Предельная ROMI в programmatic: как считать с post-view конверсиями
Расчёт предельной ROMI для programmatic-закупок с динамической оптимизацией по post-view конверсиям требует комплексного подхода, учитывающего вклад медийной рекламы в общую воронку продаж. Важно корректно атрибутировать конверсии и определить максимальный ROMI, при котором кампания остаётся прибыльной.
Расчёт предельной ROMI (Return On Marketing Investment) для programmatic-закупок, особенно при оптимизации по post-view конверсиям, — задача нетривиальная. Она требует глубокого понимания механики рекламных платформ, точности атрибуции и умения работать с данными. Ключевая сложность заключается в корректном учёте отложенного эффекта медийной рекламы, который проявляется через post-view конверсии, и интеграции этих данных в динамическую оптимизацию. Предельная ROMI здесь — это максимальное значение, при котором каждый рубль, вложенный в programmatic, приносит запланированный или выше среднего доход, сохраняя положительную рентабельность маркетинга.
Что такое post-view конверсия и почему она важна для programmatic
Post-view конверсия — это целевое действие, совершённое пользователем после просмотра рекламного объявления, без прямого клика по нему. То есть, человек увидел баннер, не кликнул сразу, но спустя некоторое время (в рамках окна атрибуции) вернулся на сайт и совершил покупку, заявку или другое ценное действие. Для programmatic-рекламы, которая часто работает на верхних этапах воронки, формируя спрос и узнаваемость, post-view конверсии являются критически важным показателем эффективности.
Игнорирование post-view конверсий при оценке эффективности programmatic-кампаний приводит к недооценке их реального вклада. Если мы будем учитывать только post-click, то медийные кампании будут казаться неэффективными или дорогими, хотя на самом деле они прогревают аудиторию и стимулируют будущие покупки. Представьте, programmatic-кампания показала баннер пользователю, который затем пришёл на сайт через прямой заход или по брендовому запросу в поиске. Без post-view атрибуции этот пользователь будет отнесён к другим каналам, а programmatic лишится заслуженной конверсии.
«Измерять только post-click — это как оценивать айсберг лишь по его видимой части. Большая и самая важная часть эффективности медийной рекламы скрыта под водой post-view атрибуции. И только учёт всей массы позволяет понять реальный масштаб влияния.»
— Денис Орлов, перформанс-маркетолог Rusability
Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
Настройка атрибуции: окно конверсии и модели атрибуции
Окно конверсии для post-view
Окно конверсии — это период времени, в течение которого post-view конверсия приписывается показу рекламы. Обычно для programmatic этот период дольше, чем для post-click. Если для кликов это часто 30 дней, то для просмотров может быть 1, 3, 7 или даже 14 дней. Выбор зависит от длительности цикла сделки вашего продукта. Для товаров импульсного спроса подойдёт короткое окно (1–3 дня), для сложных услуг с длинным циклом принятия решения — более длительное (7–14 дней).
Пример: вы продаёте автомобили. Пользователь увидел медийный баннер, не кликнул. Через 10 дней он начал активно искать информацию об автомобилях, а ещё через 30 дней купил конкретную модель. Если окно post-view атрибуции 7 дней, то programmatic не получит эту конверсию. Если 14 дней — получит. Важно экспериментально определить оптимальное окно, анализируя путь пользователя. Как правило, анализируют долю конверсий, которые приходятся на разные временные интервалы после показа.
Модели атрибуции
Выбор модели атрибуции влияет на распределение ценности конверсии между различными точками касания. В programmatic, особенно с post-view, часто применяют модели, которые учитывают несколько взаимодействий:
Линейная модель: равномерно распределяет ценность между всеми точками касания.
Модель на основе позиции: отдаёт больший вес первому и последнему взаимодействию.
Модель с учётом давности взаимодействия (Time Decay): чем ближе касание к конверсии, тем больше его ценность.
Дата-дривен (Data-Driven Attribution, DDA): наиболее продвинутая модель, которая использует алгоритмы машинного обучения для определения реального вклада каждого канала на основе ваших данных. Это оптимальный вариант для programmatic, но требует достаточного объёма конверсий.
Переход на DDA часто показывает, что медийная реклама приносит значительно больше ценности, чем предполагалось по Last Click. Доля конверсий, приписываемых programmatic, может вырасти на 20-40% при таком переходе.
Расчёт ROMI с учётом post-view конверсий
Классическая формула ROMI выглядит так:
ROMI = (Доход от маркетинга – Затраты на маркетинг) / Затраты на маркетинг * 100%
В нашем случае, «Доход от маркетинга» должен включать доход от post-view конверсий. Проблема в том, что direct-реклама (контекст, таргет) часто генерирует post-click конверсии, а programmatic — post-view. Чтобы избежать задвоения и некорректной оценки, важно использовать единую модель атрибуции для всех каналов и получать доход от каждой конверсии согласно этой модели.
Поэтапный расчёт
1.Сбор данных: собираем данные по показам, кликам, расходам programmatic-кампаний, а также по конверсиям и их стоимости (доходу) из аналитических систем (Яндекс Метрика, Google Analytics, CRM).
2.Применение модели атрибуции: все конверсии должны быть атрибутированы согласно выбранной модели (например, DDA) с учётом post-view окна.
3.Расчёт дохода: определяем доход, принесённый programmatic-кампаниями, суммируя ценность всех конверсий, которые им приписаны в рамках выбранной модели атрибуции и окна post-view.
4.Расчёт затрат: фиксируем все расходы на programmatic-кампанию (медиазакупки, комиссии DSP/агентства).
5.Расчёт ROMI: подставляем полученные значения в формулу.
Пример: programmatic-кампания с бюджетом 1 000 000 рублей. По post-click атрибуции (Last Click) она принесла 50 конверсий со средним чеком 20 000 рублей. Доход = 1 000 000 рублей. ROMI = (1 000 000 – 1 000 000) / 1 000 000 * 100% = 0%. Кампания кажется неэффективной.
Однако, применив DDA-модель с 7-дневным окном post-view, обнаруживаем, что programmatic дополнительно «коснулась» 150 конверсий, которым по этой модели было приписано 30% их ценности. Если средний чек 20 000 рублей, то дополнительный доход от post-view = 150 * 20 000 * 0,3 = 900 000 рублей. Общий доход = 1 000 000 (post-click) + 900 000 (post-view) = 1 900 000 рублей. Новый ROMI = (1 900 000 – 1 000 000) / 1 000 000 * 100% = 90%. Разница существенна.
Определение предельной ROMI и динамическая оптимизация CPA
Предельная ROMI — это по сути целевой показатель рентабельности, ниже которого дальнейшее масштабирование или продолжение кампании становится нецелесообразным. Она напрямую связана с предельным CPA (Cost Per Acquisition), то есть максимальной стоимостью привлечения одного клиента, которая всё ещё позволяет вам получать прибыль.
Формула связи CPA и ROMI:
CPA = (Доход от конверсии – Затраты на товар/услугу) / (1 + ROMI_целевой / 100%)
Или, более просто: если у вас есть целевой ROMI, то вы можете определить, сколько готовы платить за каждую конверсию. Например, вы хотите ROMI 50%. Средний доход от клиента (LTV или AOV) 10 000 рублей, маржинальность 40% (т.е. чистая прибыль 4 000 рублей).
Максимальный бюджет на маркетинг для получения 4000 рублей чистой прибыли с учётом 50% ROMI:
В нашем примере: CPA_max = (10 000 * 0,4) / (1 + 0,5) = 4000 / 1,5 = 2666 рублей. То есть, чтобы получить 50% ROMI, вы не должны платить за конверсию больше 2666 рублей.
Динамическая оптимизация CPA
Programmatic-платформы (DSP) позволяют автоматически оптимизировать ставки для достижения целевого CPA или ROMI. Чтобы это работало корректно с post-view конверсиями, критично важно:
Передавать в DSP данные о всех конверсиях с учётом выбранной модели атрибуции и post-view окна. Это требует интеграции через API или использования сторонних трекеров (например, Adjust, AppsFlyer) с возможностью передачи ценности конверсий.
Установить целевой CPA, который вы рассчитали на основе предельной ROMI. DSP будет стремиться оставаться в рамках этого показателя, регулируя ставки и выбирая наиболее эффективные размещения.
Регулярно мониторить ROMI и корректировать целевой CPA. Рынок меняется, конкуренция растёт, эффективность одних и тех же креативов и площадок может снижаться.
Без корректно настроенной передачи post-view данных, DSP будет оптимизироваться только по post-click, что приведёт к занижению ставок для медийных размещений и, как следствие, недополучению потенциальных конверсий и снижению общего ROMI.
Кейс: Оптимизация programmatic-кампании для e-commerce
Интернет-магазин электроники запустил programmatic-кампанию с бюджетом 2 500 000 рублей в месяц для продвижения новых моделей смартфонов. Цель — ROMI 70%. Средний чек покупки смартфона 50 000 рублей, маржинальность 25%.
Расчёт предельного CPA:
Чистая прибыль с одного смартфона: 50 000 * 0,25 = 12 500 рублей.
Магазин использовал DDA-модель атрибуции с 14-дневным окном post-view и передавал данные о конверсиях в DSP. В первые две недели кампания показывала ROMI около 30%, так как система ещё обучалась, и основная масса конверсий приходила по Last Click.
Через месяц после запуска:
Потрачено: 2 500 000 рублей.
Прямые post-click конверсии: 150 продаж на общую сумму 7 500 000 рублей. Доход от них по DDA-модели: 7 500 000 * 0,6 (допустим, 60% ценности пришлось на programmatic как на последний клик) = 4 500 000 рублей.
Post-view конверсии: 200 продаж, которым по DDA-модели было приписано 20% ценности (programmatic была в цепочке, но не последней). Общий доход от post-view: 200 * 50 000 * 0,2 = 2 000 000 рублей.
Кампания значительно превысила целевой ROMI в 70%. Это дало основание для масштабирования, увеличения бюджета и, возможно, повышения целевого CPA, чтобы привлечь больше потенциальных клиентов, сохраняя при этом приемлемый уровень рентабельности.
Ошибки в расчётах и как их избежать
Игнорирование post-view: Самая распространённая ошибка, приводящая к недооценке эффективности медийной рекламы. Без учёта отложенных конверсий programmatic будет казаться убыточной.
Некорректное окно атрибуции: Слишком короткое окно пропустит часть реальных конверсий, слишком длинное — может приписать конверсии, которые произошли бы и без рекламы, или же будет сложно доказать прямую связь.
Неправильный выбор модели атрибуции: Last Click почти всегда не подходит для оценки медийной рекламы. Это смещает фокус на завершающие каналы и игнорирует верхнюю часть воронки.
Отсутствие передачи ценности конверсий: Если в DSP передаётся только факт конверсии, но не её доход, система не сможет оптимизироваться по ROMI, а только по CPA, что менее эффективно.
Отсутствие синхронизации данных: Расхождения между данными аналитических систем и DSP приводят к неверным выводам и ошибкам в оптимизации. Настройте единую систему учёта и отслеживания.
Использование среднего чека вместо LTV: Для некоторых бизнесов разовая покупка не отражает всей ценности клиента. Используйте LTV (Lifetime Value) при расчёте предельного CPA для более точной оценки.
Выводы и рекомендации
Не игнорируйте post-view конверсии: они критически важны для оценки эффективности programmatic-рекламы и понимания её вклада в верхние этапы воронки.
Тщательно выбирайте окно атрибуции: опирайтесь на данные о среднем цикле сделки вашего продукта. Анализируйте, как распределяются конверсии по времени после показа.
Используйте продвинутые модели атрибуции: Last Click не подходит для programmatic. Переходите на Data-Driven Attribution, чтобы корректно распределить ценность между всеми точками касания.
Интегрируйте данные о доходе в DSP: для эффективной динамической оптимизации по ROMI необходимо передавать не только факт, но и ценность каждой конверсии.
Рассчитывайте предельную ROMI и CPA: эти метрики задают границы, в рамках которых ваша programmatic-кампания остаётся прибыльной и позволяет достигать бизнес-целей. Регулярно пересчитывайте их.
Непрерывно мониторьте и адаптируйте: рынок и поведение пользователей меняются. Тестируйте гипотезы, корректируйте стратегии и параметры кампаний, чтобы поддерживать высокий ROMI.
Инструменты для эффективной работы с post-view конверсиями
Для точного измерения и оптимизации по post-view конверсиям требуется серьёзный инструментарий. Простое отслеживание через стандартные счётчики даёт лишь часть картины. Важно использовать системы, способные обрабатывать большие объёмы данных, строить сложные модели атрибуции и предоставлять гибкие отчёты.
Системы аналитики и атрибуции
Современные платформы сквозной аналитики и специализированные системы атрибуции – это фундамент. Они не просто собирают данные, а позволяют связать показы рекламы с реальными конверсиями, даже если прямой клик отсутствует. Например, Google Analytics 4, хотя и не является специализированной платформой атрибуции, предоставляет хорошие возможности для интеграции с рекламными кабинетами и просмотра ассоциированных конверсий. Однако для глубокого анализа и настройки моделей атрибуции, выходящих за рамки Last Click или Data-Driven, потребуются более мощные решения.
Многоканальные отчёты: позволяют увидеть, какие каналы участвовали в пути клиента к конверсии.
Модели атрибуции: возможность применять различные модели (линейная, временной распад, позиционная) и сравнивать их влияние на оценку эффективности каналов.
Интеграция с CRM: для связывания рекламных данных с данными о продажах и прибыли, что критично для расчёта ROMI.
Важно понимать, что система атрибуции – это не волшебная палочка, а мощный калькулятор. Её точность напрямую зависит от качества исходных данных и корректности настроек. Если вы некорректно зададите окно атрибуции или не учтёте все точки касания, то даже самая продвинутая система выдаст искажённые результаты.
Programmatic-платформы с расширенными возможностями
Не все programmatic-платформы одинаково хорошо работают с post-view конверсиями. Выбирайте те, которые предлагают расширенные возможности по работе с данными о показах и поддерживают интеграцию с внешними системами аналитики. Многие крупные DSP (Demand-Side Platforms) уже включают функционал для отслеживания post-view и даже оптимизации ставок на основе этих данных.
Пиксели отслеживания показов: обеспечивают точную фиксацию показа для дальнейшей атрибуции.
Возможность загрузки офлайн-конверсий: если часть конверсий происходит вне сети, важно иметь возможность их подгружать для полного расчёта ROMI.
Инструменты для борьбы с фродом: недобросовестные площадки могут накручивать показы, искажая данные о post-view конверсиях.
Без качественного инструментария вы будете действовать вслепую, опираясь на догадки вместо данных. Это прямой путь к неэффективному расходованию бюджета. В programmatic-закупках, где бюджеты часто значительны, погрешность в несколько процентов может обернуться миллионными потерями.
Прогноз ROI до старта кампании: расчёт потенциальной выгоды
Перед запуском programmatic-кампании с фокусом на post-view конверсии всегда проводите предварительный расчёт ROI (Return on Investment). Это позволяет оценить потенциальную окупаемость инвестиций и скорректировать ожидания. Формула ROI проста, но требует адекватных входных данных.
«Расчёт ROI до запуска кампании — это не гадание на кофейной гуще, а обязательная часть планирования. Вы должны понимать, на что рассчитывать, прежде чем тратить деньги.»
— Денис Орлов, перформанс-маркетолог Rusability
Как прогнозировать ROI?
Для прогнозирования ROI нам нужно оценить три ключевых показателя: предполагаемый объём показов (импрессий), средний CTR, конверсию из просмотра в целевое действие и средний чек. Поскольку мы работаем с post-view, классический CTR здесь вторичен, но он даёт понимание кликовой активности, которая также будет учитываться.
Объём показов (Impressions): можно взять из медиаплана или оценить на основе прошлых кампаний и доступного инвентаря. Допустим, 10 000 000 показов.
Показатель post-view конверсии (PVCR): это доля пользователей, которые совершили целевое действие после просмотра рекламы, но без клика. Возьмём среднее значение, например, 0,5%.
Средний чек (Average Check): прибыль с одной конверсии. Пусть будет 3000 рублей.
Маржинальность продукта: Доля выручки, которая остаётся после вычета себестоимости. Например, 30%.
Стоимость 1000 показов (CPM): оценочная стоимость размещения в programmatic. Пусть это будет 150 рублей.
Теперь рассчитаем потенциальный доход и ROI.
Шаг 1: Рассчитываем количество post-view конверсий:
Этот расчёт показывает, что при заданных параметрах, programmatic-кампания с учётом post-view конверсий может быть очень выгодной. Конечно, это идеализированный пример. В реальности конверсии будут делиться между post-view и post-click, и нужно будет применять модель атрибуции для справедливого распределения ценности. Но этот прогноз даёт отправную точку для принятия решения о запуске и определении целевых показателей.
Влияние различных моделей атрибуции на ROMI post-view конверсий
Выбор модели атрибуции напрямую влияет на то, как мы оцениваем вклад programmatic-каналов в post-view конверсии и, следовательно, на расчёт ROMI. Разные модели могут радикально изменить оценку эффективности и, как следствие, решения по оптимизации бюджета.
Сравнение моделей: пример
Допустим, путь пользователя к конверсии выглядит так: баннер programmatic (показ) -> пост в соцсетях (клик) -> поиск (клик) -> прямые заходы -> конверсия. Средний чек 1000 рублей, маржинальность 40%.
Модель Last-Click: вся ценность (1000 рублей) уходит последнему каналу (прямые заходы). Programmatic получает 0 рублей. ROMI programmatic = -100% (убыток).
Модель Last Non-Direct Click: 1000 рублей уходит поиску. Programmatic также 0. ROMI programmatic = -100%.
Модель First Click: 1000 рублей уходит programmatic-баннеру. ROMI programmatic = ((400 - CPLPV) / CPLPV) * 100%. Если стоимость показа на пользователя была низкой, ROMI будет очень высоким. Здесь programmatic выглядит очень эффективным.
Линейная модель: каждый канал получает равную долю. Programmatic получает 1000 / 4 = 250 рублей. Прибыль 250 * 0,4 = 100 рублей. ROMI = ((100 - CPLPV) / CPLPV) * 100%. Эта модель справедливее распределяет, но не учитывает разную значимость каналов.
Модель Time Decay (временной распад): каналы, близкие к конверсии, получают больше веса. Programmatic-показ в начале цепочки получит меньше, чем при First Click, но больше, чем при Last Click. Эта модель часто даёт более реалистичную картину для длинных циклов сделки.
Модель Data-Driven: алгоритм на основе машинного обучения распределяет ценность, исходя из фактических данных. Эта модель часто является наиболее точной, поскольку учитывает уникальный вклад каждого касания для конкретной аудитории. Именно она чаще всего используется для динамической оптимизации.
Для programmatic с post-view конверсиями наиболее адекватными будут модели First Click, Линейная, Time Decay и Data-Driven. Last Click и Last Non-Direct Click практически исключают programmatic из оценки, что в корне неверно, если вы верите в его охватную и брендовую функцию.
Если использовать First Click, ROMI programmatic-кампании может выглядеть очень привлекательно, так как она получает всю ценность за первое касание. Но это может привести к недооценке других каналов. Time Decay и Data-Driven, как правило, дают более сбалансированную картину, что позволяет принимать более взвешенные решения по распределению бюджета. Они дают возможность увидеть, какой вклад вносят медийные показы на ранних этапах воронки.
Пересчитывая ROMI с разными моделями атрибуции, вы увидите, как сильно меняется оценка эффективности programmatic. Это помогает обосновать инвестиции в каналы, которые не генерируют прямые клики, но формируют спрос и работают на узнаваемость бренда, приводя к post-view конверсиям. Ваша задача — выбрать ту модель, которая лучше всего отражает бизнес-логику вашего продукта и пути клиента.
Оценка рисков и масштабирование programmatic-кампаний с post-view
После успешного тестирования и подтверждения эффективности post-view конверсий в programmatic, возникает вопрос масштабирования. Но масштабирование всегда сопряжено с рисками, которые необходимо заранее просчитать.
Риски при масштабировании
Снижение эффективности: при увеличении объёмов показов часто падает качество трафика и, соответственно, PVCR. Аудитория становится менее релевантной, ставки растут.
Перенасыщение аудитории: одна и та же аудитория видит слишком много ваших баннеров, что приводит к «баннерной слепоте» и снижению отклика.
Рост CPM: при агрессивных закупках рекламный инвентарь дорожает, что напрямую влияет на итоговый ROMI.
Увеличение фрода: с ростом объёмов увеличивается и вероятность столкнуться с мошенническими показами, которые искажают реальную картину эффективности.
Некорректная модель атрибуции: если ваша модель атрибуции неадекватно распределяет ценность, при масштабировании это приведёт к перерасходу на неэффективные каналы.
Чтобы минимизировать эти риски, подход должен быть поэтапным и контролируемым.
Стратегии масштабирования и контроля
Постепенное увеличение бюджета: не удваивайте бюджет сразу. Увеличивайте его на 10-20% и отслеживайте изменения в ROMI и CPA. Если показатели ухудшаются, остановитесь и проанализируйте причины.
Расширение аудитории: ищите новые сегменты, схожие с вашей текущей целевой аудиторией. Используйте look-alike аудитории, расширяйте географию или демографические параметры.
Тестирование новых форматов и креативов: разнообразие форматов (видео, аудио, интерактивные баннеры) может помочь избежать «баннерной слепоты» и найти новые точки роста PVCR.
Оптимизация частоты показов (frequency capping): контролируйте, сколько раз один пользователь видит вашу рекламу. Например, не более 5-7 показов в неделю на одного уникального пользователя.
A/B-тестирование: постоянно тестируйте гипотезы по креативам, таргетингам, платформам. То, что работало на меньших объёмах, может не сработать на больших.
Мониторинг метрик в реальном времени: постоянно отслеживайте CPM, PVCR, CPA и ROMI. Автоматизируйте уведомления о критических изменениях.
Использование Data-Driven атрибуции: для масштабирования это наиболее надёжный подход, так как он адаптируется к изменениям в поведении пользователей и распределяет ценность более точно.
Предположим, вы хотите увеличить бюджет на programmatic с 1 500 000 до 3 000 000 рублей. Изначальный ROMI = 2900%. При масштабировании PVCR может упасть с 0,5% до 0,4%, а CPM вырасти со 150 до 180 рублей. Количество показов увеличится до 16 666 667 (3 000 000 / 180 * 1000).
Новое количество PV-конверсий = 16 666 667 * 0,004 = 66 667 конверсий.
Новый доход = 66 667 * 3000 = 200 001 000 рублей.
Новая прибыль = 200 001 000 * 0,3 = 60 000 300 рублей.
Новый ROI = ((60 000 300 - 3 000 000) / 3 000 000) * 100% = 1900%.
Как видите, ROMI снизился с 2900% до 1900%. Это все ещё отличный показатель, но важно быть готовым к таким изменениям. Планирование таких сценариев позволяет заранее скорректировать ожидания и разработать стратегию оптимизации.
Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
Пока нет комментариев. Будьте первым!