О том, какой подход использовать к подсчету реального охвата в диджитал-рекламе, Sostav рассказывает Тимур Майстренко, диджитал-директор агентства 
Method Media .
В диджитал-рекламе по-прежнему принято оперировать охватом в cookies и устройствах, тогда как бизнесу важно понимать, скольких реальных людей затронула реклама и с какой частотой. В условиях отказа от third-party cookies и роста мультидевайс-потребления классические метрики все чаще искажают картину. В этом материале — пример простого практического расчета, который позволяет приблизиться к реальному охвату в людях и более корректно оценить частоту контактов в брендовых кампаниях.
Зачем вообще «переводить cookies в людей»?
В диджитал-рекламе чаще всего оперируют охватом в cookies и устройствах, тогда как бизнес всегда ожидает ответ на другой вопрос: скольких реальных людей мы затронули и с какой частотой делали это в месяц, год или другой период.
Проблема в том, что cookie — это не человек, а технический идентификатор. По мере ужесточения privacy-регулирования и отказа от third-party cookies индустрия все чаще признает, что классические cookie-метрики дают все более искаженную картину.
Эта статья базируется на большом количестве расчетов и проведенных рекламных кампаний и хотелось бы разобрать пример простого практического расчета, который позволяет:
- Получить реалистичный порядок цифр «в людях» с возможными поправками под категорию, конкретного клиента или инструментарий.
- Оценить годовую частоту без механического умножения на 12 и любое количество месяцев, когда идет РК.
- И, конечно, подискутировать о том, как считаются охваты для клиентов и с какими основными проблемами сейчас сталкивается индустрия.
Почему cookie-охват почти всегда завышен относительно реального?
1. Удаление cookies и нестабильность идентификаторов.
Исследования показывают, что значительная часть пользователей регулярно удаляет cookies, а браузеры ограничивают срок их жизни. В результате один и тот же человек за год может несколько раз «появляться» как новый пользователь.
Это означает, что часть уникального cookie-охвата — это повторно появившиеся идентификаторы одних и тех же людей.
2. Мультидевайс и мультибраузерность.
Средний диджитал-пользователь использует несколько устройств и браузеров. По данным Global Web Index, число подключенных устройств на человека в развитых диджитал-рынках стабильно превышает три штуки.
В рекламных контактах это приводит к тому, что один человек легко превращается в 3−5 «уникальных» cookies.
3. Пересечения аудитории между каналами.
Nielsen подчеркивает, что без кросс-канальной дедупликации невозможно корректно считать суммарный охват и частоту: один и тот же человек многократно учитывается в разных средах.
4. Шум и нечеловеческий трафик.
Даже в качественных закупках присутствует доля IVT (invalid traffic). По данным ANA, средний уровень невалидного трафика в диджитал-кампаниях составляет около 8−9%.
Все эти факторы делают неизбежным использование корректирующих коэффициентов, если мы хотим приблизиться к реальному охвату в людях. Что агентства с успехом и применяют.
Stable ID — лучше, но не всегда доступно
Login-based идентификаторы (email, телефон, hashed ID, CRM onboarding) позволяют точнее оценивать реальный охват и частоту. Однако индустрия сегодня живет в гибридной реальности, где одновременно используются cookies, MAID и различные ID-решения.
IAB Tech Lab показывает, что рынок находится в стадии перехода и единых стандартов person-level измерения пока не существует. Поэтому на практике приходится работать с cookies и строить приближенные модели пересчета.
Практическая модель: как мы считаем «людей»?
В своей практике мы используем следующую базовую формулу:
Охват в людях = (Охват в cookies / K₁) x K₂.
Где:
- K₁ = 2,5 — поправка на мультидевайс.
- K₂ = 70% — корректировка на пересечения аудиторий, шум, потери идентификации и IVT.
Это базовая формула, которая за счет своей простоты может быть универсальной для расчета большинства рекламных кампаний.
В этой статье мы не рассматриваем, как такой подход влияет на сложные эконометрические или предиктивные модели, в которых расчет пользователей осуществляется более глубоким подходом и включает множество мелких параметров и особенностей инструментария и форматов.
Разберем логику.
Почему 2,5 устройства?
Исследования показывают, что пользователь владеет в среднем 3−4 подключенными к интернет устройствами. Однако не все они одинаково активно участвуют в рекламных контактах и могут это сделать вообще.
Поэтому коэффициент 2,5 — это консервативная оценка реального мультидевайс-контакта. Для определенных категорий (например, это бытовая техника) данный коэффициент стоит увеличить до 3+, поскольку в этом случае использование «догоняющих» механик позволит увеличить количество устройств.
Почему 70%?
Этот коэффициент учитывает:
- Пересечения между каналами (Nielsen).
- Технические показы и IVT (ANA).
- Потери идентификации.
В зависимости от качества медиасплита и закупки мы бы рассматривали диапазон 60−80%, где 70% — базовый сбалансированный ориентир. При хорошем медиапланировании, по опыту работы, можно минимизировать потери до 10−12%.
Пример расчета
Исходные данные:
- Показы: 100 млн.
- Средняя частота в месяц: 4.
- Cookie reach: 25 млн.
Считаем охват в людях.
25 000 000 / 2,5×70% = 7 000 000 человек.
Считаем годовую частоту.
100 000 000 / 7 000 000 ≈ 14 контактов в год на человека.
Почему умножение месячной частоты на 12 — ошибка?
Логика «месячная частота x 12» предполагает, что:
- аудитория стабильна;
- идентификаторы не меняются;
- дедупликация не нужна.
Но данные по удалению пользователями cookies, мультидевайс-поведению, необходимости дедупликации и уровню IVT показывают, что эти предпосылки далеки от реальности.
Поэтому нам ближе подход:
- Сначала привести охват к людям → затем считать годовую частоту для проверки реальных значений и оценки подхода.
- Частые ошибки при расчете охвата и частоты.
Помимо механического умножения месячной частоты на 12, на практике встречаются и другие типовые ошибки:
1. Сложение охватов разных каналов.
Когда охваты из разных систем просто суммируются без учета пересечений аудитории. В результате итоговый охват может быть завышен на десятки процентов.
2. Игнорирование мультидевайса.
Cookie или MAID принимается за человека, хотя один пользователь может контактировать с рекламой с нескольких устройств и браузеров.
3. Использование месячного cookie-охвата как годового.
Часто встречается ситуация, когда месячный охват в cookies ошибочно воспринимается как уникальный охват за весь период кампании.
4. Отсутствие поправок на шум и IVT (Invalid Traffic).
Даже в качественных закупках присутствуют технические показы и невалидный трафик. Их игнорирование приводит к систематическому завышению охвата.
5. Универсальный коэффициент без учета категории.
Один и тот же коэффициент применяется к FMCG, фарме и, например, бытовой технике, хотя реальное мультидевайс-поведение в этих категориях различается.
Где этот подход применим?
Подходит: FMCG, фарма, бытовая техника, массовые сервисы, брендовые кампании.
Не подходит: Е-commerce, performance и leadgen, ретаргетинг, CRM-маркетинг.
Вывод
Cookie постепенно теряют ценность как единица измерения человека, а единых стандартов person-level измерения на рынке пока не существует. Несмотря на заявления о скором «конце cookies», индустрия продолжает жить в гибридной реальности, где cookie-метрики еще долго будут использоваться в медиапланировании.
В этих условиях особенно важны понятные и логичные приближенные модели, которые позволяют честно говорить о масштабе рекламных кампаний и медиадавлении, не создавая иллюзий точности.
Предложенная формула не претендует на универсальность, но дает прогнозируемый и объяснимый результат, который можно адаптировать под категорию, рынок и качество медиасплита.
Краткий чек-лист, чтобы избежать ошибок при расчете охвата:
- Не приравнивать cookie или device к человеку.
- Учитывать мультидевайс и мультибраузерность.
- Не суммировать охваты каналов без дедупликации.
- Не умножать месячную частоту на 12 без проверки логики.
- Закладывать поправку на шум, IVT и потери идентификации.
- Адаптировать коэффициенты под категорию и инструмент.
В ближайшие годы мы, скорее всего, увидим развитие гибридных моделей измерения, где cookie, MAID, Stable ID и моделирование будут использоваться совместно. До появления единых стандартов именно такие практические подходы позволяют сохранять контроль над качеством медиапланирования и интерпретацией результатов.