Как ИИ и медиаинфляция меняют правила digital-закупки

По данным комиссии экспертов ЦАРА, объем рекламного рынка Казахстана в 2025 году составил 143 млрд тенге. Это на 6% больше, чем годом ранее. Инфляция за тот же период составила 12,3%. Конечно, напрямую сравнивать эти показатели некорректно: рекламный рынок и потребительские цены – разные вещи. Но сопоставить их полезно: вместе они показывают покупательную способность рекламных бюджетов. А она снизилась.

Сюда же стоит прибавить и медиаинфляцию. Рекламные места в интернете продаются с аукциона: рекламодателей становится больше, а внимания у аудитории столько же, поэтому цена показа растет сама по себе. Всемирная федерация рекламодателей оценивает этот рост в 4% в год, а на развивающихся рынках показатель может быть еще выше.

При этом деньги внутри рынка активно перераспределяются. Бюджеты поисковой рекламы сократились на 28,3%, а ее доля упала с 17,7% до 11,7%. Реклама на маркетплейсах и в сервисах доставки, наоборот, выросла на 58,3% и стала самым быстрорастущим сегментом. Доля соцсетей увеличилась с 32,5% до 39,3%.

В таких условиях увеличение бюджета на условные 10% может не сработать и присутствия не расширит. В лучшем случае это позволит остаться там же, где бизнес был год назад. А значит, нужно что-то другое.

В идеале ситуацию могло бы улучшить более жесткое управление закупкой. Но именно этого рычага у рекламодателей больше нет. Если еще несколько лет назад специалист по закупке настраивал все вручную – на какой площадке показывать рекламу, какой аудитории, по какой цене торговаться на аукционе, – то сегодня за него это делают алгоритмы. Рекламодателю остается задать цель вроде «приведи заявки не дороже такой-то суммы» и определить бюджет, а куда именно уйдут деньги, решат сами платформы. 

В 2026 году Google заметно расширил отчетность. Теперь рекламодатели видят, какая часть бюджета ушла в поиск, YouTube и на сайты-партнеры, а также по каким запросам показывалась реклама. Но управлять этим распределением по-прежнему нельзя. 

Это меняет источник конкурентного преимущества. Если алгоритм оптимизации у всех один и тот же, опытный закупщик не даст заметного перевеса. Преимущество смещается в то, какие данные компания отдает алгоритму и как проверяет его результат. 

На входе важны собственные данные: информация о клиентах, заявки, реальные покупки и рекламные материалы, на которых алгоритм может учиться. На выходе – проверка того, действительно ли реклама привела к покупке. И вот здесь у рынка большая проблема. 

Рекламный кабинет отвечает не на тот вопрос, который интересует бизнес. Он показывает, сколько покупателей видели рекламу перед покупкой. А знать нужно другое: сколько покупок реклама создала. Это разные числа, и расхождение между ними бывает огромным.

Представьте промоутера, который раздает листовки только людям, уже стоящим в очереди на кассу. Потом он отчитывается: девять из десяти получивших листовку совершили покупку. Формально это правда. Но эти люди и так стояли на кассе – они купили бы и без листовки. 

Рекламный алгоритм работает похоже, и работает хорошо: он ищет людей, которые вероятнее других купят товар, и показывает рекламу именно им. Проблема не в поиске, а в отчете. Покупки этих людей записываются в результат рекламы целиком, хотя часть из них произошла бы в любом случае.

Проверить реальный вклад можно единственным способом – выключить рекламу и посмотреть, что произойдет. Не везде, а в нескольких регионах, выбранных наугад; в остальных все оставить как есть. Если через месяц продажи в отключенных регионах просели на 8%, эти 8% реклама и приносила. Если не изменились – не приносила ничего.

Слово «наугад» здесь ключевое. Регионы нельзя выбирать по принципу «где не жалко»: тогда вы сравните не рекламу с ее отсутствием, а сильные рынки со слабыми. Так же проверяют лекарства – одной случайно выбранной половине пациентов дают препарат, другой пустышку, и разницу между половинами считают действием лекарства.

Насколько сильно этот честный способ расходится с привычным, измерили Бретт Гордон, Флориан Цеттельмайер и их коллеги в исследовании, опубликованном в Marketing Science. В их распоряжении было 15 рекламных кампаний на Facebook, где рекламу заранее отключили для случайно выбранной части аудитории. Настоящий эффект рекламы в этих кампаниях был известен. Затем те же кампании пересчитали обычным для индустрии способом – просто сравнив покупки тех, кто рекламу видел, с покупками тех, кто не видел. Обычный способ давал цифру выше, иногда втрое. В отдельных случаях ошибка была обратной, но чаще реклама присваивала себе покупки, которые произошли бы и без нее.

Втрое – значит, что из трех тенге отдачи, показанных в отчете, два пришли бы и без рекламы.

Обвинять площадки здесь не за что. Проблема в самой конструкции: система, которая продает рекламу, не может одновременно быть независимым аудитором ее эффективности. Это примерно как если бы компания сама проверяла свою финансовую отчетность вместо внешнего аудитора.

У эксперимента есть ограничение: он отвечает про один канал и один отрезок времени. Чтобы планировать бюджет на год вперед, нужен второй инструмент – модель, которая раскладывает продажи по причинам и показывает, сколько дала реклама, сколько цена, сколько сезон, сколько действия конкурентов. Такая модель видит офлайн-продажи и отложенный эффект бренда и не требует персональных данных о людях. В индустрии ее называют marketing mix modeling.

И здесь в истории снова появляется искусственный интеллект. Те же технологии, которые позволили платформам оптимизировать рекламу без человека, сделали дешевле и независимую проверку. В январе 2025 года Google выложил в открытый доступ Meridian – как раз такую модель, причем она сверяет свои расчеты с результатами реальных экспериментов. У Meta есть аналог – Robyn. Еще несколько лет назад подобный расчет стоил как отдельный проект с внешними консультантами. 

Бесплатным при этом стал только софт. За остальное – данные, время аналитика, продажи, которыми жертвуют в эксперименте, – платить придется.

Технология забрала у рекламодателя контроль над закупкой, но почти сразу дала ему новый инструмент – контроль над результатом. Первое произошло автоматически. Второе нужно выстроить самостоятельно. Именно здесь, на мой взгляд, и пройдет граница между теми, кто выиграет от автоматизации, и теми, кто просто будет за нее платить. 

Итого проверять рекламу можно на трех уровнях. Отчеты рекламного кабинета нужны для тактики: какой ролик отключить, какую аудиторию расширить, что изменить завтра. Эксперимент – чтобы узнать реальный вклад канала в продажи. Модель – чтобы распределить бюджет на год вперед. Первый уровень есть у всех и достается бесплатно, но доказательством он не является. 

В итоге все сводится к простому критерию: если вы не можете посчитать вклад рекламного канала в деньги независимо от его собственного отчета, вы не управляете этим бюджетом. Вы лишь согласовываете его.

Мне по роду работы полагается сказать, что измерять нужно всем и немедленно. Это было бы неправдой.

У измерения есть цена, и ведет она себя скорее как постоянная затрата. Модель обходится примерно одинаково при годовом рекламном бюджете в сто миллионов тенге и в десять миллиардов. Meridian, например, требует данных по нескольким десяткам городов или регионов и двух-трех лет еженедельной истории. У большинства локальных компаний такой базы просто нет. 

Эксперимент тоже стоит денег: отключая рекламу в части регионов, компания сознательно отказывается от части продаж, чтобы измерить ее реальный эффект. Для бизнеса с рекламным бюджетом в несколько десятков миллионов тенге в год такая система может никогда не окупиться. Советовать ему строить измерительную лабораторию – не экспертиза, а вредительство.

Разрыв между амбициями и инфраструктурой существует не только в Казахстане. По данным Gartner, 70% директоров по маркетингу считают лидерство в ИИ критической целью на 2026 год, но только 30% оценивают свои компетенции в этой области как зрелые.

Для компании среднего размера есть более реалистичный минимум. Раз в год отключать главный рекламный канал на части рынка и смотреть, что происходит с продажами. Плюс вести единый справочник показателей, где стоимость привлечения клиента во всех отчетах считается по одной формуле. Полной картины это не даст, но уберет одну из самых дорогих иллюзий – возможность бездумно складывать цифры из разных рекламных кабинетов.

Из этого следует еще один вывод. Поскольку измерение – относительно постоянная затрата, ему нужен достаточный объем, на который можно ее распределить. Исторически такой объем был только у крупных международных рекламодателей. Но его можно получить и за счет консолидации бюджетов нескольких компаний. 

Так, к примеру, устроен Freedom Advertising. Мы объединили рекламные бюджеты десятков компаний холдинга из разных отраслей в одном кабинете. Прямые контракты с площадками и пересмотр комиссий – очевидный эффект консолидации. Но ценнее общий массив данных. Единый стандарт делает показатели сопоставимыми, а больший объем рекламы позволяет проводить эксперименты там, где на отдельном небольшом бюджете результат тонет в случайных колебаниях.

Это не означает, что выводы одной компании можно автоматически переносить на другую. Рынки и аудитории разные. Но проверить одну и ту же гипотезу несколько раз в такой системе дешевле, чем один раз поодиночке.

И здесь важно не переоценить собственную систему. Единый стандарт может одинаково хорошо масштабировать и правильную, и ошибочную методику. А команда, которая измеряет собственную работу, все равно сталкивается с конфликтом интересов. Поэтому независимая проверка должна оставаться частью процесса.

Через два-три года рынок разделится не на сильных и слабых закупщиков. Линия пройдет между теми, кто сможет предъявить собственные цифры и проверить отчет платформы, и теми, кому останется принять его на веру. Разница в стоимости привлечения клиента между этими группами окажется намного больше, чем разница между удачной и неудачной закупкой. Оптимизацией ставок ее уже не закрыть.