Сквозная аналитика: как связать рекламу с продажами

Сквозная аналитика: что это такое, если без маркетингового тумана? Это система, которая связывает каждый рекламный клик с заявкой, звонком и оплатой в CRM. В итоге видно не «сколько стоила заявка», а сколько денег принесла конкретная кампания, объявление и даже ключевое слово. Разбираем, из чего она состоит, как её внедрить и в каких случаях она не окупится.

Сквозная аналитика: что это простыми словами

Обычная веб-аналитика заканчивается на сайте. Метрика покажет, что из Яндекс Директа пришло 300 пользователей и 25 из них оставили заявку. Дальше заявка уходит менеджеру, и связь с рекламой рвётся: купил человек или нет, на какую сумму, вернулся ли за повторной покупкой.

Цепочка выглядит так: клик по объявлению, визит на сайт, звонок или форма, сделка в CRM, оплата. Если каждое звено передаёт следующему метку источника, отчёт показывает весь путь. Если хотя бы одно звено выпадает, всё, что после него, превращается в «источник неизвестен».

Какие вопросы бизнеса закрывает сквозная аналитика

Самый частый случай в аудитах рекламы: кампании оптимизируют на дешёвую заявку, а продажи от этого не растут. Сквозная аналитика позволяет отследить, что происходит после заявки, и отвечает на вопросы, которые счётчик закрыть не может:

• какой рекламный канал, кампания и ключевое слово приносят продажи, а какие только обращения;
• сколько стоит не заявка, а оплативший клиент (цена продажи);
• какова окупаемость маркетинговых вложений (ROMI): сколько прибыли вернул каждый рубль рекламного бюджета;
• где теряются обращения: пропущенные звонки, заявки без ответа, долгий обратный звонок;
• какие клиенты возвращаются: с этим помогает когортный анализ по месяцу первой покупки.

Простой расчёт показывает, почему цена заявки обманывает. Условный пример, бюджет одинаковый, маржа 40%:

Показатель	Кампания А	Кампания Б
Расход	120 000 ₽	120 000 ₽
Заявки / цена заявки	80 / 1 500 ₽	40 / 3 000 ₽
Продажи / цена продажи	6 / 20 000 ₽	12 / 10 000 ₽
Выручка	360 000 ₽	720 000 ₽
Окупаемость (ROMI)	20%	140%

По данным одной Метрики кампанию Б отключили бы первой: заявка вдвое дороже. По данным сквозной аналитики именно она приносит основную прибыль. Подробнее о том, почему заявки бывают разной ценности, мы писали в статье «Не все лиды одинаково полезны».

Из чего состоит система сквозной аналитики

Систему собирают из шести звеньев. Готовый сервис сквозной аналитики объединяет часть из них в одном кабинете, но логика одна и та же.

UTM-метки

UTM-метка - параметры в ссылке объявления: utm_source (площадка), utm_medium (тип трафика), utm_campaign, utm_content, utm_term. По ним счётчик и CRM понимают, откуда пришёл пользователь. В Яндекс Директе метки удобно заполнять динамическими параметрами вроде {campaign_id} и {keyword}, тогда номер кампании и ключевое слово подставляются сами.

Счётчик и цели

Счётчик Метрики фиксирует визиты и присваивает посетителю ClientID, анонимный идентификатор браузера. Цель - действие, которое считается конверсией: отправка формы, клик по телефону, сообщение в онлайн-чат. ClientID стоит передавать вместе с заявкой в CRM, иначе сделку потом не с чем будет связать.

Коллтрекинг: статический и динамический

В нишах, где клиенты звонят, без звонков картина неполная. Статический коллтрекинг закрепляет отдельный номер за каналом: один на Директ, другой на визитки, третий на радио. Динамический коллтрекинг показывает каждому посетителю сайта свой номер из пула и привязывает звонок к конкретному визиту, кампании и ключевому слову. Для контекстной рекламы нужен динамический, для офлайн-рекламы хватает статического.

CRM-система

Здесь живут сделки, статусы, суммы и повторные покупки. Без CRM сквозной аналитики нет: продажи придётся вручную сводить в таблицу, и через месяц она разойдётся с реальностью.

Рекламные кабинеты и расходы

Расходы из Директа, VK Рекламы и других площадок подтягиваются автоматически по API или загружаются файлом. Без затрат нельзя посчитать ни цену продажи, ни окупаемость.

Сведение данных и отчёт

Последнее звено склеивает всё по идентификаторам: ClientID, номеру телефона, номеру заказа. Сделать это можно в самой Метрике (она принимает импорт данных CRM, офлайн-конверсий, звонков и расходов), в специализированном сервисе или в дашборде на базе BI-системы.

Модели атрибуции: кому засчитать продажу

Клиент редко покупает с первого касания. Сегодня кликнул по объявлению в поиске, через неделю вернулся из рекламной сети, ещё через три дня набрал адрес вручную. Модель атрибуции - правило, по которому продажу распределяют между этими каналами.

• Первое касание: вся ценность у канала, который привёл клиента впервые. Полезна для оценки каналов, которые создают спрос.
• Последнее касание: вся ценность у последнего источника перед покупкой.
• Последний значимый переход: прямые заходы игнорируются, продажа уходит предыдущей рекламе.
• Линейная: ценность делится поровну между всеми касаниями.
• С привязкой к позиции и с учётом давности: больший вес получают первое и последнее касание или касания, ближайшие к покупке.

В Яндекс Метрике набор моделей сократили: с 20 мая 2026 года в Метрике и Директе остались «Последний переход» и «Автоматическая атрибуция», которая учитывает переходы с разных устройств. Остальные модели строят в сервисах сквозной аналитики или в собственном отчёте.

Как настроить сквозную аналитику по шагам

Порядок важнее выбора инструмента. Если начать с подключения сервиса, через месяц окажется, что половина сделок пришла без источника.

1. Определить, что считаем продажей. Оплата, подписанный договор или отгрузка: какой статус в CRM означает успех, какой отказ.
2. Навести порядок в CRM. Каждое обращение становится сделкой, у сделки есть сумма и итоговый статус.
3. Разметить рекламу. Единый справочник UTM-меток: одинаковые названия площадок, только строчные буквы.
4. Настроить счётчик и цели. Формы, клики по телефону, чат; передача ClientID в CRM вместе с заявкой.
5. Подключить коллтрекинг. Динамический для онлайн-рекламы, статический для офлайн-каналов.
6. Загрузить расходы. Все рекламные кабинеты плюс площадки, где оплата вручную.
7. Собрать отчёт и проверить его. Пробная заявка и пробный звонок с каждого канала должны дойти до сделки с правильным источником.

Первые выводы делают не раньше, чем через полный цикл сделки. Если клиент думает месяц, отчёт за первые две недели покажет почти пустые продажи.

Сквозная аналитика для контекстной рекламы

В контексте сквозная аналитика нужна не только для отчёта. Данные о продажах можно вернуть в рекламную систему: офлайн-конверсии из CRM загружают в Метрику, а цель с продажей или квалифицированной заявкой выбирают в стратегии Яндекс Директа. Тогда автостратегия учится на реальных покупках, а не на любых отправках формы, включая спам.

Связка коллтрекинга и сквозной аналитики особенно важна, когда звонков больше, чем заявок с сайта: без неё стратегия не видит основную часть конверсий. Если трафика много, а заявок мало, начните со статьи «Трафик есть, заявок нет», а метрики вроде цены клика и цены заявки разобраны в материале о CPC, CPL и CPM.

Ошибки, из-за которых отчёт врёт

Техника ломается редко. Обычно ломается процесс.

• Заявки не заносят в CRM. Менеджер принял звонок, договорился, а сделку не создал. В отчёте канал выглядит убыточным.
• Нет оплат и сумм. Сделки застревают в статусе «в работе», выручка по источникам остаётся нулевой.
• Метки без справочника. «Yandex», «yandex» и «ya» превращаются в три разных источника.
• Один номер на всё. Телефон в шапке не меняется, звонки с рекламы попадают в «прямые заходы».
• Не учтены расходы на часть площадок, и окупаемость завышена.
• Дашборд никто не открывает. Бюджет перераспределяют по привычке, а не по данным.

Когда сквозная аналитика не окупается

Внедрение стоит денег: подписка на сервис, коллтрекинг, работа специалиста, дисциплина отдела продаж. Окупается оно, когда сэкономленный или перераспределённый бюджет больше этих затрат. Не окупается чаще всего в четырёх случаях:

• один рекламный канал и одна-две кампании: сравнивать нечего, хватает Метрики и CRM;
• несколько сделок в месяц: выборка слишком мала, чтобы делать выводы по кампаниям;
• продажи в основном офлайн без привязки к телефону или заказу;
• в компании нет CRM и никто не готов вести в ней сделки.

Растёт же польза с числом каналов, длиной цикла сделки и размером бюджета. При нескольких каналах и ежемесячной рекламе на сотни тысяч рублей даже перенос 10-15% бюджета из убыточной кампании в прибыльную обычно перекрывает расходы на систему.

Частые вопросы

Чем сквозная аналитика отличается от Яндекс Метрики?

Метрика показывает поведение на сайте и достижение целей. Сквозная аналитика добавляет звонки, сделки из CRM, выручку и расходы, поэтому считает прибыль по каналам. Метрика при этом может быть одним из её звеньев.

Можно ли сделать сквозную аналитику бесплатно?

Частично: Метрика бесплатна и принимает загрузку данных CRM и расходов. Но звонки без коллтрекинга не отследить, а ручная выгрузка отнимает часы каждую неделю. Для малого объёма сделок это рабочий вариант.

Нужен ли коллтрекинг, если есть формы на сайте?

Если больше трети обращений идёт по телефону, да. Без него эти продажи окажутся без источника, а рекламная стратегия будет обучаться на неполных данных.

Сколько времени занимает внедрение?

Зависит от состояния CRM и числа каналов. Техническое подключение быстрее, чем наведение порядка в статусах сделок. Достоверные выводы появляются после полного цикла сделки.

Как настроить сквозную аналитику для интернет-магазина?

Связать заказы с ClientID, передавать сумму и статус оплаты, загрузить расходы по всем каналам. Для магазина особенно полезен анализ повторных покупок по месяцам первой покупки.

Кто должен вести сквозную аналитику?

Настраивают её специалист по рекламе и аналитик, а данные о сделках вносит отдел продаж. Без участия продаж система не работает.

Источники

1. Кошик А. Веб-аналитика 2.0 на практике. Тонкости и лучшие методики. М.: Диалектика, 2014. 528 с.
2. Li H., Kannan P. K. Attributing Conversions in a Multichannel Online Marketing Environment: An Empirical Model and a Field Experiment // Journal of Marketing Research. 2014. Vol. 51, № 1. P. 40-56.
3. Anderl E., Becker I., von Wangenheim F., Schumann J. H. Mapping the customer journey: Lessons learned from graph-based online attribution modeling // International Journal of Research in Marketing. 2016. Vol. 33, № 3. P. 457-474.
4. Shao X., Li L. Data-driven multi-touch attribution models // Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2011. P. 258-264.
5. Dalessandro B., Perlich C., Stitelman O., Provost F. Causally motivated attribution for online advertising // Proceedings of the Sixth International Workshop on Data Mining for Online Advertising and Internet Economy. 2012. P. 1-9.