Как спрогнозировать продажи на основе рекламных данных

Клиент присылает бюджет на следующий квартал и спрашивает: «Сколько продаж это даст?» — и если ответить «не знаю, посмотрим» три раза подряд, бюджет на рекламу начинают резать первым, а не последним. Прогноз продаж на основе рекламы нужен не для красивой презентации, а чтобы заранее понимать, сколько заявок и сделок принесёт конкретная сумма расхода, и вовремя скорректировать план, если фактические цифры расходятся с моделью.

Я работаю с рекламной аналитикой и построением отчётности для рекламных кабинетов и CRM уже несколько лет, и почти в каждом проекте в какой-то момент возникает задача спрогнозировать продажи от рекламы на месяц-два вперёд — для планирования склада, найма менеджеров или защиты бюджета перед руководством. Универсальной формулы, которая точно предскажет выручку, не существует, но есть рабочая методика, которая ошибается в пределах 10–15%, что для планирования вполне достаточно.

В статье разберу, какие данные нужны для прогноза, как построить простую регрессионную модель «расход → продажи», как учесть сезонность и отложенный эффект рекламы, и на каком этапе прогноз вообще не нужен — если данных слишком мало или конверсия непредсказуема.

Что такое прогноз продаж на основе рекламы и зачем он нужен

Прогноз продаж на основе рекламы — это расчёт ожидаемого количества сделок и выручки на основе исторической связи между рекламными показателями (расход, клики, заявки) и итоговыми продажами. В основе — статистическая зависимость: если раньше 150 000 ₽ расхода в месяц давали 42 заявки и 11 продаж, модель предполагает, что похожий бюджет в следующем месяце даст сопоставимый результат с поправкой на сезонность и изменения конверсии.

Прогноз строится не по одной цифре расхода, а по цепочке метрик: показы → клики → заявки → сделки → выручка. Каждый переход между этапами — это конверсия, и именно набор конверсий за прошлые периоды становится основой для расчёта. Это отличает прогноз продаж от прогноза бюджета в интерфейсе Директа — тот считает клики и расход по ставкам, но не доводит цепочку до сделки. Разницу между этими задачами я разбирал в статье про прогноз бюджета в Яндекс Директе — она про клики и охват, а не про итоговую выручку.

Задача прогноза продаж решается на пересечении трёх источников: рекламного кабинета, веб-аналитики и CRM. Без данных о сделках (не просто заявках) модель будет прогнозировать не продажи, а лиды — что тоже полезно, но не отвечает на вопрос «сколько денег принесёт бюджет».

Какие данные нужны, чтобы прогнозировать продажи по рекламе

Минимальный набор для построения рабочей модели — 4–6 месяцев истории по каждому из трёх слоёв данных. Меньший период даёт слишком мало точек для регрессии, а сезонные колебания искажают результат сильнее, чем реальный эффект от изменения бюджета.

Собирать это руками через выгрузку CSV каждую неделю реально, но неудобно на дистанции — данные быстро расходятся с интерфейсом. Для регулярной выгрузки я использую API Яндекс Директа для расхода и ставок и API Яндекс Метрики для визитов и целей — оба подключаются один раз и дальше отдают свежие цифры без ручной выгрузки. Звонки без коллтрекинга в модель не попадут вообще — их придётся оценивать «на глаз», что подрывает точность прогноза, поэтому если в бизнесе доля звонковых заявок выше 20–25%, коллтрекинг нужен обязательно — я подробно разбирал его настройку в статье про коллтрекинг и сквозную аналитику.

Как связать показы, клики и заявки с продажами: модель воронки

Прежде чем считать регрессию, нужно зафиксировать конверсии на каждом этапе воронки — они и есть тот самый мост между рекламными кликами и итоговой выручкой. Я беру исторические данные за 12–20 недель и считаю средний процент перехода между этапами: клик → заявка, заявка → сделка в работе, сделка в работе → оплата. Логику построения такой цепочки я разбирал детальнее в статье про воронку продаж — там же есть разбор, как искать этап с самой низкой конверсией, который сильнее всего искажает прогноз.

На практике конверсии редко стабильны — они зависят от качества обработки заявок отделом продаж, сезона и даже дня недели. Поэтому прогноз продаж на основе рекламы не строится на одной средней цифре: я беру диапазон конверсии (например, от 22% до 31% для этапа «заявка → сделка») и считаю не одно число, а вилку прогноза — пессимистичный, базовый и оптимистичный сценарий.

Метод линейной регрессии: прогноз продаж от рекламного бюджета

Самый практичный способ связать расход с продажами без сложной статистики — простая линейная регрессия вида Y = a·X + b, где X — расход на рекламу за неделю, Y — количество продаж или выручка. Коэффициенты a и b считаются по историческим точкам через функцию ЛИНЕЙН в Google Таблицах или Excel — формула укладывается в одну ячейку.

Ниже — обобщённый иллюстративный пример логики расчёта, а не описание конкретного реального проекта. Допустим, за 18 недель собраны пары «расход — продажи»: при 118 000 ₽ расхода в неделю модель в среднем получала 9 продаж, при 176 000 ₽ — 14 продаж, при 231 000 ₽ — 17 продаж. Регрессия по этим точкам даёт зависимость примерно Y = 0,00072·X + 0,3. Подставив плановый расход 260 000 ₽ на неделю, получаем прогноз около 19 продаж — с доверительным интервалом плюс-минус 2–3 продажи, если разброс исторических точек был умеренным.

Ключевой момент — коэффициент детерминации R². Если он ниже 0,5–0,6, значит, продажи в основном зависят не от расхода на рекламу, а от других факторов: сезона, акций, работы отдела продаж. В этом случае регрессия от одной переменной не годится — нужна многофакторная модель, где помимо расхода учитываются число рабочих дней, наличие акции и индекс сезонности. Это уже задача для полноценного дашборда, а не одной ячейки в таблице — я собирал похожую логику при построении дашбордов в Яндекс DataLens.

Сезонность и отложенный эффект рекламы в прогнозе продаж

Прямая регрессия «расход этой недели → продажи этой недели» работает только для бизнесов с коротким циклом сделки — интернет-магазины, услуги с быстрым решением. Для B2B, недвижимости, дорогого оборудования между кликом и оплатой проходит от двух до восьми недель, и без учёта этого лага прогноз будет систематически недооценивать эффект рекламы в последних неделях периода — сделки просто ещё не закрылись.

Решение — сдвигать ряд расхода на медианное время цикла сделки перед расчётом регрессии. Если по CRM видно, что средний цикл от заявки до оплаты — 18 дней, то расход недели 1 нужно сопоставлять с продажами недели 3–4, а не недели 1. Это заметно повышает R² модели и убирает искажение по последним неделям отчётного периода.

Сезонность — второй источник ошибки. Индекс сезонности считается как отношение фактических продаж месяца к среднемесячным продажам за год: если в декабре продажи стабильно на 35–40% выше среднего, а в феврале на 15–20% ниже, эти коэффициенты нужно применять к базовому прогнозу регрессии, а не игнорировать их. Для планирования бюджета на несколько месяцев вперёд сезонность и распределение расхода по каналам и неделям я подробнее разбирал в статье про медиапланирование.

Пошаговый пример: прогноз продаж на основе данных Директа и Метрики

Разберу последовательность действий, которую использую при построении такой модели для клиента.

Шаг 1. Выгружаю расход и клики по неделям из Директа через API за 16–24 недели. Шаг 2. Из Метрики беру визиты и достигнутые цели за те же недели, сопоставляя по UTM-метке источника — без корректной разметки ссылок эта сверка не сойдётся, метки лучше готовить заранее сразу в кабинете, генератором UTM-меток для Яндекс Директа. Шаг 3. Из CRM выгружаю сделки с датой создания, статусом и суммой, привязанные к тому же источнику. Шаг 4. Свожу три таблицы по неделям в одну и считаю конверсии на каждом переходе — это даёт вилку сценариев из предыдущего раздела. Шаг 5. Строю регрессию расход → продажи со сдвигом на цикл сделки и накладываю сезонный коэффициент на итоговый прогноз.

Отдельно нужно смотреть качество самого клика — если CTR резко меняется или конверсия в заявку падает без видимой причины, прогноз будет строиться на искажённых данных. Для контроля этого показателя я использую разбор в статье Яндекс Метрика для анализа рекламы — там же описано, как отделить трафик по кликам от трафика по прямым заходам, который иногда попадает в отчёт по ошибке атрибуции.

DataLens или Google Таблицы — что выбрать для расчёта прогноза

Для разовой оценки или небольшого проекта таблиц достаточно — регрессия в одну формулу считается за минуту. Но если прогноз пересматривается каждую неделю и данные приходят из трёх источников, ручное обновление таблицы становится узким местом: пропущенная выгрузка за одну неделю — и вся модель искажена.

Если прогноз продаж — часть постоянной отчётности, а не разовая оценка, разумно сразу выносить его в общий дашборд сквозной аналитики, а не держать отдельным файлом. Логику такого дашборда для интернет-магазина я разбирал в статье про сквозную аналитику.

Типичные ошибки при прогнозировании продаж по рекламным данным

Когда прогноз продаж на основе рекламы не нужен

В таких случаях достаточно отслеживать план по марже и юнит-экономике — я разбирал этот подход в статье про юнит-экономику в маркетинге, где расчёт CAC и LTV даёт больше практической пользы, чем недостоверный прогноз выручки на скудных данных.

Как проверить точность прогноза и когда его пересматривать

Точность модели проверяется постфактум: каждую неделю сравниваем прогноз с фактом и считаем отклонение в процентах — метрика называется MAPE (средняя абсолютная процентная ошибка). Если отклонение стабильно держится в пределах 10–15%, модель пригодна для планирования. Если разброс скачет от 5% до 40% от недели к неделе — модель нестабильна, и причину нужно искать либо в коротком ряде истории, либо в изменившейся воронке (например, отдел продаж стал обрабатывать заявки медленнее).

Модель нужно пересчитывать не реже раза в квартал — рынок, ставки и поведение аудитории меняются, и коэффициенты регрессии, актуальные полгода назад, начинают давать систематическую ошибку. Хорошая практика — вести отдельный лист с историей прогнозов и фактов, чтобы видеть тренд отклонения, а не полагаться на разовую проверку. Для оценки динамики удержания клиентов и повторных покупок, которые тоже влияют на итоговую выручку, полезно смотреть когортный анализ — он показывает, растёт ли доля повторных сделок независимо от новых рекламных заявок, и это нужно учитывать отдельно от прогноза по первому обращению.

Если по итогам нескольких кварталов модель систематически переоценивает прогноз в одну сторону — например, всегда завышает продажи на 12–18% — это не повод отказываться от прогнозирования вообще, а сигнал добавить в модель поправочный коэффициент на основе именно этой систематической ошибки. Такая калибровка часто повышает точность быстрее, чем усложнение самой регрессии.