Как понять, сколько продаж на самом деле принесла реклама?

Допустим, CRM связала с рекламой 100 продаж. Можно ли сказать, что реклама принесла бизнесу именно 100 продаж? Не совсем. CRM сама по себе не может показать, какая реклама была в истории клиента перед покупкой, но если дополнительно использовать интеграцию CRM c системами веб-аналитики, можно довольно точно узнать, какая реклама была в истории клиента перед покупкой. Однако это само по себе не означает, что без рекламы человек не купил бы вообще. Поэтому, когда бизнес хочет понять отдачу от рекламы, важно разделить три вопроса:

1. Сколько продаж действительно произошло?
2. Сколько из них аналитика связала с рекламой?
3. Сколько продаж появились именно благодаря рекламе и не случились бы без неё?

Количество подтверждённых продаж определяют по платёжной или учётной системе, а связать их с рекламными источниками помогает сквозная аналитика. Для третьего уже нужен эксперимент или другой метод, который позволяет оценить причинный эффект.

За фразой «продажи от рекламы» скрываются три разных числа

Маркетолог, руководитель и отдел продаж могут говорить о «продажах от рекламы» и при этом иметь в виду совершенно разные вещи:

Для повседневного управления рекламой бизнесу хватает первых двух уровней. По ним можно увидеть, после каких кампаний люди покупают, передать данные об оплаченных заказах обратно в рекламные системы и перераспределить бюджет. Третий уровень (инкрементальный, или причинный) нужен, когда ошибка может стоить дорого. Например, компания вкладывает большой бюджет в медийную рекламу, ретаргетинг или продвижение бренда и хочет понять, сколько продаж эта реклама действительно добавила. Ведь человек мог купить и без очередного объявления: он уже знал компанию, собирался вернуться на сайт, получил рекомендацию или увидел скидку в другом канале.

Mindbox предлагает удобное разделение: метрики фиксируют результат, атрибуция распределяет его между каналами, а инкрементальность отвечает на главный причинный вопрос – случился бы этот результат без маркетингового воздействия. 

Mindbox описывает разные задачи, ключевые вопросы и ограничения каждого из трёх подходов

Похожий подход использует и Google Ads: обычные конверсии зависят от правил отслеживания и атрибуции, а дополнительные конверсии оценивают через сравнение тестовой и контрольной групп.

Google разделяет конверсии на стандартные атрибутированные и дополнительные (инкрементальные)

Для начала посчитайте сами продажи

Прежде чем разбираться с рекламой, стоит ответить на более базовый вопрос: что именно компания считает продажей? Для интернет-магазина продажей может считаться выкупленный заказ с учётом возвратов; для застройщика – подписанный договор; для клиники – оплаченный приём, а не запись пациента в расписании. При этом определение должно быть одинаковым для маркетинга, отдела продаж и финансов, иначе рекламный кабинет будет показывать отправленные формы, CRM – созданные сделки, а руководитель попытается сравнить всё это с фактической выручкой. Цифры будут разными, хотя каждая система по-своему права.

Не забудьте про статус и дату продажи

Каждая продажа должна попасть в отчёт один раз и в правильном статусе. Поэтому стоит учитывать:

1. отменённые и невыкупленные заказы;
2. полные и частичные возвраты;
3. повторные обращения одного клиента;
4. повторные покупки;
5. дату первого обращения;
6. дату оплаты;
7. сделки, которые закрываются через несколько недель или месяцев.

Последний пункт особенно важен в B2B, недвижимости и медицине. Представим, что реклама привела клиента в мае, а договор он подписал только в августе. Если сравнить майские расходы только с майскими оплатами, реклама покажется неэффективной. Но если всю августовскую выручку записать на счёт августовской рекламы, получится другая ошибка: новые кампании получат заслугу за клиентов, которых привели ещё весной. При этом нужно заранее проверить временные ограничения конкретной системы аналитики, так как длинный цикл сделки может выходить за пределы поддерживаемого системой срока привязки или обновления конверсии.

Поэтому полезно хранить как минимум две даты: когда компания получила клиента и когда клиент совершил покупку. Для контроля денежного потока нужен отчёт по дате оплаты. А для оценки рекламы полезнее смотреть на когорты – группы клиентов, пришедших в один и тот же период. Затем свяжите рекламу с реальной оплатой

В упрощённом виде цепочка выглядит так: сначала совершается рекламный расход, затем происходит визит пользователя на сайт, после чего следует обращение, создаётся сделка и в итоге фиксируется подтверждённая оплата. Задача аналитики здесь – не потерять клиента по дороге. Для этого на разных этапах используют идентификаторы: UTM-метки, ClientID, YCLID, номер заказа, телефон, электронную почту или внутренний ID клиента. Если значимая часть обращений приходит по телефону, понадобится коллтрекинг. Для мессенджеров и офлайн-точек тоже нужно отдельно настраивать передачу событий и продаж.

Связка данных о звонках, клиентах и статусах сделок помогает проверить, какие обращения дошли до реальной продажи.

Например, Яндекс Метрика позволяет передавать данные из CRM: заказы, статусы, доход, себестоимость и идентификаторы клиентов. После сопоставления этих данных с визитами можно анализировать воронку и оптимизировать рекламу не по заявкам, а по реальным бизнес-результатам: оплатам, выкупленным заказам или подписанным договорам. В отчёте по офлайн-конверсиям также можно увидеть, удалось ли связать событие с визитом и почему сопоставление иногда не срабатывает.

Важно для бизнеса с длинным циклом сделки. В Метрике действуют разные временные ограничения. История визитов начинается заново, если между визитами прошло более 90 дней. Офлайн-конверсию необходимо загрузить в течение 21 дня после события, а новый заказ из CRM — когда его ещё можно связать с визитом. После привязки данные заказа можно обновлять в течение 111 дней. Если сделка закрывается позже, для полноценного анализа может потребоваться собственное сопоставление данных воронки в BI. Актуально для таких сфер, как недвижимость и B2B, где сделки часто могут занимать несколько месяцев или даже год. 

Смотрите не только на продажи, но и на качество данных

В отчёте рядом должны находиться четыре числа:

1. Все подтверждённые продажи.
2. Продажи, для которых удалось определить источник.
3. Продажи, которые выбранная модель отнесла к платной рекламе.
4. Продажи, которые связать с источником не удалось.

Последняя цифра особенно важна. Допустим, источник известен только у половины оплат. В такой ситуации красивый отчёт с ROMI, CPO и окупаемостью каждой кампании скорее создаёт иллюзию точности, чем помогает принимать решения. Сначала стоит понять, где исчезают данные: в формах, звонках, мессенджерах, CRM, интеграциях или при удалении дублей.

Например, в проекте ZONE51 Реаспект объединил данные CRM и Яндекс Метрики. С визитами удалось связать 93 % заказов. Это хороший показатель полноты данных: сравнивать каналы при таком покрытии гораздо надёжнее. Но даже 93 % связанных заказов не означают, что все эти покупки появились исключительно благодаря рекламе.

В проекте по настройке аналитики для производителя игровых кресел нам удалось связать с продажами более 93% заказов. Изучить кейс в деталях можно на сайте Реаспекта.

Атрибуция отвечает на вопрос «кому записать продажу»

После того как система связала продажу с историей клиента, появляется новая задача: какому именно касанию отдать результат? Это и решает модель атрибуции. Представим путь клиента. Сначала человек увидел медийный баннер. Через неделю перешёл на сайт из поисковой рекламы. Потом вернулся из органической выдачи. А перед самой покупкой набрал адрес сайта вручную и позвонил. Продажа одна, но касаний несколько. Какому из них её записать? Ответ зависит от модели:

1. Последний переход отдаст продажу источнику текущего визита. В нашем примере это может быть прямой заход.
2. Первый переход кросс-девайс отдаст ценность источнику, с которого началась известная системе история клиента, в том числе с учётом разных устройств.
3. Последний значимый переход кросс-девайс не позволит прямому заходу перехватить ценность у предыдущего значимого источника.
4. Автоматическая атрибуция распределит результат по правилам самой платформы.
5. Линейная модель, если её поддерживает система аналитики, разделит ценность между известными касаниями.

Выбранная модель атрибуции определяет, как система распределит продажи между известными источниками и касаниями.

В Яндекс Метрике набор моделей менялся. С 20 мая 2026 года несколько старых вариантов отключены, в том числе обычные модели первого и последнего значимого перехода. В актуальной справке перечислены последний переход, первый переход кросс-девайс, последний значимый переход кросс-девайс и автоматическая атрибуция.

Почему CRM, Метрика и рекламный кабинет показывают разные цифры

Разные цифры ещё не означают, что одна из систем сломалась. Причин может быть много:

1. разные окна атрибуции;
2. разные способы распознавания пользователей и устройств;
3. учёт клика или показа рекламы;
4. разные правила выбора первого, последнего или другого касания;
5. разная обработка прямых заходов;
6. разные правила для повторных клиентов;
7. задержки с данными о возвратах и отменах.
8. отсутствие синхронизации статусов CRM и платежной системы.

Есть и ещё одна проблема: каждая рекламная площадка оценивает собственный вклад. Один и тот же человек мог увидеть рекламу на двух площадках, а потом сделать одну покупку. При этом обе площадки вполне могут показать у себя по конверсии. Поэтому складывать «продажи» из разных рекламных кабинетов нельзя. Так одна реальная покупка легко превращается в две или три.

Контрольным источником количества оплат должна оставаться CRM или другая единая система учёта. А уже затем атрибуция распределяет эти продажи между каналами по одинаковым правилам.

Не ищите «единственно правильную» атрибуцию

Такой модели, которая всегда показывает абсолютную истину, нет. Выбирать модель лучше под конкретный вопрос. Например, первый переход помогает понять, откуда начинается привлечение новых пользователей. Последний значимый показывает источник, после которого человек мог вернуться напрямую. Последний переход удобен для разбора текущих визитов.

На практике можно действовать так:

1. Выберите основную модель и зафиксируйте её в регламенте.
2. Укажите окно и дату атрибуции, если система позволяет ими управлять.
3. Сравните результаты хотя бы по двум моделям.
4. Посмотрите, меняется ли из-за этого решение о бюджете.
5. Всегда показывайте рядом долю продаж без известного источника.

Если канал выглядит сильным при разных моделях, вывод становится надежнее и устойчивее к выбору атрибуционной модели. Если он окупается только при одном способе атрибуции, стоит разобраться, какую роль канал играет на самом деле. Возможно, он создаёт спрос в начале пути. А возможно, модель просто записывает ему продажи, которые произошли бы и без этого касания.

Стоимость продажи по каналу обычно считают так: CPO = рекламные расходы / число продаж, приписанных каналу

Но здесь есть важная оговорка. CPO показывает стоимость атрибутированной продажи. Это не то же самое, что стоимость дополнительной продажи, созданной рекламой. А для полноценной оценки окупаемости CPO стоит сравнивать не только с выручкой, но и с маржой, возвратами и полной стоимостью привлечения клиента.

А как узнать, сколько продаж произошло именно благодаря рекламе?

Здесь мы переходим от атрибуции к причинности. Вопрос нужно поставить так: что произошло бы с похожими клиентами в тот же период, если бы они не увидели рекламу? Показать одному и тому же человеку две параллельные реальности невозможно. Поэтому бизнес сравнивает разные группы, регионы или периоды, которые до запуска рекламы вели себя похоже.

Самая понятная схема – контрольный эксперимент:

1. тестовая группа может увидеть рекламу;
2. контрольная группа рекламу не видит;
3. продажи в обеих группах считают одинаково;
4. затем сравнивают результат с поправкой на размер выборки и статистическую погрешность.

Возьмём условный пример. Конверсия в тестовой группе составила 2,4 %, а в контрольной – 2 %. Разница – 0,4 процентного пункта. Если в тестовой аудитории было 50 000 человек, дополнительный результат можно оценить примерно в 200 продаж:

50 000 × 0,4 % = 200 продаж

В условном примере разница в конверсии тестовой и контрольной групп даёт 200 дополнительных продаж, которые можно связать с эффектом рекламы.

Но прежде чем делать бизнес-вывод, аналитик должен проверить, статистически ли значима эта разница и действительно ли группы были сопоставимы. При этом атрибуционный отчёт вполне может показать не 200, а, например, 600 продаж от рекламы – и противоречия здесь нет. Часть этих 600 покупателей всё равно совершила бы покупку: они уже знали бренд, собирались вернуться, пришли бы из органической выдачи или планировали повторный заказ. Эксперимент как раз помогает отделить такие базовые продажи от тех, которые реклама действительно добавила.

Передача телефонов, email и CRM-данных должна иметь законное основание, быть отражена в документах о конфиденциальности и выполняться с соблюдением требований к защите данных.

Какие эксперименты используют на практике

Для крупных рекламных кампаний есть несколько распространённых вариантов:

1. Holdout-тест. Часть случайно выбранной аудитории исключают из рекламных показов.
2. Географический тест. В одних сопоставимых регионах рекламу запускают, а в других – нет.
3. Поэтапный запуск. Разные группы или территории подключают к кампании в разное время.
4. Причинное моделирование. Если провести чистый эксперимент нельзя, сценарий без рекламы пытаются оценить на исторических данных.

Google описывает Conversion Lift именно как контролируемый эксперимент для оценки дополнительных конверсий. Похожую логику тестовой и контрольной групп и Sales Lift можно найти в руководстве АРИР по оценке эффективности рекламы.

Почему «до рекламы было меньше, после стало больше» – слабое доказательство

Допустим, после запуска кампании продажи выросли. Значит ли это, что рост дала реклама? Возможно, но не обязательно –  ведь в тот же момент мог начаться сезон; компания могла запустить распродажу, снизить цену, расширить ассортимент или ускорить доставку; конкурент мог уйти с рынка; менеджеры по продажам могли начать работать лучше. Обычное сравнение «до и после» не умеет отделять влияние рекламы от всех этих факторов. Для первичной гипотезы такой анализ подходит, но для уверенного вывода о причине уже нет. 

Чем больше изменений происходило одновременно с рекламной кампанией, тем осторожнее стоит относиться к результату.

При этом и контрольная группа не даёт магической гарантии точности. Нужно следить, чтобы аудитории не пересекались, продажи в обеих группах считались одинаково, а выборка была достаточно большой. Для сезонного бизнеса важно убедиться, что тестовая и контрольная группы вели себя похоже ещё до эксперимента. А при длинном цикле сделки нельзя заканчивать анализ слишком рано, так как часть продаж может прийти через недели или месяцы.

Когда эксперимент – лишняя сложность

Не каждому бизнесу нужно сразу строить контрольные группы и причинные модели. Если компания пока не может уверенно ответить, сколько всего продаж получила, не фиксирует оплаты в CRM или теряет половину источников, эксперимент не решит проблему. Сложная статистика не исправит плохие исходные данные.

Эксперимент может быть бессмысленным и при очень небольшом количестве сделок. Выборки не хватит для надёжного вывода, а решения всё равно придётся принимать на основе разбора отдельных клиентов и сделок. В такой ситуации разумнее использовать атрибуцию, честно обозначать её ограничения и постепенно накапливать данные.

Как поступить в вашей ситуации

Всё зависит от объёма продаж, количества каналов и того, насколько дорого может обойтись неправильное решение.

Начинать при этом лучше не с выбора сервиса. Возьмите один завершённый период и ответьте на пять вопросов:

1. Сколько подтверждённых оплат получила компания?
2. У какой доли этих оплат известен источник?
3. Где теряются обращения между сайтом, телефоном, мессенджерами и CRM?
4. По какой модели продажи приписываются рекламе?
5. Изменится ли решение по бюджету, если выбрать другую модель?

Если проблема обнаружилась уже на втором вопросе, новый дашборд или эксперимент пока не нужен. Сначала стоит восстановить цепочку: реклама → обращение → CRM → оплата

А затем можно разобраться, почему часть продаж остаётся без источника. Если эта цепочка работает стабильно, но компания собирается вложить крупный бюджет и хочет доказать реальный прирост, тогда уже имеет смысл проектировать контрольное сравнение. Причём делать это лучше до запуска рекламы: заранее выбрать группы, основную метрику, минимальный эффект, который бизнес хочет заметить, срок наблюдения и правило принятия решения.

Хорошая аналитика не обещает ответ с абсолютной точностью

Она честно показывает:

1. сколько продаж произошло;
2. сколько удалось связать с рекламой;
3. по каким правилам система распределила их между каналами;
4. какая часть данных потерялась;
5. насколько уверенно можно говорить о причинном эффекте рекламы.

Этого достаточно, чтобы принимать решения и не путать две разные вещи: «человек видел рекламу перед покупкой» и «человек купил благодаря рекламе». 

Если хотите посмотреть, как мы решаем подобные задачи на практике, на сайте Реаспекта собрали наши кейсы, подходы и направления работы!

Перейти на сайт →