Автор пересказывает ключевые инсайты из подкаста с Nilay Patel и Bruno Sista (Kohort) о том, почему стратегии user acquisition разваливаются при масштабировании, даже когда кажется, что рост «пойман».
1. Неправильный кредит за органику
Частая ошибка — приписывать платным сетям органические установки. Без сильного бренда, IP, виральности и соцфич UA-команда по сути платит за пользователей, которые и так бы пришли. Решение — регрессионный анализ: отделять базовую органику (витрина стора, бренд) от инкрементальной органики, реально созданной платным трафиком.
2. ROAS-кривые не универсальны
Нельзя переносить ROAS-кривые между гео, платформами и типами кампаний. Особенно опасно при запуске новых сетей/регионов. Пример: данные по SDK-сетям дают завышенные ожидания от rewarded-сетей, где ROAS рано выходит на плато. Сезонность (типа Black Friday) ещё сильнее рушит уверенность. Нужны стабильные данные, доверительные интервалы и понимание, что вне обучающего сета вы по сути играете в азартную игру.
3. Разрыв между gross и net ROAS
UA оптимизирует по валовой выручке, а финансы живут в «нете». MMP по умолчанию шлёт gross по IAP и net по IAA, сети не знают, что вам реально нужно. Комиссии стора и НДС могут съедать 30–40% дохода, так что 100% ROAS в Meta не равен целям CFO. Варианты: перевести все интеграции MMP на net (болезненный переход) или строить свой data layer для трекинга истинного net ROAS. Без этого вы «выполняете план» на 63 цента с доллара.
4. Связка LTV–CPI–спенд
Рост спенда меняет не только CPI, но и саму зависимость CPI–LTV. При выходе за ядро аудитории CPI растёт, а LTV может как расти (более платёжеспособные пользователи), так и падать (нецелевые, хуже удержание). Эластичность сильно различается по типу монетизации (IAP/IAA), гео и кампаниям. Управлять одновременно спендом, маржой и ценой привлечения невозможно — можно жёстко фиксировать только два параметра, третий придётся «отпустить».
5. Инжиниринг сигналов вместо единой цели D7 ROAS
Типовая ошибка — один глобальный таргет D7 ROAS для всех сетей и кампаний. Поведение и конверсии в Meta, AppLovin и rewarded сетях принципиально разные, а все охотятся за одними и теми же «покупателями». Чтобы выйти на менее конкурентный трафик, нужно вместе с продуктом описать идеальный юзер-джорни и превратить его в кастомные события MMP. Например, если логин на D3 — сильный предиктор, его надо явно сигнализировать сетям. Организационный риск: продуктовые A/B-тесты ломают сигналы UA, а UA-менеджеров не зовут на продуктовые обсуждения.
6. Единый источник правды и слепые зоны MMP
MMP не видит часть поведения: ре-энгейджмент, активность после 180 дня, кроссплатформу, веб-магазин. Его нужно рассматривать как один мобильный стрим и обогащать остальными данными. Главный приоритет — закрыть слепоту SKAN на iOS, приблизив видимость к Android: использовать opt-in как эталон и искать похожие паттерны у non-opt-in пользователей. Ре-атрибуция и post-180 дают +10–20% апсайда, но это вторично по сравнению с решением SKAN. Кроссплатформенная атрибуция дорога, но открывает путь к полноценной омниканальной маркетинговой стратегии.
7. Плохие метрики — ложная уверенность
Важно не только качество предсказаний (accuracy), но и разброс (confidence). Две сети могут иметь одинаковую точность, но одна даёт стабильный LTV $10–15, другая — $1–100. Лучшие студии используют MAPE (mean absolute percentage error) для постоянного бэктеста прогнозов и дают UA-менеджерам доверительные интервалы. При высоком шуме лучше дольше выдерживать кампанию до изменений. MAPE — это «бэттинг-аверидж» дата-сайенса, на основе которого принимаются решения.
8. Пейсинг и работа с алгоритмами сетей
Команды слишком часто меняют бид и tROAS, ломая обучение алгоритмов. Правило Бруно: не более одного изменения за окно конверсии. Оптимизируете под D7 ROAS — ждите 7 дней между изменениями. Изменения — в пределах 20% вверх/вниз, иначе алгоритм вынужден заново исследовать аудитории. «Правило 7–20» кажется нелогичным при плохих показателях, но резкие движения только продлевают фазу обучения и режут рост.
Будущее предиктивного ROAS и роль UA
Сейчас многие «предиктивные модели» — по сути сложные таблицы, но тренд меняется. Сети уходят в tROAS-only кампании с длинными окнами (AppLovin уже сдвинулась с D7 к D28, тренд — к D365). Генеративный ИИ возьмёт на себя динамическую оптимизацию креативов. Роль UA-менеджера смещается к роли аудитора: несколько автономных сетей, длинные окна атрибуции, независимые данные для верификации отчётности сетей и акцент на правильной постановке сигналов.
Выводы
- Корректная атрибуция органики и переход на net ROAS критичны для реальной оценки окупаемости.
- ROAS-кривые, эластичность CPI–LTV и поведение по сетям/гео нельзя переносить как универсальные правила.
- Инжиниринг сигналов и совместная работа UA и продукта важнее, чем единый таргет D7 ROAS.
- MMP — лишь часть картины; нужно строить единый источник правды и в первую очередь решать слепоту SKAN.
- Дисциплина в изменении бидов/tROAS и использование MAPE/интервалов доверия повышают качество решений при масштабировании.
