Ваш прогноз обещал 4x ROAS уже ко второму месяцу. По факту: CPC разогнался, CTR пополз вниз, а овнер или стейкхолдеры требуют объяснений, почему сливается бюджет, а профита нет.
Дело не в плохой стратегии, а в кривом прогнозировании.
Большинство моделей медиапланирования дают трещину не потому, что байеры не умеют считать. Они рушатся, потому что построены на идеальных условиях, которые не выдерживают контакта с реальным аукционом. Аукционная инфляция, скачки конверсии, выгорание креативов и непрозрачные автоставки алгоритмов образуют дыру между финмоделью в Excel и реальным PnL.
Разбираем, где именно протекает модель и как собирать рабочие прогнозы с учетом всех спредов и рисков аукциона.
Почему “плывут” прогнозы в Paid Media
Большинство моделей дают сбой в одних и тех же уязвимых точках. Выявить, какая именно переменная срезала показатели — так же критично, как и собрать новый медиаплан: без изоляции первопричины ошибка будет дублироваться из кампании в кампанию.
Главные триггеры сливов и отклонений:
Инфляция CPC (54% всех сбоев). Цена за клик зависит от динамики аукциона, а не от ваших желаний. Наплыв конкурентов, просадка Quality Score и обновляющиеся алгоритмы источников разгоняют CPC намного быстрее, чем заложено в большинство таблиц. По данным исследований NP Digital, аукционная инфляция аукается чаще всего — она отвечает за 54% случаев фатального отклонения от прогноза.
Волатильность CR. Конверсия не бывает статичной. CR сжимается при просадке покупательной способности и растет на пиках спроса — независимо от качества трафика. Закладывать фиксированный CR во время рецессии — уже сплошной оптимизм, а во время нишевого бума — гарантированный промах. Волатильность конверсии всегда привязана к внешней среде, а не только к настройкам в кабинете.
Выгорание креативов. По мере выгорания связки на аудитории CTR неизбежно падает, а честный eCPC растет. Если не заложить в прогноз четкий график обновления промо (creative refresh), модель быстро уйдет в розовые очки. Выгорание — это не форс-мажор, а математически предсказуемая кривая.
Непредсказуемость ИИ-биддинга. Автостратегии в Google Ads и Meta оптимизируются по сигналам, которые байер контролирует лишь частично. Команды часто надеются перекрыть просадку вручную, подкрутив ставки. На практике ручные манипуляции дают все меньше прямого эффекта — алгоритм давно забирает руль себе.
Пересечение аудиторий (Audience Overlap). Когда вы таргетируетесь на один и тот же пласт аудитории через разные источники, прогнозируемый уникальный охват оказывается сильно завышен, а показатели эффективности — раздуты. Лид с контекста и лид с таргета часто принадлежат одному и тому же юзеру, но классический медиаплан это почти никогда не учитывает.
Кривая “разогрева”: почему новые кампании льют в минус
Закладывать средние показатели эффективности с первого дня запуска — верный способ лишиться доверия овнера или стейкхолдеров. Новые кампании и связки практически всегда работают в минус первые несколько недель. Если ваш прогноз не отражает этот просад, вы задаете завышенные ожидания, которые рухнут еще до того, как кампания выйдет на плато.
Причина исключительно structural- характера:
Алгоритмам нужно время, чтобы собрать достаточный объем сигналов конверсии для оптимизации.
Таргетинг уточняется на основе первых данных о вовлеченности юзеров.
Статистика по креативам накапливается, определяя приоритеты в показе.
В период этого “обучения” CPC обычно выше нормы, а CR — ниже. Эта связка и дает временный отрицательный ROI/ROAS, который выглядет как пролив в пельменную, но на самом деле является нормой.
Эффект сильнее всего выражен в Performance Max и Advantage+, где у алгоритмов больше свободы в таргетинге и нет исторической базы на старте. Запуск на новые лендинги, свежие промо или непрогретые аудитории растягивает этот период еще сильнее.
Как это правильно прогнозировать: моделируйте профит понедельно, а не по среднему значению за весь период. Кампания, которая “в среднем” кажется прибыльной, может глубоко уходить в минус с 1-й по 3-ю неделю и давать отличный плюс начиная с 6-й. Итоговая плоская цифра скрывает стартовые риски и не дает руководству понимания, что происходит на первых этапах.
Команды, которые заранее показывают стейкхолдерам кривую разогрева, получают карт-бланш и время на обучение алгоритмов. Те, кто этого не делает — обычно получают стоп кампаний еще до того, как система зацепит нужную аудиторию.
Трехшаговый фреймворк прогнозирования в Paid Media
Надежная модель медиапланирования отвечает на вопросы строго по цепочке: сколько людей увидят промо, сколько совершат целевое действие и какой профит получит бизнес. Каждый шаг дает вводные для следующего. Попытка считать рентабельность в отрыве от охватов и показателей эффективности — главная структурная ошибка при сборке прогнозов.
Шаг 1: Прогнозируем охваты (Reach)
Вводные: бюджет, объем ЦА, площадка, ожидаемый CPM/CPC и процент полученных показов (Impression Share).
Результат: прогнозируемый охват и частота (Frequency).
ИИ-биддинг на этом этапе вносит максимальный хаос. CPM и CPC постоянно плавают из-за плотности аукциона, Quality Score и алгоритмов источника. Поэтому закладывайте охваты не одной цифрой, а диапазоном (от-до).
Шаг 2: Прогнозируем эффективность (Efficiency)
Вводные: исторический CTR по типам креативов и сегментам ЦА, CR лендинга, качество лидов/покупок и сезонность.
Результат: клики, конверсии и стоимость целевого действия (CPA/CPL).
Именно здесь нужно закладывать кривую выгорания промо. Заложите динамику просадки CTR на основе прошлых сплитов. Если данных нет, берите базовый пессимистичный сценарий: -15-25% к CTR к шестой неделе открутки. Без этой корректировки модель эффективности неизбежно уйдет в “розовые очки”.
Шаг 3: Прогнозируем маржинальность и профит (Profitability)
Вводные: CPA, средний чек (AOV) или LTV, целевой Blended CAC и маржа.
Результат: итоговый ROAS/ROI, объем пайплайна и срок окупаемости (Payback Period).
Здесь критически важна поправка на инкрементальность (Incrementality). Модель должна считать только добавочный доход от Paid Media, а не весь атрибуцированный профит. Стандартные модели атрибуции часто приписывают платным каналам органические конверсии, завышая реальный выхлоп.
Фреймворк работает только при честных вводных. Завышенные охваты раздувают показатели эффективности, а они выдают красивый ROI, который “схлопнется” при первом же отчете.
Модели прогнозирования, устойчивые к аукционному шторму
Стандартные таблицы в Excel отлично работают в идеальных условиях. В Paid Media условия меняются постоянно. Четыре подхода к моделированию справляются с хаосом аукциона гораздо лучше простых средних показателей, нейтрализуя конкретные “слепые зоны” стандартных медиапланов.
Продвинутые подходы к прогнозированию:
Когортный анализ (Cohort-Based Forecasting). Группирует конверсии по неделе или месяцу привлечения юзеров, а не по дате кассового прихода. Классические отчеты страдают “искажением новизны” (Recency Bias) — свежие кампании выглядят слишком прибыльными, а старые — недооцененными. Когортный подход показывает реальную LTV-динамику разных “когорт” трафика во времени, что критично для долгосрочного планирования.
Моделирование Blended CAC. Считает совокупную стоимость привлечения по всему сплиту каналов, а не изолированно по каждому. Когда аудитория пересекается на разных площадках, одноканальный CAC рисует ложную эффективность, приписывая один и тот же лид и Google, и Meta. Blended CAC показывает реальную цену конверсии в рамках всей платной экосистемы.
Инкрементальные модели (Incrementality-Adjusted Forecasting). Срезают часть атрибуцированных конверсий, чтобы выделить чисто органический вклад. Это жизненно необходимо для брендового поиска и ретаргетинга: значительная часть пользователей конвертировалась бы через direct или органику и без ваших объявлений.
Моделирование эластичности бюджета (Spend Elasticity). Отображает зависимость между масштабированием бюджета и просадкой ROI. У любой связки есть точка пресыщения (CPA начинает расти экспоненциально), и на “средних” метриках ее не видно. Эта модель спасает от наивной ошибки линейного прогнозирования: “увеличим бюджет в 2 раза — получим в 2 раза больше профита”.
90-дневный план действий: внедряем честное прогнозирование
Переход на рабочую систему прогнозирования не требует слома всех процессов. Нужен пошаговый план, где каждый этап опирается на результаты предыдущего. Цель — создать действующую аналитическую систему, а не просто разовый медиаплан.
Дни 1-30: Наводим порядок в вводных
Проведите аудит трекинга и атрибуции по всем платным каналам. Выявите “сломанные” пути конверсий, дублирование данных между кабинетами (Meta/Google) и некорректные метки в CRM.
Уберите из отчетов “мусорные” метрики, которые не имеют прямой связи с пайплайном и чистой выручкой.
Прогноз, построенный на искаженных данных, рухнет так, что найти причину задним числом будет крайне сложно. Исправьте слой данных до того, как собирать модель.
Дни 31-60: Собираем рабочие модели
Соберите медиаплан по трехшаговому фреймворку (Охват — Эффективность — Профит).
Подготовьте сценарии: пессимистичный, базовый и оптимистичный.
Внедрите когортные отчеты, чтобы уйти от завышенных средних показателей и “искажения новизны”.
Настройте дашборды, привязывающие Paid Media к деньгам и пайплайну, а не только к кликам и ROAS.
Заложите эластичность бюджета для кампаний, которые планируете масштабировать. Отрисуйте кривую просадки ROI до того, как просить увеличение бюджета у руководства.
Дни 61-90: Переводим модель в операционку
Сведите данные из рекламных кабинетов, CRM и сквозной аналитики в один рабочий интерфейс.
Внедрите ежемесячные сверки прогнозов с фиксированной агендой: точность модели против факта, сдвиг допущений, динамика качества конверсий и внешние изменения рынка.
Сформируйте отчетный слой для топ-менеджмента, переведенный на язык выручки и пайплайна. Используйте те же метрики, по которым овнеры оценивают весь бизнес.
Зрелость процессов прогнозирования накапливается со временем. Команды, выстроившие эту систему, в следующих кварталах двигаются кратно быстрее, потому что оптимизируют готовую модель, а не собирают Excel с нуля при каждом запуске.
Заключение
Прогнозирование в Paid Media усложняется из-за падения предсказуемости базовых вводных. Автоставки ИИ, стремительное выгорание связок и пересечение аудиторий на разных площадках снижают ценность исторических данных для оценки будущих запусков.
Если вы собираете общую картину по всем источникам, то совместное моделирование Paid Media и SEO дает на порядок более точный результат, чем попытка просчитать каждый канал изолированно.
А для команд, работающих с PPC и таргетом напрямую, кривая разогрева и моделирование выгорания креативов — это два первых параметра, которые стоит внедрить в свои медиапланы уже сегодня.
Что говорят арбитражники.