Инкрементальность в Яндекс Директ: как я доказываю эффективность без «последнего клика» и без религии в атрибу

Инкрементальность в Яндекс Директ: как я доказываю эффективность без «последнего клика» и без религии в атрибуцию

В 2026 я перестал спорить об атрибуции «кто кому приписывает лид». Спор почти всегда заканчивается тем, что в отчётах побеждает канал с самым длинным хвостом в конверсиях, а не тот, который реально двигает выручку. Моя позиция простая: если мы не можем показать прирост (инкрементальность) — мы не оптимизируем, мы угадываем.

Как я это делаю в Яндекс Директ на практике — без попытки добиться «идеального» last-click и без магии UTM.

1) Перестраиваю задачу с «конверсий» на «добавочную ценность»
Для большинства рекламодателей в Директе первыми меряются клики, затем формы/заявки, затем продажи. Но в RevOps-логике (маркетинг + продажи + customer success) меняется смысл: нас интересует влияние рекламы на общий поток сделок и выручку, а не доля последнего перехода.

Мой тестовый вопрос на старте: «Какой показатель мы считаем итогом, и есть ли у него задержка?» Если задержка есть (типично в B2B и часто в e-commerce), обычная оптимизация по ближайшей конверсии начинает подкармливать оптимизатор артефактами.

2) Ставлю эксперимент, который можно защищать цифрами
Самый рабочий подход — гео- или временное разделение трафика на контроль и тест. Да, это не “прибить гвоздями причинность” как в идеальном лабораторном опыте, но это даёт то, чего нет в стандартных отчётах: сравнение с базовой линией.

Что делаю:
— Разделяю аудиторию по принципу “не пересекать влияние”: либо разные регионы, либо разные периоды (чтобы не было взаимного загрязнения).
— Держу постоянными креативы и офферы в пределах теста, а изменения в сайте/коммерческих условиях — минимизирую.
— Учитываю не только заявки/покупки, но и downstream: сколько сделок дошло до статуса, важного для выручки.

Наблюдение из практики: когда мы перестали оценивать кампанию только по CPL (стоимость лида) и начали смотреть на прирост сделок относительно контроля, оказалось, что часть “дорогих” связок по CPL была как раз тем, что поднимает качество воронки. И наоборот: некоторые кампании с низким CPL просто перераспределяли запросы внутри уже горячего спроса.

3) Как это маплю на Директ без ручного хаоса
Я использую связку двух уровней измерения:
— Уровень Директа: корректные цели и стабильные параметры (разметка, правила фиксации конверсий, единые названия целей).
— Уровень бизнеса: “сквозная” витрина продаж/сделок и сверка по времени (чтобы не сравнивать заявки сегодняшнего дня с продажами недельной давности без окна).

Важно: инкрементальность ломается, если окна съезжают. Поэтому я всегда фиксирую временное окно атрибуции, например “от момента клика/просмотра до события продаж в течение N дней” — и уже внутри этого окна сравниваю тест и контроль.

4) Ключевой момент: оптимизация должна следовать логике эксперимента
Если мы делаем тест, а затем начинаем сразу подкручивать ставки/аудитории “по победителю”, не дав эксперименту созреть, эксперимент превращается в шум. Поэтому мой принцип такой:
— Эксперимент — сначала доказательство (контроль vs тест).
— Затем, на основании результата, перезапускаю оптимизацию уже в рамках новой стратегии (например, перевод фокуса на аудитории/ключи, которые показывают прирост, а не просто высокий CTR или низкий CPL).

Практический пример “как это ощущается на земле”
У нас был кейс в e-com, где средний чек проседал в целом по рынку (экономия потребителей — тренд). В такой ситуации реклама часто “выглядит” хуже, потому что люди тянут до скидки/комплекта. Мы сделали инкрементальный тест по сегменту аудитории с разными предложениями. В отчётах Директа выиграло одно решение по первичным покупкам, но прирост общей выручки в контрольном сравнении дал другое (оно хуже конвертило в моменте, зато лучше поддерживало возврат и повторные покупки — здесь и проявляется ставка на retention и LTV вместо первой продажи).
…