Большая часть маркетинговой аналитики существует для того, чтобы пережить совещание. Дашборды, которые никто не открывает между отчётными встречами, модели атрибуции, которым все втихую не доверяют, и квартальные отчёты, выстроенные так, чтобы ни одно решение не пришлось принимать. Я строю аналитику, которая не рассыплется, если объяснить её вслух финансовому директору или тому самому клиенту, которого она измеряет.
Трекингу я доверяю только после аудита, потому что цифры первыми ломаются там, где настройку никто не проверяет. Атрибуцию я воспринимаю как полезную ложь, которую нужно перепроверять с нескольких сторон, и возвращаю в общую картину звонки и офлайн-конверсии, которые ваш дашборд сейчас не учитывает. Инкрементальность доказывается тестами с контрольной группой, которые может провести любая маркетинговая команда без отдела data science; так я подтвердил окупаемость 342 к 1, когда версия событий на дашборде выглядела слишком хорошо, чтобы ставить под ней подпись. Моделирование медиамикса (MMM) я запускаю там, где его оправдывают бюджет и число каналов, а где не оправдывают, трезво говорю «нет». А управление данными, скучнейшая дисциплина UTM-меток и правил именования, решает, удастся ли вообще ответить на вопросы следующего года.
Планку для итоговых материалов задал лучший клиент из всех, с кем я работал. Каждый анализ заканчивается решением, а цифра, которая могла бы это решение изменить, называется заранее. Дашборды я переделываю до тех пор, пока люди, для которых они сделаны, не начнут их действительно открывать. Обычно это значит меньше графиков, более простой язык и одну страницу, на которой написано, что делать в понедельник.
К приватности я отношусь как к проектному ограничению: измерения только с согласия пользователя, собственные данные (first-party), пущенные в работу, data clean room, куда попадают только те из них, что достаточно чисты для сопоставления, и настройки для регулируемых категорий, которые уже выдержали проверку на соответствие HIPAA. Если цифры выглядят убедительно, а решения даются с трудом, разрыв между ними и есть предмет нашей работы. Обычно она короче трёх последних питчей подрядчиков, которые вам пришлось выслушать, и заканчивается цифрами, которые вы будете отстаивать не моргнув глазом.
Цифры, которые вы отстоите вслух
Разрыв между уверенными дашбордами и уверенными решениями и есть предмет нашей работы.
Обсудить задачуЧастые вопросы
Нужна ли нам команда data science, чтобы проводить тесты с контрольной группой?
Нет. Тест с контрольной группой сравнивает группу, которая видит рекламу, с сопоставимой группой, которая её не видит, и маркетинговая команда может спланировать такой тест и прочитать его результаты, если правильно выбрать размер выборки. Окупаемость 342 к 1 у eBay подтвердили именно так.
Какой модели атрибуции стоит доверять?
Используйте несколько моделей и не доверяйте ни одной по отдельности. Отчёты платформ, веб-аналитика и модели многоканальной атрибуции видят каждая свою часть картины, поэтому в работе их данные сверяются между собой, к ним добавляются звонки и офлайн-продажи, а важные вопросы решаются тестами с контрольной группой.
Работает ли аналитика, если действуют требования о согласии пользователей и HIPAA?
Да. Теги срабатывают с согласия пользователя, собственные данные выполняют ту работу, которая им разрешена, а настройки для регулируемых категорий уже выдержали проверку на соответствие HIPAA.
Из блога The Signal, на английском
Все заметкиImpressions Are Not Created Equal. Frequency Should Not Be Either.
A search impression, a feed impression, and a banner impression are three different events wearing one name. Why every channel needs its own frequency math.
27 июня 2026 г.Most Attribution Dashboards Get Built and Then Ignored
A dashboard nobody opens has a trust problem. The fix is admitting uncertainty on the dashboard itself instead of hiding it behind false precision.
3 апреля 2026 г.Marketing Mix Modeling Came Back From the Dead Because Nothing Else Survived
MMM was the dusty econometrics of big TV advertisers until signal loss made it modern again. What mix modeling does, what it needs, and who should wait.
1 апреля 2026 г.You Do Not Need a Data Science Team to Run a Holdout
Incrementality testing sounds like a research department. It is a spreadsheet, a map, and the discipline to leave some money on the table for six weeks.
25 марта 2026 г.Every Attribution Model Is Wrong. Choose the One Wrong in Your Favor.
First-touch, last-touch, linear, data-driven: what each marketing attribution model assumes, what it hides, and how to use models without believing them.
24 марта 2026 г.Your Match Rate Is the Ceiling on Everything Else
Every first-party data strategy depends on one unglamorous number: how much of your customer file the platforms can recognize. Typical is about 20 percent.