Как измерить эффективность PPC-рекламы, когда аукционом управляет ИИ

На протяжении большей части истории платной поисковой рекламы измерение ее эффективности подчинялось четкой причинно-следственной связи.

Рекламодатели контролировали параметры своих кампаний, такие как стратегия назначения ставок, ключевые слова, структура кампании, текст объявлений и целевые страницы. Все эти факторы в той или иной форме влияли на конверсии.

Когда результаты рекламы менялись, объяснение всегда было легко найти. К примеру, новые ключевые слова улучшали коэффициент конверсии. Или другая стратегия назначения ставок повышала эффективность.

Эта простая причинно-следственная модель, к сожалению, в последнее время стала рушиться.

Google, как мы знаем, ускорил переход к типам кампаний, управляемым ИИ, таким как Performance Max и Demand Gen, что дополнилось внутренними компонентами, как, к примеру, AI Max или ИИ-конструктор рекламных креативов.

Эти изменения касаются не только способов настройки и управления кампаниями, но и методов измерения их эффективности.

Рекламодатели все чаще получают конверсии из запросов, которые не были явно заданы, из автоматически создаваемых креативов, а также из размещений, распределенных по нескольким каналам.

Настоящая проблема заключается в понимании того, как автоматизированные системы генерируют результаты.

В этой статье приводятся механизмы оценки новой реальности. Мы объясним, что изменилось в рекламных платформах, как PPC-команды могут проанализировать сегодня эффективность рекламы, когда автоматизация отвечает за большую часть аукционов, и как специалистам донести полученную информацию до своего руководства.

Текущий кризис измерения эффективности в сфере PPC-рекламы

В настоящее время большинство дискуссий, связанных с ИИ в PPC, сосредоточены на функциях автоматизации в типах кампаний, возможностях таргетинга, разработке рекламных креативов и стратегиях назначения ставок.

При этом в сфере измерения эффективности сдвиг еще более глубокий, но о нем говорят гораздо меньше.

Автоматизация вводит больше переменных, влияющих на каждый аукцион. Когда платформы динамически принимают решения по таргетингу, биддингу, размещению (и многому другому), становится сложно проанализировать весомость отдельных параметров кампании.

Недавние обновления платформы изменили не только способы управления кампаниями, но и подходы к интерпретации эффективности. Связь между действием и результатом стала менее прямой, а во многих случаях и частично завуалированной, загадочной.

Некоторые из нововведений платформы, приводимые далее, наглядно показывают, почему традиционные методы измерения эффективности утратили свою надежность.

AI Max расширяет запросы за пределы списка ключевых слов

На мой взгляд, AI Max представляет собой наиболее агрессивный шаг Google в сторону матчинга на основе намерений (intent-driven matching).

Вместо того чтобы полагаться исключительно на ключевые слова, заданные рекламодателем, ИИ-системы оценивают контекстные сигналы, паттерны поведения пользователей, а также исторические данные об эффективности, чтобы сопоставлять объявления с запросами, которые могут отсутствовать в аккаунте.

Мало того что AI Max выходит за рамки поисковых запросов, он еще и может изменять ваши рекламные материалы для более персонализированного показа, когда Google сочтет это нужным.

Для PPC-менеджеров это означает структурный сдвиг в методах измерения эффективности. Конверсии могут происходить по запросам, которые не были явно заданы.

И мы знали, что что-то подобное произойдет. Еще в 2023 году представители Google впервые публично использовали слово «keywordless» («безключевой») в своих твитах.

К примеру, ритейлер, который делает ставку на «trail running shoes» («кроссовки для трейлраннинга»), теперь может отображаться в результатах поиска по таким запросам, как:

• «best shoes for rocky terrain running» («лучшие кроссовки для бега по скалистой местности»)
• «ultra marathon footwear» («обувь для ультрамарафона»)
• «durable hiking running hybrids» («прочные гибридные кроссовки для трейла и хайкинга»)

Эти запросы отражают тот же самый интент (намерение), но они не соответствуют исходной стратегии ключевых слов.

Вместо того чтобы впихивать эти запросы в отчеты на уровне ключевых слов, попробуйте анализировать их эффективность путем формирования кластеров намерений. Оценивая коэффициент конверсии и доход на уровне категорий, команды смогут сохранять стратегическую ясность даже при расширении матчинга запросов.

В Google Ads есть отдельная вкладка Insights, где содержится отчет «Search terms insights»: он группирует запросы по категориям поиска («Search category»), и с его помощью можно отследить конверсии и объем поисковых запросов.

Performance Max распределяет расходы по нескольким каналам

Performance Max может дополнительно усложнить измерение эффективности, поскольку он распределяет бюджет между Search, YouTube, Display, Discover, Gmail и Maps.

Вплоть до прошлого года практически отсутствовала прозрачность в распределении расходов по этим каналам. В апреле 2025 Google запустил долгожданный функционал отчетности по каналам для типа кампании PMax. Теперь она выдает отчеты на уровне каналов, улучшенные данные по поисковым запросам и расширенные показатели эффективности рекламных материалов.

К примеру, предположим, что месячный бюджет кампании PMax у вас равен 40 000 долларов, и вы видите следующее распределение по каналам:

Если поиск обеспечивает вам большинство конверсий, а YouTube поглощает значительную часть бюджета, PPC-специалисты могут попробовать сделать следующее:

• Вывести брендированный поиск за пределы PMax.
• Уточнить группы рекламных ресурсов для улучшения согласованности поисковых результатов.
• Провести контролируемые эксперименты, сравнивая PMax с поиском.

Измерение результатов в итоге превращается в процесс интерпретации того, как система распределяет средства, вместо контроля над каждым отдельном показом рекламы.

В ИИ-диалогах начинают появляться рекламные объявления

Поиск в диалогах вносит совершенно новый уровень сложности в измерение эффективности контекстной рекламы.

Google сейчас тестирует результаты поиска и заказа товаров через AI Mode: пользователи могут сравнивать товары, не покидая интерфейс.

И Google – не единственная компания, которая в этом заинтересована. ChatGPT объявила 16 января 2026 года о начале тестирования встроенной рекламы для пользователей тарифов Free и Go в США.

Независимо от того, какая платформа запускает или тестирует рекламу в ИИ-диалогах, очевидно, что проблема оценки ее эффективности для PPC-специалистов никак не решена.

Я сам сталкивался с рекламой в AI Mode, когда искал «наушники с шумоподавлением».

Таким образом, если я кликну по одному из этих рекламных объявлений, но совершу конверсию позже, атрибуция останется неясной. Будет ли моя конверсия измеряться как ИИ-рекомендация? Как клик по товару в списке? Или как клик из брендированного поиска?

Эти сценарии бросают вызов традиционным моделям атрибуции, которые были построены на базе линейных путей кликов, а не на многоэтапных взаимодействиях с ИИ.

Почему традиционных PPC-показателей уже недостаточно

Многие панели PPC-отчетности по-прежнему полагаются на передачу таких показателей, как показы, клики, коэффициент конверсии и рентабельность инвестиций в рекламу.

Хотя некоторые из этих показателей остаются полезными, они больше не дают полной картины в случае с внедрением автоматизированных сред под управлением ИИ.

И вот почему.

Окна атрибуции расширяются

Поиск с ИИ увеличивает как длину, так и сложность пользовательских сценариев поведения.

Исследования Google и Boston Consulting Group показали, что «поведение 4S» (Streaming, Scrolling, Searching, Shopping) полностью изменило то, как пользователи знакомятся с брендами и взаимодействуют с ними.

Когда ИИ предлагает рекомендации по товарам на более ранних этапах пользовательского пути, время между первоначальным контактом и конверсией часто увеличивается. Это связано с тем, что пользователь еще только начинает свое исследование. Тот факт, что вы предлагаете продукт раньше, не означает, что пользователь готов его купить быстрее.

Итак, что же маркетологи могут сделать с этим пробелом сейчас? Вот несколько полезных советов, которые помогут вам лучше понять, как пользователи взаимодействуют с вашим бизнесом:

• Просматривайте отчеты по задержке конверсий в Google Ads.
• Анализируйте время до конверсии в GA4. Имеются ли какие-либо различия или изменения за последние три, шесть или девять месяцев?
• Расширяйте окна атрибуции до 60-90 дней, где это уместно.

Это гарантирует, что автоматизированные системы будут получать точную обратную связь о том, когда и как произошли конверсии.

Органический поиск теряет долю кликов

Результаты поиска теперь включают в себя все: от обзоров с использованием ИИ (AI Overviews) и прокручиваемых модулей товаров сверху до расширенных рекламных блоков на всех устройствах.

Что это значит для органического вывода?

Исследование, проведенное SparkToro и Datos, показало, что почти 60% поисковых запросов в Google заканчиваются без клика.

Все это еще больше сокращает органический трафик и смещает внимание пользователей в сторону платной рекламы.

PPC-рекламу стоит оценивать в связке с органической эффективностью (по возможности).

Отслеживание смешанного дохода от поиска обеспечивает более точное представление об общей эффективности поисковой рекламы, нежели выделение отдельных платных каналов.

ИИ-системы заняты оптимизацией результатов, а не входных данных

Традиционный PPC-менеджмент был привязан к заданию и корректировке таких параметров, как ключевые слова, ставки и текст объявления, непосредственно влияющих на эффективность рекламы.

ИИ-системы работают иначе. Вместо оптимизации отдельных элементов они в режиме реального времени анализируют огромные наборы сигналов, чтобы определить, какие комбинации с наибольшей вероятностью приведут к конверсиям.

Это существенно меняет подходы к измерению эффективности. Вместо того чтобы выявлять, какое конкретное ключевое слово или какая корректировка стратегии ставок улучшили продажи, маркетологам необходимо теперь оценивать, генерирует ли платформа правильные бизнес-результаты.

Поскольку платформы берут на себя все больше функций по выполнению задач, измерение эффективности должно меньше фокусироваться на механике и больше на том, приводит ли автоматизация к значимым и прибыльным итогам.

Новая система измерения эффективности для контекстной рекламы с использованием ИИ

Если ИИ контролирует теперь большую часть аукциона, то командам, занимающимся контекстной рекламой, требуется иной способ оценки ее эффективности.

Старая система измерения результатов строилась на прозрачности входных данных кампании. Можно было анализировать эффективность ключевых слов, поисковых запросов, текстов объявлений, задавать сегментацию устройств, корректировать ставки, чтобы понять, что именно работает. Эта модель начинает рушиться, когда автоматика принимает многие из этих решений за вас.

Взамен появляется новая система измерения эффективности, состоящая из четырех уровней:

• Рентабельность.
• Инкрементальность.
• Смешанная стоимость привлечения клиентов.
• Качество first-party конверсий.

Вместе они дают маркетологам более точное представление о том, действительно ли автоматизация способствует росту бизнеса.

Начните с прибыли, а не только с ROAS

ROAS (Return on Ad Spend) по-прежнему важен, но его больше не стоит рассматривать как основной показатель успеха в высокоавтоматизированных кампаниях.

Проблема в том, что системы, управляемые ИИ, очень хорошо ловят уже существующий спрос. Это может создать впечатление высокой эффективности кампании на бумаге, хотя реальной инкрементальной ценности для бизнеса почти нет.

Кампания с ROAS в 700% может по-прежнему быть неэффективной, если она в основном стимулирует продажи низкомаржинальных товаров, повторные покупки со стороны уже существующих клиентов или заказы, которые произошли бы органически.

Вот почему прибыльность должна быть на первом месте в списке показателей измерения эффективности рекламы.

Вместо того чтобы спрашивать: «Принесла ли эта кампания достаточно денег?», маркетологи должны спрашивать: «Была ли эта кампания прибыльной?»

Для брендов электронной коммерции это может означать включение следующих показателей:

• Маржинальная прибыль.
• Маржа продуктов по категориям.
• Средняя прибыльность заказа.
• Выручка от новых клиентов по сравнению с выручкой от постоянных клиентов.

Простым отправным пунктом является сравнение выручки от кампании с затратами на рекламу и себестоимостью реализованной продукции.

Для рекламодателей, занимающихся генерацией лидов, действует тот же принцип, только с другими уточнениями:

• Доля квалифицированных лидов.
• Доля лидов, принятых отделов продаж.
• Коэффициент закрытия сделок по кампаниям.
• Выручка на одну возможность (RPO).

Если ИИ оптимизирует систему на дешевые конверсии, которые никогда не станут прибылью, система обучается неправильно.

Добавьте инкрементальность, чтобы отделить захват существующего спроса от создания нового спроса

Второй уровень – инкрементальность. Именно на нем запинаются многие системы измерения эффективности PPC-рекламы.

Инкрементальность показывает, сколько в действительности новых пользователей (продаж, дохода) вы получили, показатель измеряется в процентах; чем процент инкременетальности выше, тем «чище» результат вы получите. Источник: Habr.

Автоматизация может быть очень эффективной в поиске конверсий, но это не означает, что она генерирует новый бизнес. Во многих случаях ИИ-системы просто лучше справляются с перехватом пользователей, которые уже были на пути к конверсии.

Если ваша кампания в основном ориентирована на существующий спрос, эффективность на рекламной платформе может выглядеть высокой, но фактический прирост бизнеса будет оставаться скромным.

Именно поэтому тестирование инкрементальности стало очень важным в эпоху ИИ.

Для команд, занимающихся контекстной рекламой, это означает, что в оценку измерений должен быть включен следующий вопрос: «Состоялась бы эта конверсия без рекламы?»

Вот несколько практических подходов:

• Тестирование на основе географических ограничений. Приостановите или сократите расходы на некоторых рынках, сохранив при этом обычную активность в остальных регионах.
• Тестирование инкрементальности от Google. Минимальная стоимость такого тестирования сегодня снижена до 5 000 долларов, что сделало ее более доступной для многих рекламодателей.
• Тестирование сокращения брендовой рекламы в поиске. На отдельных рынках или в отдельные периоды времени протестируйте влияние сокращения расходов на брендовую рекламу там, где спрос на бренд уже высок.

Ответ на этот вопрос не означает, что автоматизация плоха. Он означает, что PPC-командам нужны лучшие инструменты для различения маркеров эффективности платформы и реального роста бизнеса.

Используйте показатель смешанной стоимости привлечения клиентов для более реалистичной оценки эффективности поиска

Третий уровень новой системы измерения эффективности – это смешанная стоимость привлечения клиентов.

Поскольку AI Overviews, AI Mode и другие компоненты поисковой рекламы продолжают сокращать возможности для традиционных органических кликов, PPC-рекламу не следует измерять изолированно.

Это особенно актуально для брендов, где платная реклама и органический поиск все чаще работают в связке, чтобы охватить один и тот же спрос.

Кампания может казаться менее эффективной на платформе, но при этом играть критически важную роль в поддержании общей видимости в поисковой выдаче и прибыли.

В такой ситуации становится полезной смешанная (blended) стоимость привлечения клиентов.

Показатель высчитывается так: берутся общие затраты на привлечение клиентов по соответствующим каналам и делятся на общее количество привлеченных новых клиентов.

В итоге руководство получает более реалистичное представление о реальных затратах на развитие бизнеса.

Этот показатель помогает сместить акцент с вопроса «Достигла ли реклама в Google Ads целевого показателя ROAS?» на вопрос «Сколько нам стоит привлечь клиента в современных поисковых системах?».

Ставьте во главу угла качество first party конверсий

Последний уровень нашей системы – качество first party data (данные первого порядка). Многие рекламодатели до сих пор недооценивают этот аспект.

По мере того, как платформы автоматизируют все больше процессов таргетинга, назначения ставок и матчинга, качество передаваемых сигналов становится еще более важным. Если платформа решает, кому показывать рекламу и для каких конверсий оптимизировать, ваша задача – убедиться, что она обучается на правильных результатах.

Это означает, что не все конверсии должны обрабатываться одинаково.

Если все конверсии — заполнение формы лида, дешевая покупка, повторный заказ клиента и высокомаржинальная продажа новому клиенту — поступают в систему как равнозначные, автоматизация начнет наращивать их количество, а не ценность.

Для PPC-команд это означает, что процесс измерения эффективности должен включать в себя серьезный анализ входных данных о качестве конверсий:

• Импорт офлайн-конверсий.
• Сопоставление выручки на основе данных CRM.
• Сегментация новых и постоянных клиентов.
• Импорт данных о качестве лидов или об этапах (opportunity) сделок.
• Индикаторы пожизненной ценности клиента, где они доступны.

Здесь начинают пересекаться измерение и оптимизация.

Если измеряются неправильные конверсии, будут оптимизированы неправильные результаты.

Поэтому данные первого порядка – это не просто вопрос отчетности. Это основа всей системы измерения в эпоху ИИ.

Что показать директору по маркетингу или клиентам

Один из самых сложных аспектов управления автоматизированными кампаниями – это объяснение результатов работы руководству.

Руководители часто ожидают отчетности, основанной на механизмах традиционного управления кампаниями. В автоматизированных средах эти показатели рассказывают лишь малую часть истории.

Более эффективная структура отчетности концентрируется на трех уровнях, связывающих производительность рекламы с результатами бизнеса.

Первый уровень всегда должен быть ориентирован на показатели, которые наиболее важны для руководства. Рост выручки, маржинальная прибыль и стоимость привлечения клиента обеспечивают прямую связь между маркетинговой активностью и результатами деятельности компании. Эти индикаторы позволяют руководителям оценивать маркетинговые инвестиции в той же системе координат, которую они применяют для анализа других бизнес-решений.

Вместо того чтобы присылать отчеты по ключевым словам, руководителям PPC-кампаний следует начать с четкого обзора того, как платная реклама способствовала росту выручки и прибыли за отчетный период. Если выручка выросла на 18% по сравнению с предыдущим кварталом, а затраты на привлечение клиентов остались стабильными, этот результат более значим, чем любой показатель отдельной кампании.

Второй уровень отчетности должен объяснять, как платная реклама поспособствовала расширению экосистемы привлечения клиентов. Поскольку поисковые системы, использующие ИИ, перекраивают видимость органических результатов, платная реклама в большей степени отвечает за захват спроса.

Усредненная (смешанная) стоимость привлечения клиентов — удачный способ показать эту взаимосвязь. Просуммировав маркетинговые расходы по всем каналам и разделив их на общее количество привлеченных новых клиентов, организации получают более четкое представление об общей эффективности своей стратегии привлечения клиентов.

Этот подход также помогает руководителям понять, как платная поисковая реклама взаимодействует с органическим поиском, рекламой в социальных сетях и другими маркетинговыми каналами. Вместо того чтобы оценивать контекстную рекламу изолированно, руководство может увидеть, как работает вся система привлечения клиентов в целом.

Заключительный этап отчетности должен быть сосредоточен на экспериментах и ​​стратегических выводах. Автоматизированные системы постоянно развиваются, и лучший способ их оценки — это структурированные тесты.

Отчеты должны включать сводки экспериментов в рамках кампаний, в том числе:

• Проверяемые гипотезы.
• Оцениваемые показатели.
• Наблюдаемые результаты.

Например, если расширение запросов на основе ИИ увеличило объем конверсий при сохранении приемлемых затрат на привлечение клиентов, этот результат послужит ценным ориентиром для принятия решений по структуре будущих кампаний.

Не менее важно выявлять показатели, которые потеряли свою актуальность.

Отчеты об эффективности ключевых слов, средняя позиция объявления и ручная корректировка ставок когда-то были центральными компонентами отчетности по контекстной рекламе. В автоматизированных кампаниях эти показатели часто имеют небольшую стратегическую ценность. Постоянное акцентирование на них внимания может отвлекать руководство от действительно важных результатов.

Эффективная отчетность в эпоху ИИ должна делать упор на рост, прибыльность и стратегическое обучение, а не на операционные механизмы.

Существующие пробелы в измерениях

Несмотря на улучшение автоматизации и прозрачности отчетов, некоторые новые рекламные стратегии по-прежнему сложно измерить.

Одним из примеров является рост персонализированных предложений в ИИ-системах. Функция Direct Offers от Google позволяет ритейлерам показывать динамические скидки в ИИ-рекомендациях по покупкам. Хотя эта функция может влиять на решения о покупке, рекламодатели в настоящее время имеют ограниченную информацию о том, как часто появляются эти предложения и насколько сильно они воздействуют на поведение покупателей.

Без такой информации маркетологи не могут легко определить, приносят ли скидки дополнительный доход или просто снижают маржу на покупки, которые и так бы произошли.

Еще одна новая проблема измерения эффективности рекламы связана с разговорной коммерцией. Google начал тестировать системы «агентской коммерции», в рамках которых ИИ-ассистенты помогают пользователям искать и покупать товары у разных ритейлеров.

В таких системах пользовательский путь может состоять из несколько диалоговых подсказок перед совершением покупки. Традиционное понятие показа рекламы или клика может стать менее значимым, когда ИИ-системы будут вести пользователя через многоэтапный процесс исследования и принятия решения.

По мере развития этих платформ маркетологам потребуются новые модели атрибуции, способные оценивать влияние всех ступеней диалогового пути, а не только отдельных взаимодействий.

Эти изменения подчеркивают важность постоянных экспериментов и поддержки со стороны рекламодателей. Системы измерения должны развиваться вместе с самими платформами.

Будущее измерения эффективности контекстной рекламы

Автоматизация изменила механику платной рекламы, но не устранила необходимость в стратегическом контроле.

Более того, человеческий опыт стал играть еще более важную роль.

ИИ-системы чрезвычайно эффективны в проведении кампаний на больших массивах данных и в сложных аукционах. Однако они не могут самостоятельно выявить наиболее важные бизнес-результаты или интерпретировать успешность в более широком контексте роста организации.

Наиболее эффективные PPC-команды адаптируются к этой реальности. Вместо того чтобы сосредотачиваться исключительно на механике управления кампаниями, они вкладывают больше усилий в определение показателей прибыльности, разработку тестов на инкрементальность и создание систем отчетности, которые связывают эффективность рекламы с бизнес-результатами.

Измерение эффективности в эпоху ИИ будет отличаться от тех механизмов, которые доминировали в первые годы платной поисковой рекламы. Фокус сместится с контроля отдельных параметров кампании на понимание того, как автоматизированные системы генерируют реальную ценность для бизнеса.

Для специалистов по контекстной рекламе и руководителей маркетинговых отделов этот сдвиг представляет собой следующий этап в эволюции стратегий платной рекламы.

Источник: https://www.searchenginejournal.com