Спрос на исследования эффективности рекламы растет. По данным Центра аналитики и исследований МТС AdTech, количество запросов на такие исследования в первом квартале 2026 года по сравнению с первым кварталом 2025 выросло на 61%. Драйвером рынка отчасти стала неопределенность: меняются каналы коммуникации, медиаинфляция растет, и бизнесу нужно очень четко понимать, сколько реальных денег приносят вложения в рекламу. Чтобы инвестиции в исследования были полезными, надо не только разобраться в исследовательских инструментах, но и выстроить правильный процесс взаимодействия между заказчиком и исполнителем. Sostav поговорил с Ириной Фоминовой, директором по стратегическому маркетингу и исследованиям МТС AdTech, о проблемах, которые могут превратить исследования в пустую трату бюджета.
По кусочкам
Одна из них — отсутствие «единого окна» аналитики, как следствие, — разрозненные данные и анализируемые выборки. Каналов коммуникации в рекламе много, оценить, какие из них когда и как сработали и что в итоге привело к покупке — сложно. Исследование Funnel показало: 86% маркетологов не могут определить, какой канал действительно работает. Это прямое следствие отсутствия единой аналитической платформы.
Сейчас рынок предлагает, в сущности, вспомогательные решения, то есть по разрозненным источникам данных, полученным с помощью разных исследований, бизнес пытается собрать цельную картину пользовательского пути. Например, бренд размещает рекламу на билбордах в городе, в медиапространстве и у блогеров. Маркетинг проведет бренд-лифт исследование, чтобы оценить, как реклама повлияла на повышение узнаваемости и формирования доверия к бренду. С помощью геоаналитики и данных от операторов проанализирует, приходят ли люди в физическую точку после того, как увидели рекламу в интернете. Затем, собрав выводы из разных источников воедино, маркетологи попробуют понять, какие типы каналов отработали лучше всего. Можно ли назвать эту модель рабочей? Да. Максимально точной и комфортной? Пожалуй, нет.
Рынок ждет появления инструмента, который позволит делать качественную сквозную аналитику по всем доступным каналам. И этот инструмент обязательно появится. Но даже тогда заказчикам и исследователям будет нужно уметь правильно выстраивать коммуникацию.
На одном языке
Другая проблема, с которой сталкиваются и заказчики, и исследователи — это разрыв в понимании результата. В конечном счете рекламодатель хочет знать, как окупить каждый вложенный в рекламу рубль. Но задачи могут быть сформулированы по-разному.
Например, клиент говорит: «я хочу понять, кто мой покупатель, где его искать». Если исполнитель интерпретирует такой запрос «напрямую», то заказчик получит на выходе данные, которые никак не помогут его бизнесу, деньги будут потрачены впустую. Чтобы выяснить, что подразумевается под такой широкой формулировкой, нужен хорошо структурированный, подробный брифинг. В результате диалога с бизнесом, как правило, выясняется, что речь идет не просто о «портрете покупателя». Нужно определить самые используемые модели устройств среди ЦА, оценить трафикообразующие точки продаж в офлайне или скорректировать закупки конструкций в адресной программе. Иными словами, важен качественный брифинг и экспертиза исполнителя, нацеленная на бизнес-результаты. Потому что вопрос всегда один, а ответ всегда разный.
Как правило, крупные компании, у которых в отделе маркетинга есть специалисты по исследованиям, хорошо понимают, что схема «давайте, мы вам на встрече все быстро расскажем», не работает. Этим иногда грешат небольшие бизнесы, где сотрудников немного и им кажется, что на заполнении брифа можно сэкономить время. Но чем детальнее бриф, тем лучше понимают образ результата и клиент, и заказчик. И тем точнее и полезнее будут данные. Оптимально, когда каждого типа исследований существует отдельный бриф, в котором собирается необходимая информация. Ответственность заказчика — предоставить полную информацию, только тогда исполнитель сможет качественно сделать свою работу.
Иллюзия больших данных
Еще одна проблема рынка исследований, как ни парадоксально — Big Data. Исследования с помощью массива данных — это даже не тренд, а норма, причем для бизнесов разного масштаба — от гигантов индустрии до малого бизнеса. Российский рынок Big Data и ИИ демонстрирует устойчивый рост около 30% ежегодно.
Однако рынок наводнился «исследованиями», где под видом Big Data продают сводную таблицу из веб-аналитики и коллтрекинга. Это не Big Data. Это просто Data. Настоящая Big Data начинается там, где мы связываем ID из CRM клиента с анонимными следами в сетях оператора данных.
Big Data — это не магия, а математика: точные, регулярно обновляемые и полные данные, которые позволяют привязать рекламный показ к реальной покупке.
Соединить данные клиента (то, что известно о нем из CRM) с Big Data (тем, что алгоритмы видят в рекламных сетях) — значит, получить полную картину: кто нажал на баннер, дошел ли до покупки, сколько денег принес и не демонстрируется ли реклама на нецелевые группы.
Представьте суперсовременный самолет. Чтобы долететь до нужного места, машина должна исправно работать, пилот — уметь этот самолет водить, а штурман — читать карты и рассчитывать время и топливо. Если хоть одно условие не будет выполнено — есть риск не долететь.
С использованием данных Big Data такая же история. Алгоритм может обработать терабайты информации, но, если на входе отсутствует экспертиза сбора и обработки этих данных, на выходе будет красивый, но абсолютно неверный результат.
Слагаемые успеха
Big Data в порядке, если она соответствует пяти признакам:
- точность (Accuracy): данные правильно описывают реальный объект. Человек, отнесенный к сегменту «владельцы айфонов», действительно пользуется смартфоном этого бренда;
- полнота (Completeness): в данных нет «дыр». Если у пользователя в профиле должен быть указан email и телефон, то заполнены оба поля;
- актуальность (Freshness/Recency): данные отражают текущее положение дел. Информация о том, что пользователь интересовался покупкой автомобиля год назад, может быть не просто бесполезна, а вредна;
- консистентность (Consistency): нет противоречий внутри самой базы. Один и тот же пользователь не может быть одновременно «мужчиной 30 лет» в одном срезе и «мужчиной 50+» — в другом;
- уникальность (Uniqueness): отсутствие дубликатов. Один реальный клиент не должен учитываться в базе как три разных «серых» профиля.
И здесь мы подходим к важному нюансу, который отличает операторскую Big Data от всех остальных. С точки зрения телеком-оператора, технически абонент с тремя SIM-картами — это три разных договора, три идентификатора. Но для рекламодателя, который платит за реальный охват, это один человек. Показывать ему одну и ту же рекламу трижды на трех устройствах — значит сжигать бюджет. Поэтому настоящая экспертиза в Big Data — это умение склеить все три профиля там, где нужно клиенту, и не склеивать там, где не нужно. И понимать, когда и какой подход применять.
В зоне ответственности клиента его CRM. Чтобы Big Data заработала, нужны:
- защищенные идентификаторы. Нужны хэшированные, обезличенные номера телефонов или email. Это единственное «окно», через которое скрещивается база клиента с телеком-аналитикой;
- достаточный объем выборки. Нельзя построить качественную модель, если клиент принес 100 контактов. Нужен массив, на котором алгоритмы увидят статистически значимые паттерны. Чем больше база — тем точнее портрет;
- актуальность контактов. Номер телефона, который не использовался полгода, или email, на который никто не отвечает, — это «мертвая душа». Чем свежее контакт, тем выше вероятность, что алгоритмы найдут его данных оператора и правильно оценят его поведение.
И еще одно необходимое слагаемое успеха — компетенция специалистов, которые корректно интерпретируют данные.
Рынок в ожидании инструментов аналитики, где можно из одного окна связать данные из разных каналов и построить единую сквозную дату для дальнейшего применения на стороне бизнеса. Решение — в инженерии данных: прозрачная методология, сквозной Stable ID, независимая верификация и честная атрибуция. Это позволит рынку выйти на новый уровень доказательности.
Но даже когда они появятся, главным останется человеческий фактор: умение заказчика заполнить бриф, а аналитика — задать правильные вопросы. И все же главный совет: прежде чем заказывать исследование на Big Data, проведите ревизию своей CRM. Проверьте ее на точность и полноту. Потратьте время на наведение порядка — и сэкономите месяцы на интерпретации «красивого, но неверного» результата. Без этого даже самый мощный алгоритм останется просто модной игрушкой.