Маркетинговая аналитика
Модели и окна атрибуции, рекламные аукционы и продвижение по инкрементальной ценности.
16 вопросов
JuniorТеорияОчень частоЧто такое модель атрибуции в маркетинговой аналитике?
Что такое модель атрибуции в маркетинговой аналитике?
Модель атрибуции — это правило распределения заслуги за конверсию между маркетинговыми точками контакта, которые ей предшествовали. Частые правила — last-click, first-click, линейная, time-decay, position-based и data-driven (Shapley или Markov). Модель решает, какой канал получит сколько заслуги за продажу.
Типичные ошибки
- ✗Путать модель с окном атрибуции (временным промежутком)
- ✗Называть только last-click, игнорируя многоконтактные модели
- ✗Считать атрибуцию отчётом по расходам, а не присвоением заслуги
Уточняющие вопросы
- →Чем last-click отличается от position-based модели по заслуге?
- →Почему data-driven модель может превзойти модели с фиксированным правилом?
JuniorТеорияОчень частоROI, ROMI, ROAS, ДРР — что есть что и какой из них имеет в виду CFO под ROI?
ROI, ROMI, ROAS, ДРР — что есть что и какой из них имеет в виду CFO под ROI?
ROAS — это выручка к рекламным расходам, без учёта маржи продукта. ROMI — отдача по марже за вычетом затрат, в процентах. ДРР — рекламные расходы к выручке, обратная к ROAS. Говоря ROI, CFO имеет в виду отдачу по прибыли, так что сильный ROAS может скрывать отрицательный ROI.
Типичные ошибки
- ✗Считать ROAS метрикой прибыли, хотя он игнорирует маржу
- ✗Путать ДРР со счётчиком каналов, а не долей расходов
- ✗Полагать, что CFO под ROI имеет в виду валовой ROAS
Уточняющие вопросы
- →Как ROAS может быть 4:1 при отрицательном ROI?
- →Почему ДРР — это просто обратная величина к ROAS?
JuniorТеорияЧастоЧто такое окно атрибуции и как выбрать его длину?
Что такое окно атрибуции и как выбрать его длину?
Окно атрибуции — это промежуток после взаимодействия с рекламой, в течение которого более поздняя конверсия всё ещё засчитывается этой точке контакта. Выбирают его по циклу решения и распределению времени до конверсии, балансируя пере- и недооценку.
Типичные ошибки
- ✗Путать окно с самой моделью атрибуции
- ✗Использовать одно фиксированное окно независимо от цикла покупки
- ✗Игнорировать распределение времени до конверсии при выборе длины
Уточняющие вопросы
- →Почему дорогому продукту нужно более длинное окно?
- →Что пойдёт не так, если окно слишком длинное?
MiddleТеорияЧастоКак выбранная модель атрибуции влияет на решения бизнеса и какая подходит финтеху?
Как выбранная модель атрибуции влияет на решения бизнеса и какая подходит финтеху?
Модель смещает заслугу между каналами, поэтому напрямую меняет распределение бюджета, оценку ROI и то, какие каналы вы масштабируете. Last-click переоценивает низ воронки; first-click переоценивает охват. Финтеху с длинной воронкой ближе data-driven.
Типичные ошибки
- ✗Утверждать, что выбор модели не двигает бюджет
- ✗Ставить финтеху last-click по умолчанию при длинной воронке
- ✗Путать перераспределение заслуги с изменением числа конверсий
Уточняющие вопросы
- →Почему last-click обескровливает верх воронки в финтехе?
- →Какие данные нужны, прежде чем доверять data-driven модели?
MiddleТеорияЧастоLast-click, first-click, линейная, data-driven — что каждая систематически переоценивает?
Last-click, first-click, линейная, data-driven — что каждая систематически переоценивает?
Last-click переоценивает закрывающую точку и обескровливает охват. First-click переоценивает знакомство и игнорирует закрывающие. Линейная переоценивает проходные касания и размывает решающее. Data-driven оценивает предельный вклад касания, но требует объёма путей и упускает неотслеженные касания.
Типичные ошибки
- ✗Путать, какой конец переоценивает first-click и last-click
- ✗Считать линейную нейтральной, хотя она размывает решающее касание
- ✗Считать data-driven несмещённой при пробелах в трекинге
Уточняющие вопросы
- →Почему last-click тихо лишает финансирования верх воронки?
- →Какие данные нужны data-driven модели, чтобы ей доверять?
MiddleДизайнЧастоОба канала выглядят прибыльно, но paid search окупает CAC примерно за 4 месяца, а paid social — за 14. Вы задаёте сплит бюджета на следующий квартал. Объясните, как LTV на уровне канала — а не только CAC или скорость окупаемости — должен определять распределение: когда длинная окупаемость всё же достойна финансирования, как взаимодействуют отношение LTV:CAC и потолок окупаемости, привязанный к запасу кэша, и на какое число вы реально двигаете бюджет.
Оба канала выглядят прибыльно, но paid search окупает CAC примерно за 4 месяца, а paid social — за 14. Вы задаёте сплит бюджета на следующий квартал. Объясните, как LTV на уровне канала — а не только CAC или скорость окупаемости — должен определять распределение: когда длинная окупаемость всё же достойна финансирования, как взаимодействуют отношение LTV:CAC и потолок окупаемости, привязанный к запасу кэша, и на какое число вы реально двигаете бюджет.
Окупаемость — скорость возврата кэша; LTV — итоговая ценность клиентов канала. Окупаемость в 14 месяцев нормальна, если LTV:CAC здоров, а запас кэша финансирует ожидание; 4 месяца при тонком LTV могут быть слабее. Делите по предельному LTV:CAC под потолком окупаемости.
Типичные ошибки
- ✗Ранжировать каналы по скорости окупаемости, игнорируя LTV
- ✗Считать длинную окупаемость автоматически убыточной
- ✗Игнорировать запас кэша при выборе допустимой окупаемости
Уточняющие вопросы
- →Когда короткая окупаемость всё же сигналит слабый канал?
- →Как запас кэша задаёт потолок окупаемости?
MiddleДизайнЧастоВы утроили бюджет в лучшем канале, и его CAC удвоился. Это насыщение канала с убывающей отдачей. Спроектируйте, как найти эффективную границу — как построить кривую предельного CAC от расходов, где остановиться заливать деньги и как перераспределить высвобожденный бюджет между каналами, удержав blended-эффективность.
Вы утроили бюджет в лучшем канале, и его CAC удвоился. Это насыщение канала с убывающей отдачей. Спроектируйте, как найти эффективную границу — как построить кривую предельного CAC от расходов, где остановиться заливать деньги и как перераспределить высвобожденный бюджет между каналами, удержав blended-эффективность.
Прогоняйте расходы шагами и мерьте предельный CAC — стоимость следующего клиента, а не средний — ведь насыщение видно сначала на марже. Кривая загибается вверх при насыщении. Останавливайтесь, где предельный CAC выше LTV или другого канала; перераспределяйте до равенства.
Типичные ошибки
- ✗Управлять по среднему CAC, хотя насыщение видно на марже
- ✗Выравнивать средний CAC вместо предельного по каналам
- ✗Отрицать убывающую отдачу для выигрышного канала
Уточняющие вопросы
- →Почему предельный CAC растёт раньше среднего при росте расходов?
- →Как прогон кривой отклика не спутать с сезонностью?
MiddleТеорияЧастоChannel CAC против blended CAC — как усреднённое число прячет один канал, который вас губит?
Channel CAC против blended CAC — как усреднённое число прячет один канал, который вас губит?
Blended CAC — все расходы на привлечение на всех новых клиентов, смешивая paid и organic; channel CAC — расходы на клиентов одного канала. Бленд прячет paid-канал, теряющий сильно выше LTV, за дешёвым organic, поэтому выглядит здоровым. Судите канал по его CAC.
Типичные ошибки
- ✗Управлять бюджетом по blended CAC и упускать убыточный канал
- ✗Считать, что бесплатный organic делает бленд равным channel CAC
- ✗Сравнивать CAC каналов без учёта их разного LTV
Уточняющие вопросы
- →Когда высокий channel CAC всё же приемлемо финансировать?
- →Как всплеск organic приукрашивает ваш blended CAC?
MiddleДизайнЧастоВы запускаете федеральное ТВ для розничного бренда, и CMO хочет доказательство истинного инкрементального эффекта, а не атрибутированное число. ТВ можно включать и выключать по регионам, есть два года недельных региональных продаж. Спроектируйте geo holdout: как выбрать регионы лечения и контроля, сколько держать и как считать инкрементальные продажи и инкрементальный ROAS.
Вы запускаете федеральное ТВ для розничного бренда, и CMO хочет доказательство истинного инкрементального эффекта, а не атрибутированное число. ТВ можно включать и выключать по регионам, есть два года недельных региональных продаж. Спроектируйте geo holdout: как выбрать регионы лечения и контроля, сколько держать и как считать инкрементальные продажи и инкрементальный ROAS.
Разбейте регионы на лечение (ТВ) и контроль (holdout), сматчив по базе и сезонности. Держите pre-период плюс лечение дольше лага покупки. Читайте через difference-in-differences: продажи — лечение минус контроль за вычетом pre-разрыва, ROAS — прирост к затратам на ТВ.
Типичные ошибки
- ✗Брать лучшие против худших регионов вместо сопоставимых сматченных
- ✗Держать тест короче лага покупки
- ✗Читать атрибутированные конверсии вместо diff-in-diff прироста
Уточняющие вопросы
- →Как число регионов влияет на мощность теста?
- →Что делает с результатом перетекание между соседними регионами?
MiddleТеорияЧастоАтрибуция даёт brand search 30% выручки, а holdout — 3%. На что опираться?
Атрибуция даёт brand search 30% выручки, а holdout — 3%. На что опираться?
Опираться на 3%. Атрибуция засчитывает последнее касание, но пользователи brand search сами набрали ваше имя и купили бы всё равно — захват спроса, не создание. Holdout мерит прирост, отключая канал случайной группе. Финансируйте инкрементальную, не атрибутированную ценность.
Типичные ошибки
- ✗Доверять атрибутированной заслуге как причинной
- ✗Упускать, что brand search в основном ловит имеющийся спрос
- ✗Усреднять атрибуцию и инкрементальность как взаимозаменяемые
Уточняющие вопросы
- →Как чисто спроектировать holdout для brand search?
- →Когда атрибутированное и инкрементальное числа могут совпасть?
MiddleДебаггингИногдаiOS ATT и потеря cookie за ночь обрушили атрибутированную выручку paid-social вдвое — реальный обвал или обвал измерения?
iOS ATT и потеря cookie за ночь обрушили атрибутированную выручку paid-social вдвое — реальный обвал или обвал измерения?
Обвал измерения, а не реальный. Выручка компании, заказы и расходы ровны, а ~$1M, ушедший из paid-social, всплывает в direct/unattributed. ATT и потеря cookie сломали трекинг iOS, поэтому реальные конверсии падают как 'direct'. Признак: выручка утекла в неатрибутированную при ровных итогах.
Открыть задачу →Типичные ошибки
- ✗Читать падение атрибуции как реальное падение продаж
- ✗Упускать, что выручка утекла в неатрибутированную/direct
- ✗Резать бюджет до подтверждения инкрементальности holdout
Уточняющие вопросы
- →Почему ATT толкает конверсии в корзину 'direct'?
- →Как geo holdout решил бы вопрос здесь?
SeniorТеорияИногдаBrand-lift исследование даёт +8 пунктов узнаваемости — что это значит для выручки и почему маркетинг и аналитика спорят?
Brand-lift исследование даёт +8 пунктов узнаваемости — что это значит для выручки и почему маркетинг и аналитика спорят?
Узнаваемость — опережающий прокси верха воронки: +8 пунктов поднимут выручку лишь через запаздывающие размытые связи без фиксированного коэффициента. Маркетинг ценит опережающий сигнал; аналитика хочет причинное число выручки. Свяжите brand lift с holdout или MMM как гипотезу о продажах.
Типичные ошибки
- ✗Прямо превращать пункты узнаваемости в проценты выручки
- ✗Отвергать узнаваемость как полностью не связанную с выручкой
- ✗Мостить разрыв выбором льстивой модели атрибуции
Уточняющие вопросы
- →Как проверить, превращается ли прирост узнаваемости в продажи?
- →Почему нет фиксированного коэффициента узнаваемость-в-выручку?
SeniorДизайнИногдаCMO хочет один стек измерений на большой бюджет по ТВ, paid social и поиску. Объясните, когда браться за media-mix модель (MMM), когда за geo-lift эксперименты, а когда за multi-touch атрибуцию — на что каждый отвечает, их слепые зоны и что именно MMM нужно (история, вариация расходов, верные контроли), чтобы быть надёжным, а не подгонкой кривой.
CMO хочет один стек измерений на большой бюджет по ТВ, paid social и поиску. Объясните, когда браться за media-mix модель (MMM), когда за geo-lift эксперименты, а когда за multi-touch атрибуцию — на что каждый отвечает, их слепые зоны и что именно MMM нужно (история, вариация расходов, верные контроли), чтобы быть надёжным, а не подгонкой кривой.
MMM регрессирует продажи на расходы плюс контроли: покрывает офлайн и privacy-safe каналы, но требует лет истории и вариации расходов, иначе подгонка. Geo-lift даёт причинный прирост для переключаемых каналов. Атрибуция быстра, но корреляционна. MMM — микс, geo — проверка, атрибуция — настройка.
Типичные ошибки
- ✗Считать multi-touch атрибуцию причинной
- ✗Доверять подгонке MMM без вариации расходов и контролей
- ✗Считать, что geo-lift измеряет always-on федеральный канал
Уточняющие вопросы
- →Как триангулировать, когда MMM и geo расходятся по каналу?
- →Почему MMM без вариации расходов лишь подгоняет кривую?
SeniorДизайнРедкоНовый канал работает восемь месяцев в бизнесе всего с тремя регионами. Это исключает чистый geo-эксперимент (мало регионов для мощности) и media-mix модель (мало истории). Руководство всё равно хочет доказательства, что канал двигает продажи инкрементально, а не ловит имеющийся спрос. Опишите, что вы делаете: какие лёгкие причинные инструменты берёте, как их стадируете и как сообщаете уровень уверенности ответа.
Новый канал работает восемь месяцев в бизнесе всего с тремя регионами. Это исключает чистый geo-эксперимент (мало регионов для мощности) и media-mix модель (мало истории). Руководство всё равно хочет доказательства, что канал двигает продажи инкрементально, а не ловит имеющийся спрос. Опишите, что вы делаете: какие лёгкие причинные инструменты берёте, как их стадируете и как сообщаете уровень уверенности ответа.
Используйте platform-native lift и holdout тесты: conversion-lift или ghost-ad эксперименты, случайный holdout или on/off пульсирование как временной ряд. Триангулируйте слабые сигналы, не один. Предрегистрируйте эффект и давайте диапазон уверенности, не точность MMM.
Типичные ошибки
- ✗Форсировать MMM на слишком короткой истории
- ✗Считать атрибуцию доказательством инкрементальности
- ✗Гонять geo-тест на слишком малом числе регионов
Уточняющие вопросы
- →Как бы вы предрегистрировали ожидаемый прирост здесь?
- →Почему триангуляция слабых сигналов лучше одной оценки?
SeniorДизайнРедкоСпроектируйте алгоритм выбора, какой из 6 продвигаемых рекламой продуктов дополнительно усилить внутренними баннерами. Шесть федеральных рекламных кампаний идут одновременно месяц для шести продуктов по многим каналам; важны CTR, CR и денежный поток после целевого действия. Дополнительно продукты можно продвигать внутренними баннерами. Цель — максимизировать общий эффект для бизнеса. Какой эффект вы оптимизируете, как построите алгоритм выбора продукта для усиления в моменте и как выглядят формула оценки и обратная связь?
Спроектируйте алгоритм выбора, какой из 6 продвигаемых рекламой продуктов дополнительно усилить внутренними баннерами. Шесть федеральных рекламных кампаний идут одновременно месяц для шести продуктов по многим каналам; важны CTR, CR и денежный поток после целевого действия. Дополнительно продукты можно продвигать внутренними баннерами. Цель — максимизировать общий эффект для бизнеса. Какой эффект вы оптимизируете, как построите алгоритм выбора продукта для усиления в моменте и как выглядят формула оценки и обратная связь?
Оптимизируют инкрементальную маржу или выручку (денежный поток), а не тщеславный CTR. Ранжируют продукты по ожидаемой инкрементальной ценности на слот баннера: трафик × CTR × CR × маржа на конверсию. Слоты распределяют вживую политикой бандита с исследованием.
Типичные ошибки
- ✗Оптимизировать CTR вместо инкрементальной маржи или выручки
- ✗Статичное равное деление без живого перераспределения
- ✗Чистая эксплуатация без исследования других продуктов
Уточняющие вопросы
- →Почему здесь верная цель — инкрементальная, а не суммарная ценность?
- →Как бандит балансирует исследование холодного продукта?
SeniorТеорияРедкоКак работает правдивый механизм рекламного аукциона VCG и как его настраивают?
Как работает правдивый механизм рекламного аукциона VCG и как его настраивают?
VCG (Vickrey-Clarke-Groves) берёт с каждого победителя внешний эффект, который он навязывает — потерю благосостояния других участников из-за занятого им слота. Это делает правдивую ставку доминирующей стратегией: участник максимизирует выигрыш, ставя истинную ценность.
Типичные ошибки
- ✗Путать ценообразование VCG с первой ценой (платишь свою ставку)
- ✗Упускать, что правдивая ставка — доминирующая стратегия
- ✗Забывать взвешивание по качеству/релевантности и резервные цены
Уточняющие вопросы
- →Почему плата за внешний эффект делает правду оптимальной?
- →От чего резервная цена защищает аукцион?
