От охвата до конверсии: практическая модель атрибуции и оценки ROMI для OOH/DOOH-кампаний

Автор: Попова Анастасия

ВВЕДЕНИЕ

Со стремительным и постоянным ростом времени, которое потребители проводят за медиапотреблением, увеличением количества и частоты показов рекламы и перенасыщением информационного пространства, перед специалистами в сфере маркетинга и рекламы встает значительный вопрос поиска способов измерения эффективности затрат на маркетинговые кампании.

Значительное количество рекламы усложняет процесс ее запоминания потребителями и, как следствие, создает проблемы для аналитики и анализа результативности обращений специалистами. Согласно исследованию международной торговой ассоциации «PPAI», 83% респондентов могут вспомнить хотя бы один бренд без подсказки, и только 23% — конкретное рекламное обращение (Promotional Products Association International, 2024). Из этого следует, что увеличение рекламных расходов на продвижение товаров и услуг не будет гарантией желаемого результата, и только атрибуция (то есть процесс определения влияния различных маркетинговых каналов) становится релевантным методом рекламного и маркетингового менеджмента.

Особенно остро эта проблема встает в сегменте наружной рекламы (OOH) и ее цифровой разновидности (DOOH), где, в отличие от digital-каналов, отсутствуют универсальные рекламные платформы со способностью предоставления метрик эффективности в реальном времени. В то же время традиционные метрики, такие как OTS, GRP и др., уже не полностью удовлетворяют финансовые отделы и их руководителей. Актуальными становятся конверсионные показатели результативности, демонстрирующие вызванные рекламой действия в общей воронке продаж.

Учитывая вышесказанное, возникает потребность в создании практической модели атрибуции для наружной рекламы, которая бы предоставила возможность корректно оценивать долю OOH и DOOH в общей конверсии потребителей и, соответственно, вычислять возврат инвестиций, затраченных на маркетинг (ROMI).

Актуальность этого исследования обусловлена значимостью наружной рекламы как части медиа-микса. Несмотря на сложность оценки данного канала, маркетинговые агентства и исследовательские компании фиксируют позитивный тренд в росте затрат на наружную рекламу. Как отмечает исследование Ассоциации наружной рекламы Америки, доход индустрии OOH в третьем квартале 2025 года вырос на 4,5% по сравнению с аналогичным периодом прошлого года, достигнув 2,13 млрд. долларов (Out of Home Advertising Association of America, 2025). Согласно прогнозу аналитической компании «Statista», мировые затраты на наружную рекламу (OOH) продолжат расти до 2030 года, в то время как сегмент цифровой наружной рекламы (DOOH) будет демонстрировать более высокие темпы прироста. Ожидается, что к 2029 году объем инвестиций в DOOH превысит затраты на OOH-рекламу (Statista, 2025).

В то же время меняется потребительское поведение, которое становится более требовательным во взаимодействии с наружной рекламой. Современный потребитель, находясь в информационном перенасыщении, нуждается в персонализированном рекламном сообщении, которое будет резонировать с его собственными ценностями. Соответственно, исследования демонстрируют растущий спрос на локальные и культурно-релевантные рекламные кампании, направленные на отдельные сегменты потребителей. Так, согласно отчету компании «Deloitte», 75% потребителей чаще покупают продукты у брендов, предлагающих персонализированный контент (Deloitte, 2025).

Учитывая данные тенденции, искусственный интеллект (далее ИИ) занимает роль нового и практичного инструмента маркетинга и медиапланирования. Согласно опросу платформы «SurveyMonkey», большинство маркетологов и медиа-специалистов уже рассматривают ИИ как неотъемлемый инструмент для работы в сферах автоматизации, аналитики, исследований, организации командной работы, создания и оптимизации качества контента (Рис. 1).

Рис. 1 Самые распространенные формы использования ИИ-инструментов маркетологами (SurveyMonkey, 2025)

Как демонстрируют вышеупомянутые данные, высокий процент использования искусственного интеллекта относится к анализу данных (41%) и автоматизации (43%), что свидетельствует о трансформации функции ИИ от обычного инструмента планирования до незаменимого помощника обработки полученных данных. Именно эти факторы крайне важны для трансформации наружной рекламы от «традиционного канала охвата» до «измеримого и эффективного канала, который приводит к конверсии». Однако в приведенных данных проявляется отсутствие попытки использования ИИ для измерения эффективности офлайн-каналов коммуникации и их атрибуции к конверсии. В следующем разделе будет представлена методология построения практической модели атрибуции для наружной рекламы, которая даст возможность перейти к конкретным метрикам и показателям.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Любая рекламная коммуникация имеет краткосрочную и долгосрочную цели. Тактические цели коммуникации включают конверсию и продажи, тогда как стратегические цели — формирование позитивного восприятия потребителями бренда и создание «капитала бренда». Согласно концепции Дэвида Аакера (Рис. 2), капитал бренда формируется из следующих критериев: узнаваемость бренда (brand awareness), лояльность к бренду (brand loyalty), воспринимаемое качество (perceived quality), ассоциации относительно бренда (brand associations) и другие собственные активы бренда (other propriety brand assets).

Рис. 2 Модель «Капитал бренда» (Aaker, D.A., 1991)

Наружная реклама и ее цифровая разновидность, благодаря массовому охвату и подтвержденной исследованиями эффективности, являются важным инструментом для построения капитала бренда. Согласно анализу более 50 рекламных кампаний, реализованных в Великобритании, исследовательская организация «Posterscore» определила, что потребители, видевшие наружную рекламу, на 63% чаще совершали целевые действия онлайн (посещение сайта, поисковый запрос, скачивание приложения) по сравнению с теми, кто не контактировал с OOH/DOOH (WARC, 2023).

В то же время классические модели атрибуции не включают долгосрочное влияние наружной рекламы на ценность бренда и фокусируются на одном определенном канале. Следовательно, цель нашего исследования заключается в создании модели, которая бы измеряла эффективность OOH/DOOH-рекламы одновременно в тактическом и стратегическом измерениях.

АНАЛИТИЧЕСКАЯ ЧАСТЬ ИССЛЕДОВАНИЯ

Предложенная модель атрибуции состоит из трех основных этапов: сбор данных, атрибуция и аналитика, оценка эффективности и капитала бренда (Рис. 3). Данная модель охватывает полный цикл коммуникации — от фиксации контакта с рекламой до оценки ее долгосрочного влияния на бренд и капитал бренда.

Рис. 3 Этапы модели атрибуции

В дальнейшем будут рассмотрены все этапы предложенной модели. Первый блок «Сбор данных» отвечает за сбор, оценку (валидацию) и унификацию данных из различных источников. Учитывая специфику OOH и DOOH, источники были распределены в соответствии с типами наружной рекламы. Поскольку традиционная наружная реклама является физическим каналом коммуникации, она не имеет встроенных механизмов обратной связи, и поэтому получение данных в модели происходит через косвенные методы. Табл. 1 систематизирует основные источники данных, используемые для измерения эффективности OOH-рекламы.

Таблица 1: Источники получения данных для OOH-рекламы

Тип данных	Источник	Технология получения	Получаемые показатели
Дескриптивный / Геопространственный	Мобильные операторы / Геоаналитические платформы	Агрегированные обезличенные данные о перемещении абонентов / Трекинг мобильных устройств в определенных геозонах	Reach, Frequency, OTS (Opportunity to See), GRP (Gross Rating Point) Store Visit Lift, Incremental Visits, поведение потребителей, демографические показатели и т.д.
Транзакционный / Контрольный / Прямая атрибуция	CRM и POS системы / Контрольные группы / QR-коды на носителях рекламы	Интеграция через API или экспорт данных / Сравнение тестовых зон с OOH и без OOH / Создание уникальных QR-кодов с UTM-метками	Фактические продажи, средний чек, повторные покупки, CLV (Customer Lifetime Value) Чистый эффект рекламы, Incremental Lift Scan Rate, Conversion Rate, Поведенческие данные на сайте (тепловая карта)

В отличие от классической наружной рекламы, DOOH объединяет физическое размещение вместе с цифровыми технологиями, что открывает новые перспективы для специалистов рекламы и маркетинга. При применении такого канала коммуникации появляется возможность получения данных в реальном времени через камеры, сенсоры, интерактивные элементы (QR-коды, VR, AR и т.д.). В Табл. 2 представлены источники получения данных, доступные для цифровой разновидности OOH, которые позволяют измерять не только факт точки контакта потребителя с брендом, но и узнать больше об эмоциональном восприятии, поведении и взаимодействии потребителей с рекламой.

Таблица 2: Источники получения данных для DOOH-рекламы

Тип данных	Источник	Технология получения	Получаемые показатели
Внимание потребителей	Камеры с компьютерным зрением	Анализ видео с помощью ИИ в реальном времени	Reach, Viewability, Dwell Time, эмоциональная реакция потребителей, демографические, психографические и другие факторы
Действия потребителей	QR-коды с UTM-метками, NFC-метки	Создание уникальных QR-кодов для каждого отдельного рекламного экрана или билборда	Scan Rate (количество людей, отсканировавших коды), Conversion Rate (количество потребителей, выполнивших целевое действие), поведенческие данные, атрибутированный к DOOH доход
Контекстный	API (прикладной программный интерфейс): погоды, событий, времени	Подключение к API метеослужб, календарей событий (праздников в стране), сервисов времени	Такие показатели как: температура, погода, время суток, день недели, праздники, помогают анализировать информацию о спросе и корреляцию данных факторов с поведением потребителей. Кроме того, возможна персонализация рекламы в реальном времени.

Вышеупомянутые таблицы демонстрируют, что для получения качественной, репрезентативной и корректной информации стоит комбинировать различные типы данных. Сочетание различных данных, как OTS (возможность увидеть) и Dwell Time (фактическое время просмотра рекламы) и использование геоаналитики вместе с информацией о потребителях, предварительно проанализированной и сегментированной по различным характеристикам, может предоставить не только комплексное видение потребителя и его потребностей, но и четкие метрики эффективности, учитывающие как количественные, так и качественные характеристики. Следовательно, комбинирование показателей OOH и DOOH дает возможность не только оценить прошлые кампании, но и одновременно строить модели прогнозирования.

Полученные на этом этапе данные станут основой для следующего блока, где будет определяться вклад каждого канала в конверсию. Задача второго блока модели «Атрибуция и аналитика» заключается в определении отдельной доли вклада OOH и DOOH рекламы в общей конверсии. Учитывая сложность смешанных потребительских путей, предложенная модель базируется на мультиуровневой атрибуции, которая происходит в несколько этапов. В зависимости от количества данных и типа носителя рекламы можно выбрать один из четырех уровней предлагаемой атрибуции, что обеспечит гибкость модели и ее адаптивность. В Табл. 3 приведена сравнительная характеристика четырех уровней атрибуции.

Таблица 3: Уровни атрибуции для OOH и DOOH-рекламы

Уровень модели	Метод	Суть метода	Источник данных	Практическое применение
Первый	Last Click	Конверсия засчитывается при использовании потребителем уникального идентификатора	Уникальные идентификаторы, которые используются в OOH и DOOH рекламе (QR-коды с UTM-метками, NFC-метки, промокоды)	Создание наружной рекламы с интерактивными или цифровыми элементами
Второй	Гео-атрибуция	Сопоставление полученных геоаналитических данных возле OOH и физических магазинов в определенном периоде конверсии, сравнение	Данные мобильных операторов, геозоны OOH и физических магазинов	Создание наружной рекламы с массовым охватом
Третий	Мультиканальная ML-атрибуция	Использование логистической регрессии для определения вероятности конверсии в зависимости от комбинации каналов	Данные, полученные со всех каналов, и обучающая выборка, созданная на основе исторических данных	Создание комплексных омниканальных кампаний с развитой data-инфраструктурой
Четвертый	Вектор Шепли (Shapley Value)	Математический метод интерпретации данных для распределения ценности конверсии между всеми задействованными каналами	История пути потребителя (действия на веб-сайте или в приложении), все действия, которые считаются целевыми, объединенная офлайн и онлайн информация	Создание сложных мультиканальных кампаний с применением большого объема информации (big data)

Первый уровень «Last click» базируется на использовании уникальных идентификаторов, второй «Гео-атрибуция» использует данные от мобильных операторов для сопоставления полученных геоаналитических данных возле OOH и физических магазинов, что позволяет оценить прирост посещений (Store Visit Lift) по сравнению с контрольной группой. Третий уровень «Мультиканальная ML-атрибуция» заключается в применении алгоритмов машинного обучения, а именно логистической регрессии, для определения вероятностного вклада каждого канала в конверсию, и четвертый уровень «Вектор Шепли» базируется на теории кооперативных игр и обеспечивает математически обоснованное распределение ценности конверсии между всеми задействованными каналами. Алгоритм распределения ценности данной модели состоит из сбора и фиксации хронологической последовательности взаимодействий со всеми каналами и выбора уровня распределения.

Третий блок модели под названием «Оценка эффективности и капитала бренда» трансформирует результаты атрибуции в конкретные метрики. Именно на этом этапе полученные данные превращаются в репрезентативную информацию. Согласно практике маркетинга показатели делятся на две группы: тактические и стратегические. Тактические метрики отвечают за мгновенную оценку эффективности, в то время как стратегические метрики — за влияние кампании на долгосрочный капитал бренда. Данные показатели рассчитываются на основе данных, полученных в первом и втором блоках модели. Основными тактическими показателями эффективности выступают: SVL (Store Visit Lift) — увеличение посещения физических магазинов, Search Lift — изменение поисковой активности потребителей после рекламной кампании, реакция на рекламу и охват. Финансовым итогом рекламной кампании является ROMI (Return on Marketing Investment), который помогает оценить рентабельность вложенных инвестиций в маркетинг.

Отдельным важным показателем является ROAS (Return on Ad Spend), показывающий окупаемость вложенных финансовых ресурсов, затраченных на рекламу. Важно отметить, что для расчета ROMI и ROAS доход от OOH не равен всему приросту продаж и всегда корректируется на долю атрибуции канала. Стратегические метрики, в свою очередь, дополняют видение долгосрочного развития бренда. Соответственно этому, в Табл. 4 отражена группировка стратегических метрик для наружной рекламы.

Таблица 4: Стратегические показатели эффективности OOH и DOOH

Элемент концепции	Метрика	Значение
Узнаваемость	Brand Awareness	Знание потребителей о бренде
Воспринимаемое качество	Соотношение позитивных и негативных ассоциаций	Отношение к продукту и его качеству
Ассоциации относительно бренда	Ad Recall, Favorability	Место бренда в сознании потребителей
Лояльность	Consideration, Purchase Intent, Изменение индекса лояльности (NPS/ANPS)	Рассмотрение возможности и готовность потребителей к покупке, измерение общей лояльности

Кроме того, данный блок предлагает новую метрику «BEROI» (Brand Equity Return on Investment), которая оценивает долгосрочный вклад наружной рекламы в развитие бренда. Ниже приведена формула метрики:

BEROI = (ΔВЕІ × CLV × Reach) / OOH/DOOH Spend

где:

• ΔВЕІ - относительное изменение интегрального индекса капитала бренда
• CLV - пожизненная ценность клиента
• Reach - охват
• OOH/DOOH Spend - общие затраты на кампанию

Индекс BEI (Brand Equity Index) количественно измеряет силу капитала бренда на основе элементов концепции Д. Аакера. Табл. 5 изображает источники получения данных для расчета показателя:

Таблица 5: Источники получения данных для расчета индекса BEI

Элемент концепции	Источник данных	Тип полученной информации
Узнаваемость	Онлайн-опросы	Спонтанная осведомленность, наведенная осведомленность
Воспринимаемое качество	Онлайн-опросы, отзывы, интервью, фокус-группы	VoC (Голос потребителя), оценка по шкале Лайкерта, конкурентное сравнение
Ассоциации относительно бренда	Онлайн-опросы, опросы в социальных сетях, интервью, фокус-группы	Ассоциативное тестирование, эмоциональная оценка, открытые вопросы относительно ассоциаций
Лояльность	Опросы, данные в системе CRM	NPS (Net Promoter Score), намерение повторной покупки, CLV (Customer Lifetime Value)

Для обеспечения репрезентативности выборка должна включать респондентов из зон размещения OOH, DOOH и контрольной группы. Расчет индекса BEI заключается в определении средневзвешенной величины нормированных показателей узнаваемости, воспринимаемого качества, ассоциации и лояльности как суммы произведений их нормированных значений на соответствующие весовые коэффициенты, которые корректируются в зависимости от стратегических целей бренда. Расчет BEI позволяет отследить изменения под воздействием рекламной кампании и количественно оценить капитал бренда по основным компонентам модели Дэвида Аакера.

ВЫВОДЫ

Раньше OOH-реклама не имела четкой системы измерения из-за понимания ее лишь как части «традиционных медиа» и отсутствия соответствующих инструментов. Однако с развитием новейших технологий для специалистов открывается возможность добавления их в анализ наружной рекламы. Очевидно, что будущее наружной рекламы будет заключаться в сочетании инновационных технологий и полной омниканальности маркетинга. Сочетание OOH и DOOH приводит к наиболее эффективному результату вместе с использованием цифровых технических решений.

Итак, предложенная трехуровневая модель «Сбор данных - атрибуция и аналитика - оценка эффективности и капитала бренда» представляет собой целостную систему, предназначенную для общего анализа эффективности наружной рекламы. В рамках первого блока модели были систематизированы основные источники получения данных для OOH и DOOH рекламы. Для традиционной наружной рекламы это геоаналитические платформы и агрегированные данные мобильных операторов, представленных на украинском рынке компаниями «Kyivstar», «Vodafone» и «Lifecell». В то время как для цифровой наружной рекламы это применение инновационных технологий (распознавание лиц, возможности компьютерного зрения и т.д.) и имплементация интерактивных элементов.

Второй блок модели, посвященный атрибуции и аналитике, предлагает расширенный подход к определению влияния различных маркетинговых каналов на общую конверсию. Многоуровневость данного этапа дает возможность специалистам выбрать наиболее оптимальный и точный метод в зависимости от имеющихся данных, бюджета и сложности поставленных целей кампании.

Третий и последний блок трансформирует полученные результаты атрибуции в набор конкретных бизнес-показателей. Сочетание тактических и стратегических метрик выступает стандартом для аналитики, впрочем, добавление Новой метрики BEROI становится новейшим элементом, объединяющим краткосрочные и долгосрочные эффекты наружной рекламы через изменение индекса капитала бренда (BEI), пожизненную ценность клиента (CLV) и охват. Таким образом, аналитическая часть исследования продемонстрировала структуру предложенной модели и ее практическое применение в рамках создания наружной рекламы.

РЕКОМЕНДАЦИИ

На основе данного исследования будут выделены рекомендации для улучшения OOH и DOOH рекламы в формате 3К «Контекст - Креатив - Конверсия». Контекст определяет место контакта потребителя с рекламой и метод выбора локации. Учитывая важность этого элемента, специалистам необходимо безоговорочно проводить предварительный анализ с использованием геоаналитических платформ для анализа трафика, демографических и поведенческих факторов. Более того, для DOOH стоит имплементировать тайм-таргетинг, заключающийся в показе рекламы в четко определенное время.

Вторым важным элементом выступает креатив. Для повышения эффективности рекламных кампаний в рекламу стоит имплементировать цифровые элементы, то есть добавлять QR-коды с унифицированными UTM-метками, применять VR/AR технологии и т.д. Добавление к статичным баннерам цифровых и инклюзивных элементов придает брендам доверие и уважение со стороны потребителей, приводит к дополнительному распространению новостей в медиа, что ведет к значительному росту охвата. На Рис. 4 изображен пример такой рекламной кампании, где были объединены одновременно цифровые, печатные (шрифтом Брайля) и аудиоэлементы.

Рис. 4 Пример наружной рекламы, объединяющей цифровые, напечатанные шрифтом Брайля и аудиоэлементы (Campaign Experience, 2024)

Также внедрение цифровых, интерактивных и физических элементов приводит к большему охвату. Ярким примером выступает рекламная кампания от «Warner Bros. Pictures», объединившая OOH, DOOH и элемент «партизанского маркетинга» — рекламу на лестнице (Рис. 5).

Рис. 5 Пример наружной рекламы, объединяющей баннерную рекламу и метод «партизанского маркетинга» (CampaignExperience, 2024)

Рекомендацией для DOOH-реклами выступает использование технологий для персонализации рекламных обращений (AR, VR, технология распознавания лиц и т.д.). Рис. 6 изображает пример эффективной рекламной кампании, которая значительно повысила вовлеченность потребителей и улучшила восприятие бренда через привлечение новейших технологий.

Рис. 6 Пример DOOH-рекламы с применением технологии распознавания лиц (Quividi, 2018)

Отдельным успешным кейсом стал пример бренда «Maybelline», который запустил омниканальную коммуникацию с использованием DOOH и интегрированной AR-технологией (Рис. 7). Используя дополненную реальность, потребители имели возможность виртуально примерить новый продукт на собственном изображении и одновременно делиться фотографиями в социальных сетях. Эффект публичной демонстрации изображения на билборде удовлетворил глубинную потребность в признании. Данная DOOH создала незабываемый опыт и позитивную ассоциацию с брендом. Основываясь на этом, успешная наружная реклама должна базироваться не только на технологическом преимуществе, но и, прежде всего, на глубинном понимании всех уровней потребностей потребителей. Креативы должны приводить к позитивной эмоциональной реакции со стороны потребителей, что будет вести к лучшим ассоциациям относительно бренда и значительно более высокой узнаваемости.

Рис. 7 Пример DOOH-рекламы с интегрированной AR-технологией (FFACE.ME, 2023)

Поскольку конечная цель наружной рекламы — это конверсия, стоит интегрировать инструменты прямой атрибуции (QR-коды, NFC-метки, промокоды и т.д.), интегрировать OOH и DOOH рекламу с цифровой воронкой для ретаргетинга потребителей, добавлять целенаправленные CTA (Call to Action) и постоянно анализировать полученные результаты для улучшения маркетинговой деятельности.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

• 1. PPAI. (2024, May 7). Nine in 10 consumers remember branding on promotional products, study Finds - PPAI - Promotional Products Association International. PPAI - Promotional Products Association International. Ссылка
• 2. Out of Home Advertising Association of America. (2025, December 2). OOH revenue hits All-Time Q3 High - OAAA. OAAA. Ссылка
• 3. Statista. (2025). Out-of-Home Advertising - Worldwide | Market forecast. Ссылка
• 4. Marketing Trends 2025. (2025, January 21). Deloitte Insights. Ссылка
• 5. SurveyMonkey. (2026, January 29). Al in Marketing Statistics: How marketers use Al in 2025. Ссылка
• 6. Aaker, D.A. (1991). Managing Brand Equity., стр. 27
• 7. Out-of-home advertising lifts online actions by 63% | WARC. (2023). Ссылка
• 8. Bupa and ParalympicsGB - Health is. (2024). Campaign Experience Awards. Ссылка
• 9. Warner Bros. Pictures - Beetlejuice. (2024). Campaign. Ссылка
• 10. Quividi. (2018, January 10). Interactive Facial Detection DOOH campaign for GMC [Video]. YouTube. Ссылка
• 11. FFFACE ME. (2023, October 16). The Largest AR Billboard Reinventing OOH Ads | FFFACE.ME x Maybelline New York [Video]. YouTube. Ссылка