Новая эпоха performance-маркетинга

Когда Safari выпустила ITP 2.1, многие агентства говорили об этом как о "временной проблеме". После анонса Chrome Privacy Sandbox царило мнение о "далёком будущем". Мы в 2026 году, и экосистема сторонних cookies фактически рухнула. Но главная проблема — не исчезновение инструментов. Дело в том, что вся архитектура измерения и оптимизации принципиально изменилась. В новую эпоху performance-маркетинг без инженерной дисциплины просто не выживает. В этой статье мы разбираем, как мы перестраиваем маркетинговые операции с помощью архитектуры сигналов, server-side интеграций и измерения приростных эффектов (incrementality).

Почему весь measurement stack пришлось переписать

Сторонние cookies 15 лет были позвоночником цифрового маркетинга. Google Analytics, Facebook Pixel, ретаргетинг-провайдеры — всё покоилось на одной инфраструктуре. С ITP в Safari, а затем с доминированием Chrome (65% рынка), весь отраслевой стандарт сдвинулся. К 2026 году в Chrome сторонние cookies полностью отключены.

Это означает не просто "отслеживание усложнилось". Cookie-based attribution работала на моделях "последний клик" (last-touch). Пользователь видел несколько объявлений, а весь кредит доход получало последнее объявление перед конверсией. Модель была неправильной, но консистентной — все маркетологи оптимизировали по одному неправильному стандарту. Теперь же у нас есть фрагментированный, несогласованный между платформами набор сигналов.

Google Analytics 4 пытается заполнить пробел через "modeled conversions". Meta CAPI (Conversion API) и Google Ads Enhanced Conversions принципиально требуют server-side отправку сигналов. Но корректная настройка требует data-инженерии. Компании, не направившие сырой поток событий в BigQuery и не развернувшие server-side Google Tag Manager (sGTM), оказываются во власти "прогнозных моделей" платформ. По нашим тестам, эти модели переоценивают объём конверсий на 18-34% — без incrementality-тестов вы не заметите этой ошибки.

Архитектура сигналов: как правильно собирать first-party данные

Архитектура сигналов — это система, в которой каждое действие пользователя регистрируется на серверной стороне и отправляется обратно платформам. На клиентской стороне нельзя полагаться — блокировщики JavaScript, ITP, ad blockers загрязняют данные. Server-side интеграция захватывает событие пользователя в backend, обогащает его и отправляет на API платформы через HTTP POST.

В архитектуре Performance Marketing (PPC) от Roibase работают вместе sGTM, CDP и backend event streaming. Вот типичный поток:

Действие пользователя (например, покупка)
  → Backend event (first-party cookie + user_id)
  → sGTM контейнер (GCP Cloud Run)
  → Meta CAPI + Google Ads ECT + GA4 Measurement Protocol
  → Платформа получает обогащённый сигнал, обновляет bidding-алгоритм

На серверной стороне добавляются следующие данные:

• Email хеш (SHA-256)
• Номер телефона хеш
• IP-адрес + user agent
• Сумма заказа + валюта
• Внешний ID (из CRM)

Для Meta CAPI критичен коэффициент качества соответствия сервер-событий (EMQ — Event Match Quality). Чтобы получить EMQ 5.0+, необходимо отправлять хеши минимум трёх разных PII (personally identifiable information). По нашим тестам, кампании с EMQ 5.0+ показали снижение CPA на 22% (сравнение тестовой и контрольной групп, 60-дневный тест).

Юридическая база сбора first-party данных

GDPR и аналогичные регуляции разрешают сбор first-party данных — но требуют явное согласие (opt-in) и договор обработки данных (DPA). Если вы используете sGTM, вы — обработчик данных на своём Google Cloud Project. Для Meta CAPI Meta выступает контроллером. Не запускайте production без подписанного DPA.

Attribution независимо от платформы: incrementality-тестирование как необходимость

Платформы показывают "attributed conversions" в своих дашбордах. Meta Ads Manager, Google Ads conversion report, TikTok Ads attribution window — каждая считает по-своему. Когда вы складываете эти числа, они часто в 2-3 раза превышают реальное количество конверсий. Потому что один пользователь видит объявление в Meta, Google и TikTok, и каждая платформа берёт свой кредит.

Incrementality-тест решает эту проблему. Вы создаёте контрольную группу, не подвергаемую воздействию кампании, и измеряете её conversion rate. Разница — это реальный лифт. Meta Conversion Lift Test и Google Geo-Experiment Tool для этого предназначены. Но наш опыт показывает, что платформенные тесты содержат встроенное смещение в их пользу.

Для независимого incrementality-теста мы строим Marketing Mix Modeling (MMM) или custom causal inference pipeline. В BigQuery применяем Prophet + CausalImpact для измерения недельного эффекта каждого канала. Пример результата: кампании Meta клиента в e-commerce показывали 480 конверсий в дашборде, но incrementality-тест выявил реальный лифт в 220. Оставшиеся 260 конверсий пришли из organic или других каналов — Meta некорректно брала кредит.

Эти данные перестраивают распределение бюджета. Если incremental ROAS Meta равен 2.1, а Google — 3.4, вы можете обосновано переместить 30% бюджета. Вместо "Meta не работает" вы говорите: "Incremental эффект Meta ниже; перемещаем 30% бюджета в Google на основе данных".

Creative-driven performance: новая ось оптимизации

В эру без cookies targeting-возможности уменьшились. После iOS 14.5+ в Meta интересы уже почти бесполезны. Broad targeting + algorithmic optimization — новый стандарт. Но это не значит, что "алгоритм делает всё". Если targeting слабеет, creative-дифференциация должна усиливаться.

Creative testing теперь в центре performance-маркетинга. В Roibase мы используем такой test stack:

Не останавливайте тесты креатива рано. Используйте правило: 95% confidence interval + минимум 100 conversions per variant. Meta's auto A/B test это не соблюдает — контролируйте вручную через split campaigns.

Мы тестировали 8 разных video hook'ов для косметического бренда. В первые 3 дня hook "продукт в центре" показал 18% преимущество по CPA. На 7-й день результат перевернулся — "пользовательское свидетельство" дал 31% ниже CPA. Если бы мы остановились рано, выбрали бы проигрышный вариант. Bayesian A/B test с Thompson sampling и early stopping rules снижает этот риск.

Lifecycle и retention: инженерия за пределами acquisition

Performance-маркетинг — это не только привлечение новых клиентов, но и максимизация стоимости на всём протяжении их взаимодействия. Расчёт LTV (lifetime value), retention-анализ по cohort'ам и churn-prediction модели влияют на решения по acquisition. Если канал имеет retention 12% в первый месяц, но 48% на 6-м месяце, его CPA-порог должен отличаться от канала с другой кривой retention.

Cohort retention table в BigQuery:

WITH first_purchase AS (
  SELECT user_id, MIN(purchase_date) AS cohort_date
  FROM transactions
  GROUP BY user_id
),
cohort_size AS (
  SELECT cohort_date, COUNT(DISTINCT user_id) AS cohort_size
  FROM first_purchase
  GROUP BY cohort_date
),
retention AS (
  SELECT
    fp.cohort_date,
    DATE_DIFF(t.purchase_date, fp.cohort_date, MONTH) AS month_number,
    COUNT(DISTINCT t.user_id) AS retained_users
  FROM first_purchase fp
  JOIN transactions t ON fp.user_id = t.user_id
  GROUP BY 1, 2
)
SELECT
  r.cohort_date,
  r.month_number,
  r.retained_users,
  cs.cohort_size,
  ROUND(r.retained_users / cs.cohort_size * 100, 2) AS retention_rate
FROM retention r
JOIN cohort_size cs ON r.cohort_date = cs.cohort_date
ORDER BY 1, 2;

Этот запрос показывает retention-rate каждого cohort по месяцам. Подключите результат к Looker Studio и создайте срез по каналам. Например, пользователи из Google Ads Shopping имеют 6-месячный retention 41%, а из Meta broad targeting — 28%. Google заслуживает более высокого CPA-порога.

Если retention низкая, включайте lifecycle email stack. Klaviyo или Customer.io с автоматическими сегментами: 7-дневный repurchase reminder, 30-дневное win-back предложение, 60-дневная churn-prevention кампания. Эффект этих кампаний также измеряется через incrementality — группа с письмами vs контрольная группа без них.

Что делать сейчас

Эра без cookies заставляет связать маркетинговые операции с инженерной дисциплиной. Слепое доверие платформенным дашбордам перенаправляет ваш бюджет неправильно. Server-side signal архитектура, incrementality-измерение и cohort-based LTV анализ — это новые минимальные требования. Без BigQuery pipeline вы не видите несогласованность сигналов между платформами. Без holdout-группы вы не знаете, какой канал действительно работает. Performance-маркетинг больше не игра в spreadsheet — это требует data-инженерии, статистики и культуры постоянного тестирования.