Модель incrementality на уровне кампаний: практический чек-лист для performance-руководителя

Модель incrementality на уровне кампаний: практический чек-лист для performance-руководителя

Если вы управляете бюджетом по ROAS/CPA и одновременно хотите доказать прирост (incrementality), вам нужна модель, которая отделяет «продаёт» от «перекрывает». Ниже — пошаговый план, который реально сделать за неделю на уровне кампаний.

1) Зафиксируйте гипотезу и единицу измерения
— Гипотеза: «приращение продаж/лидов из-за медийных активностей X»
— Единица: кампания/пул кампаний (не весь аккаунт) + KPI (CVR/лиды/выручка)
— Период: возьмите последние 8–12 недель, но выделите тестовый подотрезок (хотя бы 2 недели) и контрольный (остаток).

2) Соберите «неизбежные» факторы, чтобы не спутать маркетинг с сезоном
Сохраните по дням (или неделям) минимум:
— медиа-активность (impressions/clicks/spend) по выбранным кампаниям
— органика/брендовый спрос (если есть в аналитике — хотя бы зафиксируйте долю брендовых запросов или прямых визитов)
— промо/цены/наличие (даже грубо: включено/выключено)
Без этих признаков incrementality часто превращается в «угадайки».

3) Подготовьте группы для сравнения: “treatment” и “control”
— Treatment: кампании, для которых вы хотите оценить прирост
— Control: ближайшие по аудитории/гео/офферу кампании или сегменты, где интенсивность была существенно ниже
Требование: control не должен быть «то же самое, но всегда в 2 раза меньше». Нужна реальная разница в exposure.

4) Пересоберите атрибуцию в одном окне и одинаковых правилах
— Возьмите единый attribution window для всех кампаний (например, click 7d / view 1d)
— Сведите события в один датасет (source/campaign → событие → выручка/лид)
— Проверьте дубликаты и кросс-девайс-логику: неверная дедупликация ломает прирост.

5) Сделайте тест «удержание формы» вместо попытки чудо-модели
На уровне когорты кампаний посчитайте:
— baseline: среднее значение KPI в контрольной группе до изменения (первые недели)
— post: то же в периоде после усиления/запуска treatment
— uplift: разница (post_treatment − post_control) − (baseline_treatment − baseline_control)
Это разность разностей (DiD). Она не идеальна, но уже даёт воспроизводимый результат.

6) Привяжите uplift к затратам, но отдельно от атрибуции
— Считайте incremental KPI (uplift) в натуральных единицах (лиды/заказы)
— Делите на incremental spend (разница в spend treatment vs control, приведённая к сопоставимому масштабу)
Результат: **incremental CPA/ROAS** без привязки к last-click.

7) Проверьте состоятельность за 30–40 минут
Сделайте три быстрых среза:
— Стабильность эффекта по дням недели
— Отсутствие эффекта там, где маркетинг не менялся (фальшивый тест на “до”)
— Согласованность по воронке (если лиды растут, а конверсия нет — модель ловит шум).

Если в этом месте эффект «скачет», не увеличивайте сложность. Улучшите контроль: точнее сегментируйте кампании, выровняйте промо-флаги и заново постройте treatment/control. На следующем шаге можно переходить к регрессиям/байесовским моделям, но сначала нужна дисциплина сравнения.

— @AttributionRoom