Радио 
Рекомендательные технологии в рекламе умеют находить людей, которые с высокой вероятностью кликнут, оставят заявку или оформят заказ. Но между продуктом в корзине площадки и деньгами бизнеса порой остается еще половина воронки. В 2026 году показатель отказов от покупок в онлайн-корзинах достиг 70,22%. Кроме того, товар могут купить в офлайне, в результате чего связь офлайн-покупки с рекламным контактом зачастую остается в слепой зоне. О том, как возвращать данные о реальных покупках в рекламные системы, рассказал руководитель направления Mindbox Ads Капитон Смирнов.
Заказ есть, денег — нет
Современная рекламная система видит отслеживаемую часть пути клиента: пользователь заметил объявление, перешел на сайт, положил товар в корзину и оформил заказ. Для платформы подобные действия складываются в понятную последовательность событий, на которой можно обучать алгоритм. Например, в Google Ads при правильной настройке серверного трекинга доля «пойманных» конверсий может достигать 96%.
Клиентский пиксель после нажатия кнопки «Оформить» может не до конца отслеживать заказ и покупку. Один покупатель закажет диван и заберет его через неделю. Второй оформит такой же заказ, но передумает. Третий придет на сайт из рекламы, изучит товар, после — купит его в офлайне. Для бизнеса это три разных результата. В то же время рекламная система без дополнительных данных в первых двух случаях увидит одинаковую онлайн-конверсию, а в третьем может и не узнать о покупке.
Особенно заметен этот разрыв у омниканального бизнеса, где часть покупательского пути проходит за пределами сайта. Аналогичная проблема возникает в категориях, где заявка проходит через CRM (Customer Relationship Management; система управления взаимоотношениями с клиентами) и только спустя время превращается в продажу. Например, Google Ads позволяет возвращать офлайн-конверсии и связывать состоявшиеся вне сайта сделки с исходным рекламным контактом.
То есть граница проходит между разными моделями бизнеса. Пока покупка полностью происходит на сайте, заказ может довольно точно описывать результат рекламы. Когда бизнес представлен в мобайле и офлайне, онлайн-сигнал показывает только часть покупательского пути.
Дешевый заказ может стоить дорого
Представим кампанию, которая оптимизируется на оформление заказа. Ее задача — найти людей, которые с наибольшей вероятностью совершат именно это действие в рамках заданной экономики. Если бизнес требует от алгоритма снизить стоимость заказа, последний начинает искать более дешевые способы его получить. При этом дешевый заказ и ценный покупатель не равнозначны. Лица, принимающие решения, часто попадают в ловушку линейной логики, условный пример: если раньше при CPA (Cost Per Action; стоимость целевого действия) в 300 рублей конверсия в заказ держалась на уровне 75%, то возникает соблазн снизить CPA до 100 рублей со словами «нам же так выгоднее». Пытаясь жестко удешевить лид, кампания начинает переобучаться: она перестает участвовать в аукционах за более качественный и дорогой трафик. В итоге заветные 100 рублей за CPA достигаются, но конверсия в покупку обваливается, например, до 25%. В результате экономия на привлечении может обернуться потерей части продаж на следующих этапах воронки.
Формально алгоритм в данном случае все сделал правильно. Если его попросили искать заказы по 100 рублей, он оптимизировался именно под эту задачу. Информации о том, что один заказ впоследствии принес 20 тыс. рублей, а другой завершился отменой, у системы просто не было. В итоге данные рекламного кабинета и P&L разнятся: CPA снижается, заказов становится больше, но доля выкупа падает или система приводит покупателей с меньшим средним чеком. Хорошая перфоманс-метрика не гарантирует улучшения экономики кампании. Поэтому одного вопроса «сколько стоит конверсия?» недостаточно. Важнее понять, что произошло с ней дальше.
Вернуть алгоритму финал истории
Современный покупатель постоянно мигрирует между каналами: знакомится с товаром в сети, покупает в розничной точке — или, наоборот, присматривает вещи в магазине, а заказ оформляет в приложении или на веб-сайте. Собрать воедино подобный омниканальный путь и доказать, что офлайн-покупка произошла благодаря конкретному клику в диджитале, — непростая задача. Наиболее критичная разница между ориентацией на веб-конверсии и реальные покупки фиксируется в сегментах со специфической воронкой и высокой долей отказов или отложенного выкупа. К таким категориям относятся фешен, DIY (Do It Yourself, «сделай сам»), бытовая техника, электроника, товары для дома, а также фармацевтический сектор.
Очевидный способ закрыть возникший разрыв — вернуть рекламной системе информацию о том, чем завершилась конверсия. Наибольшую ценность для оптимизации рекламных кампаний представляют данные о реальных выкупах: в мобильных устройствах, вебе и офлайне. Если выстраивать приоритеты по принципу максимальной отдачи при минимальных барьерах, то самым доступным и эффективным шагом для большинства проектов станут веб-выкупы. Следом идут мобайл-транзакции. Вершиной эффективности становится интеграция офлайн-покупок, замыкающая сквозную аналитику.
Так, интеграция офлайн-конверсий в Google Ads позволила сети магазинов снаряжения для активного отдыха Inflow увеличить выручку на 74%: помимо кликов алгоритмы Smart Bidding стали учитывать и реальные покупки в точках продаж. Для банков и финтех-компаний аналогичный подход помогает передавать в рекламные системы данные о последующих этапах воронки — квалифицированных лидах и заключенных договорах.
На российском рынке оптимизировать рекламу, учитывая покупки клиентов в онлайне, в мобильном приложении и в офлайн-магазинах помогает Omnichannel Purchase Attribution (OPA). Mindbox передает данные о покупках в «Яндекс Метрику», где на их основе формируются цели по офлайн-конверсиям. После «Яндекс Директ» задействует эти показатели для обучения своих алгоритмов машинного обучения.
Сергей Дмитриев, руководитель направления развития data-продуктов и бизнес-оунер продукта Omnichannel Purchase Attribution (OPA) в «Яндексе»:
Когда «Директ» получает обезличенный данные о фактических покупках из разных каналов, меняется информация, на которой обучается стратегия. Алгоритмы получают подтверждение, что покупка была реально совершена, а также видят покупки в рознице и приложении, которые раньше могли оставаться за пределами аналитики сайта. Это помогает показывать рекламу тем, кому предложение действительно интересно, и распределять бюджет эффективнее. Для этого покупки должны быть связаны с рекламными переходами, а соответствующая цель выбрана для оптимизации кампании.
Может создаться ощущение, что такая оптимизация снижает общий объем заказов или охват, так как алгоритму теперь нужен пользователь с высокой вероятностью реального выкупа — кандидатов становится меньше. В действительности алгоритм начинает действовать точнее. Если в рекламную систему передавать только онлайн-заказы, она видит исключительно интернет-покупателей. Подключение данных о мобильных и офлайн-выкупах расширяет общую карту профилей. Внутри этого обогащенного пула алгоритм гораздо эффективнее отсекает нерелевантный трафик и привлекает именно тех пользователей, которые доходят до сделки.
Для устойчивой оптимизации необходимо от 100 учтенных покупок в неделю по выбранной цели на кампанию или суммарно на пакетную стратегию, отмечает руководитель направления развития data-продуктов и бизнес-оунер продукта Omnichannel Purchase Attribution (OPA) в «Яндексе» Сергей Дмитриев. Это ориентир для обучения, однако устойчивость еще зависит от качества и актуальности данных, а также условий кампании. Важны покупки, которые удалось связать с рекламой, а не общее число продаж в CRM. При этом данные следует передавать ежедневно, чтобы алгоритмы «Яндекс Директа» обучались на максимально свежей информации и своевременно корректировали оптимизацию. На первоначальное обучение стоит заложить не менее недели, а результаты оценивать с учетом времени, которое обычно проходит до фактического выкупа.
Такой подход был реализован в кейсе производителя товаров для дома и здорового сна Askona. Бренд совместно со 
«СберМаркетингом» проверил, как изменится эффективность рекламы, если вместо оформленных заказов оптимизировать кампании в «Яндекс Директе» на фактически оплаченные покупки. Для этого провели A/B-тест: контрольная группа оптимизировалась на стандартную цель «Ecommerce: Покупка», а тестовая — на данные Mindbox об оплаченных онлайн- и офлайн-заказах. Трафик распределили поровну между группами. В результате тестовая кампания принесла на 34% больше выкупленных заказов, а доля рекламных расходов (ДРР) относительно выручки от выкупов оказалась в 1,5 раза ниже. Таким образом, оптимизация по фактическим покупкам позволила увеличить число оплаченных заказов при меньших относительных затратах на рекламу.
Если говорить о зарубежном опыте, можно отметить кейс американского обувного ретейлера DSW. Он объединил данные e-com и офлайн-точек продаж, чтобы оптимизировать рекламу в Meta* (признана экстремистской организацией в России и запрещена на территории РФ) одновременно по онлайн- и офлайн-результатам. По данным теста, такая омниканальная оптимизация увеличила ROAS (Return on Ad Spend; окупаемость рекламных расходов) на 15%, снизила CPA на 18% и повысила продажи как в сети, так и в физических магазинах. Добавление офлайна показало алгоритму часть покупателей, которых прежняя модель оценки просто не считала результатом рекламы.
Не CPA единым
После перехода на оптимизацию по фактическим покупкам фокус внимания смещается на комплекс метрик: ДРР, CPA, количество транзакций и средний чек. Базовыми индикаторами успешности выступают ДРР и CPA. Финальным критерием эффективности служит устойчивый рост совокупной выручки компании. CPA по оформленному заказу и CPA по состоявшейся покупке отвечают на разные вопросы. Первый показывает, сколько стоит привести человека к определенному действию. Второй — сколько рекламодатель платит за результат, который оказался ближе к деньгам.
Сергей Дмитриев, руководитель направления развития data-продуктов и бизнес-оунер продукта Omnichannel Purchase Attribution (OPA) в «Яндексе»:
При оптимизации по цене покупки оба выкупа учитываются как достижения одной цели: задача алгоритма — получать покупки по заданной средней стоимости привлечения. При оптимизации по доле рекламных расходов с динамической ценностью сумма покупки также участвует в оптимизации. Тогда, например, выкупы на 2 тыс. и 20 тыс. рублей имеют разную денежную ценность, которую система учитывает при подборе ставок. Поэтому для такой оптимизации нужно передавать и факт покупки, и ее фактическую сумму.
Итог
Решения омниканальной атрибуции меняют сигнал обучения алгоритмов: вместо «найди больше заказов» система получает задачу «найди больше людей, чье поведение в итоге связано с покупкой». Брендам это дает устойчивое улучшение экономики кампаний: снижение ДРР, рост среднего чека, увеличение доли выкупа и общей выручки.
На покупке эта цепочка не заканчивается. Следующими сигналами могут стать маржинальность, повторные заказы и LTV (Lifetime Value; пожизненная ценность клиента). Чем дальше рекламные алгоритмы спускаются по воронке, тем меньше им приходится угадывать, какая конверсия действительно принесла бизнесу деньги.