Как доказать влияние рекламы на узнаваемость бренда: инструкция для маркетолога

В своём докладе на «Суровом Питерском форуме» Сергей Ерофеев, директор по развитию диджитал-агентства «Медиасфера», рассказал, как маркетологу в одиночку сделать то, чего не может BI-система: доказать влияние рекламы на узнаваемость бренда, выявить аномалии и точно спрогнозировать лиды при росте бюджета. 

Почему сквозная аналитика не всегда помогает

Сквозная аналитика и BI-отчёты кажутся универсальным инструментом: можно собрать любые срезы, кастомизировать под нужды бизнеса, регулярно обновлять данные. Но у этого подхода есть ограничения — особенно когда речь идёт о проверке гипотез.

Сергей Ерофеев: «Когда нам нужен какой-то срез, чтобы проверить гипотезу, запускать цикл: написать техническое задание программисту, потом дождаться реализации, потом проверить, правильно ли он это внедрил и т. д. — не всегда целесообразно. А самое главное — всем этим невозможно управлять в моменте».

В таких случаях привычные BI-инструменты не работают, потому что гипотезы формируются не линейно, как в отчёте, а последовательно: одна вытекает из другой. Невозможно заранее заложить всю логику в аналитику, как формулу ROI. Проверять приходится вручную. Именно об этом — первый кейс.

Кейс Novonatum: как доказать влияние рекламы на узнаваемость бренда

У клиента было всё: охватные кампании, миллионы показов, данные из Метрики, Вордстата, рекламных кабинетов. А не было одного — уверенности, что это всё работает на рост бренда. Задача, которую поставили перед агентством, — доказать, что диджитал‑инструменты действительно повышают известность.

Классические методы, такие как опросы, бренд-лифт и медийные метрики, здесь не подошли. Они либо дорогие, либо слишком долгие, либо не дают однозначного ответа, что именно реклама повлияла на результат.

«Посмотрел на графики. Ну… похожи. Но экспертный ответ “графики похожи” клиенту не покажешь», — вспоминает Сергей.

Так появилась идея использовать коэффициент корреляции — простой статистический показатель, который свидетельствует о том, насколько сильно связаны два набора данных.

• Если коэффициент стремится к 1 — связь прямая, показатели растут вместе
• Если к −1 — связь обратная
• Если около 0 — между ними нет закономерности

Сергей применил этот подход к большому массиву данных:

• частотность брендовых запросов из Вордстата
• прямые заходы и повторные визиты по данным Метрики
• рекламные метрики: показы, клики, дочитывания

«Я просто искал, что с чем коррелирует. В итоге вручную посчитал порядка 600 коэффициентов корреляции».

Так удалось найти пересечения и доказать, что именно диджитал‑инструмент — в данном случае ПромоСтраницы — повлиял на рост узнаваемости. Причём не просто визуально, а математически.

Когда корреляции нет, но она должна быть

Иногда данные выглядят странно: логика подсказывает, что связь есть, а цифры говорят обратное. Так было в кейсе с поисковым трафиком и прямыми заходами.

Сергей взял данные за 29 отчётных периодов и начал проверять, как поисковый трафик влияет на узнаваемость бренда. Корреляция между поисковым трафиком и частотностью брендовых запросов — сильная (КК = 0,77). Между трафиком и повторными визитами — ещё выше (КК = 0,79). А вот с прямыми заходами — почти 0 (КК = 0,05).

Что делать? Искать аномалии в рекламе.

Сначала — вручную изучить массив данных. Но если таблица большая, это почти бесполезно. Тогда — визуализировать. После построения графиков стало видно, что в большинстве периодов данные ведут себя стабильно, а вот в нескольких — явно выбиваются из общего тренда.

Оказалось, что:

• 21 период из 24 — нормальные, данные похожи
• 3 периода — аномальные. Возможно, в это время клиент запускал офлайн-активности: участвовал в выставке, раздавал листовки, проводил акцию.

Что делать с аномалиями?

• Исключить из расчёта
• Или нормализовать — представить, как выглядели бы данные, если бы не было внешнего воздействия

После этого коэффициент корреляции между поисковым трафиком и прямыми заходами вырос в 10 раз.

Сергей Ерофеев: «То есть просто найдя аномалии и исключив их, мы можем себе доказать, что поисковый трафик действительно влияет на прямые заходы».

Когда аномалий нет, а выводы всё равно нелогичны

Бывает и наоборот: данные выглядят чистыми, а результат — нелепый. В этом кейсе SEO-трафик хорошо коррелировал с повторными визитами (КК = 0,98), и это логично. 

Но тогда возникает вопрос: что вообще считается повторным визитом?

• Пользователь мог снова зайти через поиск (по брендовым или небрендовым запросам)
• Мог сохранить сайт в закладках
• Мог просто набрать адрес вручную

Сергей Ерофеев: «И вот мы видим: 98% повторных заходов зависят от SEO. То есть почти каждый второй визит — это снова человек из поиска. Звучит странно».

Сначала решили: возможно, дело в домене. Например, если у сайта слишком сложный URL, его никто не запомнит — и вернутся люди только через поисковую строку.

Но главное объяснение нашлось в другой плоскости — в поведении аудитории. Тематика проекта была связана с ремонтом. А это значит, что решение пользователи принимают не сразу: сначала изучают, сравнивают, возвращаются через некоторое время.

Сергей предположил, что повторный визит может происходить через два месяца после первого. Чтобы проверить гипотезу, он сместил график прямых заходов относительно поискового трафика на два месяца и снова посчитал корреляцию.

Такой подход позволяет объяснять аномальные на первый взгляд данные через поведение аудитории — без догадок и допущений.

Как чуть не отключили лиды

Классический подход к анализу рекламных кампаний звучит просто: низкоэффективные — отключить, эффективные — масштабировать. Так и случилось в агентстве: руководитель направления по разработке сайтов предложил отключить контекстную рекламу — лидов с неё, казалось, не было.

Сергей вывел динамику лидов по рекламным и нерекламным источникам. На графике жёлтая линия показывала лиды без рекламы, серая — с рекламы. И действительно, с рекламных каналов лидов почти не было.

Логичный вывод: кампанию можно отключать. Но Сергей решил проверить гипотезы.

1. Реклама не работает.
2. Реклама работает, но не так, как ожидают.

Чтобы разобраться, он сравнил все лиды по разработке сайтов, которые приходили не из рекламы, с расходами на рекламный бюджет по этому направлению. Коэффициент корреляции оказался высоким — 0,75. Это означало, что, как только агентство отключает кампанию, падают и «нерекламные» лиды.

Сергей Ерофеев: «То есть если мы отключим рекламную кампанию по разработке сайтов, то лидов не будет вообще, включая те, что приходят не с рекламы».

Почему так происходит? Цикл принятия решения по услуге длинный. Клиент сначала кликает по рекламе, изучает сайт, портфолио, рейтинги, соцсети, а потом звонит напрямую или пишет на почту. В CRM такой лид попадёт как «прямой», хотя на самом деле толчок дала реклама.

Чтобы подтвердить гипотезу, Сергей проверил другие направления, где цикл сделки короче — например, SEO или SMM. Там всё сошлось: лиды по этим услугам шли напрямую из контекста и, если его выключить, поток заявок резко падал.

Как строить прогноз, если сезонность нестабильна

Клиент приходит с вопросом: «Мы хотим увеличить бюджет на контекст в 5 раз. А вы сможете дать в 5 раз больше лидов?» В идеальном мире маркетолог просто умножил бы цифры, построил прогноз — и отправил на согласование. Но в реальности всё не так просто.

Сергей рассказывает:

• нужно проверить, позволит ли это ёмкость рынка
• надо понять, стабилен ли рынок вообще
• прогноз потребует учёта сезонности. Но если сезонность «штормит» — прогнозировать становится сложно.

Тематика — остекление и ремонт балконов. Для оценки Сергей собрал частотности маркерных запросов из Вордстата за 2019, 2020, 2021 и 2023 годы. 

На графике видно:

• после пандемии наблюдался резкий всплеск интереса
• потом значения стабилизировались
• но сезонность начала «вести себя странно»: то она есть, то её нет, то наоборот.

Решение — снова в статистике. Сергей рассчитал коэффициенты корреляции между разными годами.

Самый высокий (КК = 0,94) оказался между 2019 и 2023 годами. Это значит, что именно эти два года максимально похожи по сезонному поведению пользователей.

Вывод: если сезонность нестабильна — ищите тот год, который по динамике ближе всего к текущему. Это и будет ваша базовая модель для прогноза.

Как доказать, что SEO работает: цифры, графики и инсайты

Тематика та же — остекление и ремонт балконов. Основной источник лидогенерации, по словам клиента, — SEO. На втором месте — контекст, а ещё часть заявок приносят листовки, которые раздают в новых ЖК.

Сергей поставил задачу: подтвердить или опровергнуть эффективность SEO как канала продаж. 

Для этого собрали подробную таблицу:

• помесячный трафик из органики
• количество лидов (через формы и звонки)
• коэффициенты конверсии
• динамика продаж.

Когда таблица была готова, все показатели визуализировали — и начали искать взаимосвязи.

Результаты корреляции:

• трафик и звонки: КК = 0,93 — то есть 93% звонков пришли благодаря SEO
• трафик и формы: КК = 0,03 — связи почти нет.

После нормализации этих аномалий коэффициент корреляции вырос до 0,61 — вполне убедительный результат.

Дополнительные выводы:

• SEO — основной канал лидогенерации (КК с общим количеством лидов = 0,87)
• Но! Чем больше SEO-трафика, тем ниже коэффициент конверсии: КК между трафиком и конверсией в звонок = –0,89, в форму = –0,86.

Сколько будет лидов при росте бюджета: формула линейной регрессии

Вы уже знаете: если между показателями есть сильная корреляция, это значит, что они как-то связаны. Но одной корреляции недостаточно, чтобы делать прогноз. Чтобы понять, что на что влияет и как именно, нужен другой инструмент — линейная регрессия.

Сергей показывает это на конкретном кейсе:

• есть SEO‑трафик по месяцам
• есть лиды за те же периоды
• точки на графике ложатся почти по прямой.

Значит, можно построить уравнение зависимости:

Y = aX + b, где X — трафик, Y — количество лидов, a и b — коэффициенты, которые Excel считает автоматически.

Сергей Ерофеев: «Если мы знаем формулу и знаем, во сколько раз вырастет трафик, — подставляем и получаем прогноз по лидам. Хотим в 5 раз больше трафика? Смотрим, сколько будет заявок».

Чтобы оценить, насколько точен этот прогноз, используется ещё один показатель — коэффициент детерминации (R²). Это квадрат коэффициента корреляции. Он показывает, какую долю данных описывает построенная модель.

В этом кейсе:

• КК между трафиком и лидами = 0,98
• R² = 0,96.

Это значит, что модель объясняет 96% поведения системы — и прогноз отклонится от факта максимум на 4–5%. Значит, формула действительно работает.

Формулу можно использовать для прогноза заявок при любом увеличении бюджета. Главное — сначала убедиться, что между трафиком и лидами есть сильная корреляция.

Когда математика обманывает: корреляция ≠ истина

Этот кейс — о том, как даже сильная корреляция может ввести в заблуждение. И как важно не только считать, но и сомневаться.

Клиент — интернет-магазин туристического снаряжения: рюкзаки, спальники, одежда для походов. Проблема — в течение нескольких месяцев растёт показатель отказов по прямым заходам. Подозревают накрутку.

Сергей начал с простого:

• посмотрел, как соотносятся прямые заходы с SEO‑трафиком
• построил соотношения и графики
• нашёл аномалию: в последние месяцы прямые заходы росли непропорционально
• предположил, что это искусственный трафик (боты).

Дальше — больше. Он разделил периоды:

1. Эталонный (без накрутки).
2. Условно «накрученный» (где наблюдается рост). 

И посчитал коэффициенты корреляции между SEO-трафиком и прямыми заходами для каждого.

Они оказались практически равными — 0,699 и 0,696. Сергей написал в отчёте: «Накрутка не выявлена, данные в эталонном и накрученном периодах совместимы».

И лёг спать. Почти. Потому что в 3:30 мозг включил тревогу: «А прикинь, если коэффициенты корреляции равны просто потому, что так совпало? А данные на самом деле не связаны?»

На всякий случай он решил проверить.

Шаг 1 — визуализация

• Данные из первого периода ложатся по прямой
• Данные из второго — уже нет. График показывает, что они ведут себя по-разному

Шаг 2 — объединённый расчёт

Если объединить два периода и снова посчитать КК, он должен быть высоким — если данные действительно «продолжение» друг друга.

Но получился КК = 0,27 — почти 0.

Сергей Ерофеев: «Это значит, что мои предыдущие выводы были ошибочны. Накрутка есть, данные третьего периода аномальны».

Сергей отправил клиенту оба вывода — и корректный, и ошибочный. 

Сквозная аналитика даёт красивую картинку, но не всегда помогает быстро разобраться, что происходит. Проверить гипотезу, заметить аномалию, построить прогноз — всё это можно сделать вручную, с помощью Excel, коэффициента корреляции и линейной регрессии.

Клуб по подписке «Точка доступа» — это профессиональное комьюнити таргетологов, где можно развиваться, получать новые знания и общаться с коллегами.

Каждый месяц в клубе:

• эфиры с экспертами, мастер-классы, лекции, разборы новых инструментов
• мозгоштурмы с коллегами
• разборы отдельных ниш
• марафоны по росту доходов.

А ещё вы получаете доступ к огромной закрытой базе знаний клуба с полезным контентом.

Оставьте заявку, чтобы вступить в клуб.