

(Если вам нужно, я могу дополнить пост цифрами/диапазонами в формате “как посчитали” — но для этого стоит уточнить: рынок, категория и какой именно бренд-метрик у вас используется: брендовый поиск, узнаваемость, прямые брендовые визиты или комбинация.)
…