Чтобы оценить ремаркетинг, сравните покупки у случайно выбранных участников с рекламой и у сопоставимого контроля без исследуемого ремаркетинга. Затем разделите расход на оценку дополнительных покупок. Обычный CPA из кабинета отвечает на вопрос об атрибуции и сам по себе не показывает, сколько людей купили благодаря повторной рекламе.
Такой расчёт нужен перед увеличением бюджета на возвращение посетителей. Человек мог бы вернуться через поиск, закладку или прямой визит; контакт с баннером даёт рекламной системе основание присвоить конверсию, но причинный эффект требует отдельного сравнения.
Сначала определите, что именно отключено в контроле
Начните с основного ответа о ремаркетинге Google Ads: проверьте события, аудиторию и исключения. Здесь следующий вопрос — сколько покупок добавляет уже определённый сценарий возвращения.
До показа рекламы случайно распределите подходящих участников между тестом и контролем. Участник сохраняет назначение до конца наблюдения. В тесте исследуемый ремаркетинг разрешён, в контроле он удерживается. Остальные каналы, предложение и правила измерения должны быть сопоставимы. Если контроль видит ту же рекламу из другой кампании, различие воздействий размывается; Google отдельно отмечает такой риск.
Считайте всех назначенных участников, включая тех, кому реклама в тестовой группе фактически не показалась. Отбор только увидевших баннер после распределения может изменить состав группы. Вывод оценивает разрешение исследуемой рекламы при выбранных условиях; факт показа каждому участнику проверяют отдельно.
Зафиксируйте период, срок дозревания покупки и единое бизнес-событие. В нашем примере это доля участников с подтверждённой покупкой: предполагаем один заказ на покупателя, один человек даёт максимум один успех. Повторные заказы требуют другого расчёта. Общие требования к распределению и остановке есть в разборе A/B-тестов.
Учебный пример: контроль вдвое меньше теста
Все числа вымышлены. Предполагаем корректную рандомизацию, независимых участников, одинаковый период и полную фиксацию покупок в обеих группах. Реальный рекламный аккаунт здесь не использовался.
| Показатель | Тест | Контроль |
|---|---|---|
| Назначенные участники | 2 000 | 1 000 |
| Покупатели | 100 | 40 |
| Конверсия участника в покупателя | 5% | 4% |
| Расход исследуемого ремаркетинга, BYN | 1 200 | 0 |
Если бы 2 000 участников теста покупали с наблюдаемой частотой контроля, ожидалось бы 2 000 × 4% = 80 покупателей. В тесте их 100, поэтому точечная оценка дополнительных покупателей — 100 − 80 = 20.
Вычитать 100 − 40 нельзя: группы разного размера. Сначала приведите контроль к размеру теста либо сравните доли. Абсолютная разница конверсий составляет +1 процентный пункт, относительная — (5% / 4% − 1) × 100% = +25%.
Теперь добавим отдельное условие: в рекламном отчёте этому ремаркетингу приписаны 60 покупок из тестовой группы. Тогда обычный CPA равен 1 200 / 60 = 20 BYN. Стоимость дополнительной покупки по точечной оценке — 1 200 / 20 = 60 BYN.
Учебные данные. Число 20 — точечная оценка прироста с неопределённостью; схема не является отчётом Google Ads.
В справке Conversion Lift Google разделяет атрибутированные и дополнительные конверсии, а iCPA определяет как расход, делённый на дополнительные конверсии. Наш пример показывает эту экономическую логику на агрегатах; внутреннюю методику платформы он не воспроизводит.
Положительная разница ещё требует оценки неопределённости
Для двух независимых долей нормальное приближение NIST даёт в нашем примере 95% интервал разницы примерно от −0,55 до +2,55 п.п. Он включает ноль: данных недостаточно, чтобы по этому критерию уверенно подтвердить положительный прирост.
Значение 60 BYN полезно как точечный сценарий, но устойчивую цену дополнительной покупки оно пока не устанавливает. При приросте около нуля отношение становится нестабильным; при нулевой оценке делить расход нельзя. Отрицательную разницу сохраняйте для разбора, не превращайте её в «выгодный отрицательный CPA».
Расчёт можно воспроизвести стандартным Python:
from math import sqrt
nt, nc = 2000, 1000
bt, bc = 100, 40
spend, attributed = 1200, 60
pt, pc = bt / nt, bc / nc
extra = bt - nt * pc
se = sqrt(pt * (1 - pt) / nt + pc * (1 - pc) / nc)
interval_pp = [100 * (pt - pc - 1.96 * se),
100 * (pt - pc + 1.96 * se)]
print(extra, spend / attributed, spend / extra)
print(interval_pp)
# 20.0, 20.0, 60.0
# примерно [-0.55, 2.55]Это приближение для одного заранее выбранного анализа бинарной покупки. Оно не учитывает кластеризацию, повторные проверки, несколько метрик или ошибки назначения. План наблюдения и способ анализа согласуйте до запуска; продлевать эксперимент до удобного результата без предусмотренного правила нельзя.
Как связать результат с бюджетом
Допустим, вклад одной дополнительной покупки после переменных затрат составляет 50 BYN. При точечной оценке 20 покупок это 20 × 50 − 1 200 = −200 BYN после рекламного расхода. Расчёт не включает прочие постоянные затраты и не является доказанным убытком эксперимента: оценка эффекта пока неточна. Он показывает, почему дешёвого CPA из кабинета недостаточно для решения об окупаемости.
В итоговой записке сохраните три результата раздельно: атрибутированные покупки и CPA; оценку прироста с неопределённостью; экономический сценарий с определением маржинального вклада. Если передачи данных менялись, сначала исключите технический рост распознанных конверсий — этому посвящён разбор Data Strength Uplift.
Провести такой эксперимент можно только там, где команда умеет обеспечить распределение, удержание контроля и одинаковое измерение. Google предупреждает, что Conversion Lift доступен не всем аккаунтам; наличие справки не подтверждает доступность функции конкретному бизнесу в Беларуси. Если подходящего инструмента нет, сохраните вопрос и план проверки, не объявляйте обычное сравнение недель причинным тестом.
Следующий шаг — описать эксперимент для одного сценария из карты сегментов ремаркетинга: кого возвращаем, какую рекламу удерживаем, какую покупку считаем и какой результат позволит изменить бюджет. В конце должны остаться проверяемые границы вывода и решение, соразмерное данным.
Источники
Материал подготовлен редакцией WiseLab с помощью AI. Источники и фактические утверждения проверены при подготовке.
Что думаете?
Загружаем комментарии…