CTR и стоимость заявки на старте возможно спрогнозировать, но в большинстве случае разумнее эти цифры предполагать без достоверной точности и использовать их в качестве ориентира для действий на относительно коротком промежутке времени.

На примере медицины

Допустим, мы знаем текущий CTR в рамках направления “лечение простатита”. К нам приходит запрос на запуск рекламной кампании в аналогичном направлении и в городе со схожими характеристиками.

Конечно, кажется разумным взять за основу стоимость клика, имеющиеся данные по CTR и сформировать цену заявки, но не все так просто.

Для объективного анализа требуется изучить:

• конкурентов и их уровень активности;


• восприятие сайта;


• восприятие пациентами докторов;


• восприятие бренда клиники;


• ошибки в UX проекта;


• методы и технологии клиники;


• исторические данные обоих медицинских центров с совмещением полученных данных;


• и еще миллион всего.

Иногда лучше остановиться на поверхностном анализе, провести тестовый запуск рекламной кампании и на основе полученных цифр уже сформировать реальные ожидаемые цифры и вектор следующих шагов.

Что упрощает прогноз

Если на проекте ранее запускалась рекламная кампания и цели были настроены более менее корректно, мы можем определить эффективные и малоэффективные настройки аккаунта, найти причины провалов и довольно точно предположить стартовые цифры с учетом запланированных корректировок.

Что усложняет прогноз

Отсутствие исторических данных, проблемы в настройке аналитики проекта, инновационность в чем-либо (в методе, в технологии предоставления услуги и т.п.).

При совокупности усложняющих факторов более эффективным прогнозом может стать расчет трафика, проведение теста, анализ поведения и конверсий с последующим расчетом динамики.

О точности прогнозов и целях анализа данных

Проблема с точностью прогнозов касается в т.ч. и старых проектов с широким объемом исторических данных.

Допустим, у нас опять есть медицинский центр с 10-летними историческими данными. Для прогнозирования результатов на ближайшие 3 месяца мы можем применить предиктивную модель на базе алгоритма стохастического градиентного спуска — раскладываем исторические данные на множество признаков и на базе имеющихся цифр предсказываем объем конверсии и CTR на следующие 3 месяца.

На сверх-стабильном проекте это может дать некоторый результат. В реальности же для качественного прогноза и этого может быть недостаточно и для расчета результата могут потребоваться:

• данные сезонности;


• работа конкурентов;


• инфляция и новые технологии;


• график отпусков у докторов и т.п.

Хорошая предиктивная аналитика сводится не только к машинному обучению, но и требует учета множества отдельных факторов. Рынок весьма хаотичен.

В рамках анализа данных разумнее сосредотачивать усилия не на прогнозные цифры, а на поиск потенциальных точек роста и ответа на вопрос “как наши действия, бездействие, внешние факторы влияют на динамику цифр и что нам предпринять дальше”.