В контрольной группе оказался покупатель с заказом на пять тысяч рублей. В тестовой таких заказов не было, и новый вариант проиграл по выручке на участника. При ограничении крупных сумм разница средних между тестовой и контрольной группами становится положительной. Прежде чем выбирать более приятный результат, нужно выяснить происхождение покупки и назвать показатель, который команда собирается оценивать.
По двум размещениям объявления стали получать клики чаще. В общем отчёте кликабельность при этом снизилась втрое. Прежде чем менять креатив или обвинять алгоритм, проверьте, как перераспределились показы. Общий результат зависит от качества каждой части и от её веса в закупке.
Канал с лучшим прошлым результатом просит ещё денег. Но следующие показы могут принести меньше, чем более скромный канал, а часть бюджета выгоднее пока не тратить. Рассчитываем распределение одной суммы между каналами: что считать результатом, какие ограничения задать и как проверить предлагаемый план.
Команда добавила модели новые сведения о товаре, обучила уменьшенную версию и получила худший результат. Этого хватает, чтобы остановить дорогой запуск? Разбираем, как проверить решение на нескольких масштабах обучения и не спутать прогноз качества модели с доказательством роста продаж.
Платформа снизила ставку, средняя цена покупки упала, а подходящих показов стало меньше. По одним победам трудно понять, подешевел ли рынок или алгоритм просто перестал видеть дорогую часть предложения. Перед обучением модели нужно проверить, как политика закупки отбирает её собственные данные.
Объявление может точно отвечать запросу и вести в магазин, который не обслуживает адрес покупателя. В рекламе быстрой доставки доступность продавца нужно проверять до финального выбора. Новая работа об AI-подборе Taobao Shangou даёт повод пересмотреть этот этап и подготовить собственный тест.
В отчёте биржи три запроса, у покупателя пять ставок, а в журнале доставки один показ. Прежде чем искать потерянные события, разберите, сколько рекламных мест было в каждом запросе и сколько ответов относилось к каждому месту. Для такой сверки нужны несколько связанных счётчиков.
Площадка обещает рекламодателю 300 тысяч показов в спортивной трансляции. Медиаплан опирается на прогноз одновременной аудитории, а команда закупки уже готовит ставки. В день матча перерыв сдвигается, часть устройств выходит из потока, а один из рекламных блоков оказывается короче. Прежде чем пересчитывать бюджет, нужно понять, какую величину продавец назвал показами. У прогноза аудитории, доступного места в блоке, фактического запроса и оплачиваемого события разные источники данных.
Команда сделала двадцать версий баннера и нашла три отличия с привычной отметкой статистической значимости. Кажется, производство с помощью AI окупилось. Но чем больше вариантов, показателей и срезов просмотрели, тем больше возможностей заметить случайность. До выбора победителя нужно определить весь набор проверок, применить подходящее правило анализа и подтвердить полезный эффект на данных, которые не участвовали в отборе.
В отчёте закупки выросла колонка «нет ставки», и команда предлагает поднять цену. Но в одной колонке могли оказаться сознательный отказ от предложения, ошибка сервера, неразобранный ответ и запрос без подтверждённого исхода. Повышение ставки помогает лишь части таких ситуаций. Сначала нужно восстановить, что именно вернул участник аукциона.
DSP показывает быстрый расчёт ставки, а биржа всё равно отмечает опоздания. Обе стороны могут правильно измерять разные части одного пути. Разобраться помогает общая временная шкала: от отправки предложения до получения ответа, с сетью, очередью и обработкой внутри системы закупки.
В понедельник рекламная команда видит четыре заказа, в четверг три. Закупка не изменилась: аналитик начал исключать полный возврат, но оставил прежнее название показателя. В отчёте это выглядит как потеря продажи. Рабочий словарь данных помогает избежать такой ситуации: он связывает название с точным правилом, владельцем и версией. Разберём заполненный учебный пример для российского интернет-магазина и переход к новому определению без подмены старых отчётов.
Бренд просит увеличить продажи, агентство предлагает охват, площадка обещает клики. Все три стороны могут выполнить свои обещания и остаться недовольными кампанией. Чтобы этого не произошло, в брифе нужно связать желаемое изменение бизнеса с действием покупателя, доступными данными и решением после проверки. Ниже разбираем заполненный учебный пример для российского продавца товаров для дома: от финансовой задачи до правил чтения итогового отчёта.
Две рекламные платформы обещают нужные аудитории, автоматизацию и подробные отчёты. Разница становится заметна позже: одна не отдаёт причины исключения показов, другая требует ручной загрузки каждой версии сегмента. До выбора стоит провести несколько сквозных заданий на одинаковых данных и установить обязательные условия приёмки. Ниже готовый порядок такой проверки и учебный расчёт стоимости перехода.
Знать общий бюджет и процент комиссии недостаточно, чтобы понять стоимость рекламной цепочки. Нужен реестр, где каждое удержание связано с конкретной суммой, получателем и основанием. На учебном миллионе рублей показываем, как собрать такой расчёт и найти остаток, который пока нельзя объяснить.
Рекламные системы начинают сходиться в цифрах, когда команда одинаково определяет событие, время его учёта и правила исправления. Ниже заполненный пример такого соглашения: его можно передать аналитику, агентству и поставщику до запуска кампании.
Два предложения с одинаковым CPM могут содержать разную закупку. Заполненный пример запроса помогает сравнить полную цену, доступные показы и то, чем подрядчик подтвердит выполнение работы.
Таблица со средним CPM по России, Китаю и Бразилии выглядит убедительно, пока не выяснится, что в одной строке посчитаны мобильные баннеры, в другой видео, а в третьей цена уже включает работу агентства. Для исследования нужен одинаковый набор рекламных продуктов. Разбираем, как собрать его, привести расходы к общей базе и показать границы сравнения.
Допустим, площадка прислала восемь тысяч показов, а проигрыватель подтвердил шесть с половиной. За что платить? Прежде чем искать ошибку или мошенничество, стоит разобраться, какое событие посчитала каждая сторона. На примере серверной вставки рекламы покажем, как восстановить путь ролика до экрана и задать подрядчику вопросы, на которые можно получить проверяемый ответ.
Рекламный агент может соблюдать лимит бюджета и всё равно выбрать площадку по ложному основанию. Для этого достаточно, чтобы внешнее коммерческое описание превратилось в новый критерий ранжирования. Защита начинается с разделения брифа, утверждений продавца и проверенных свидетельств. Ни один найденный текст не должен самостоятельно менять правила закупки.
Самая трудная часть медиаплана часто происходит до аукциона. Площадки присылают предложения с разными единицами цены, условиями показа и определениями результата. Команда сводит их в таблицу, но внешне одинаковые строки могут описывать разные продукты. AI ускоряет такое сравнение, одновременно ускоряя ошибки в исходных условиях.
Одна DSP предлагает тысячу показов за 100 рублей, другая за 130. В первой цене не включены данные и верификация, во второй они уже учтены. Кроме того, платформы могут покупать разные устройства, по-разному учитывать технические события и показывать рекламу с разной частотой. Дешёвая строка в коммерческом предложении ещё не говорит, какой вариант выгоднее бренду.
Практический разбор прозрачности закупки: как читать supply path, где заканчивается полезная curation и какие вопросы задать DSP, SSP и агентству до масштабирования.
Практический разбор для бренда и агентства: что именно можно делегировать алгоритму в видеорекламе, какие сигналы подготовить до старта и как понять, что AI улучшил кампанию, а не просто перераспределил показы.
Большой практический гид для рекламодателей, агентств, паблишеров и adtech-команд: как работает programmatic-закупка, из чего складывается цена контакта, какие вопросы задавать поставщику и почему простой CPM давно не объясняет эффективность.
Разбор закрытой беты Koa Agents: поиск и помощь, сборка кампании из медиаплана, анализ performance и диагностика. Что в этом продукте действительно меняет работу трейдера, а что пока остается обещанием платформы.
Большой разбор о том, почему AI-агенты не отменяют RTB, а делают прозрачность аукциона, стандарты данных и контроль supply path еще важнее. OpenRTB, deals, ads.txt, sellers.json, schain и новая роль buyer-команды.
Большое исследование о том, как agentic advertising переходит из демо в рабочие процессы: Koa Agents, AAMP 2.3, AgenticOS, AI Max, права доступа, аудит решений и российская применимость.
Исследование о first-party data, clean rooms, PAIR, ADMaP, confidential matching и новой логике измерения, где privacy, AI и fragmented signals требуют не нового ID, а новой операционной дисциплины.
Большой разбор о том, почему retail media нельзя строить как набор рекламных мест: брендам нужны данные, измерение, сервис и связь с e-commerce операциями.