[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-incrementality::ru":3,"gloss-cluster-incrementality::ru":23,"gloss-next-incrementality::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"incrementality","analytics","Инкрементальность","Инкрементальность — это доля результата, которого без измеряемого воздействия не случилось бы. Именно на этот вопрос атрибуция ответить не может: отчёт, записывающий каналу тысячу регистраций, говорит вам, что эти люди коснулись канала по дороге, а не что канал стал причиной их прихода. Часть из них шла и так. Разрыв между «записано» и «вызвано» обычно велик и максимален ровно там, где атрибуция выглядит лучше всего: каналы, перехватывающие человека близко к моменту покупки, — брендовый поиск, ретаргетинг, письмо со скидкой активному пользователю — чаще всего собирают заслуги за спрос, который уже существовал. Для измерения нужна группа сравнения, не получившая воздействия; именно это отличает тест на инкрементальность от отчёта. Там, где можно рандомизировать на уровне пользователя, обычный контролируемый эксперимент отвечает на вопрос напрямую. Там, где нельзя — потому что решает рекламная платформа или потому что воздействие представляет собой охватную кампанию на целые рынки, — стандартные схемы работают крупнее: одни регионы держат вне кампании, пока сопоставимые её получают, либо расход выключают и включают чередующимися периодами и сравнивают с прогнозом, который дают предыдущие периоды. Обе схемы грубы, обеим нужна действительно сопоставимая контрольная группа, и обе стоят реальных денег, пока идут; это честная причина их редкости. Разумная позиция соразмерна. Тест на инкрементальность не нужен для каждой строки расходов, но для самых крупных строк он должен быть проведён хотя бы раз: канал, который под атрибуцией выглядит эффективным, а на деле в основном собирает уже существующий спрос, — самая дорогая ошибка в бюджете. Стоит прямо сказать, что нулевой результат здесь — тоже результат. Тест, который не может отличить группу воздействия от контрольной, сообщил вам дорогую и полезную вещь, а типичная ошибка — перезапускать его со всё меньшей контрольной группой, пока разница не появится снова.","Инкрементальность — то, чего иначе не случилось бы. Почему атрибуция присваивает чужой спрос и какие схемы с контрольной группой измеряют разницу.",null,[11,14,17,20],{"slug":12,"name":13},"ab-testing","A\u002FB-тестирование",{"slug":15,"name":16},"attribution-model","Модель атрибуции (Attribution Model)",{"slug":18,"name":19},"channel-market-fit","Соответствие канала рынку (channel-market fit)",{"slug":21,"name":22},"statistical-significance","Статистическая значимость",[24,26,29,32,35,38,42,45,48,51,54,57],{"slug":12,"category":5,"name":13,"updated_at":25},"2026-09-08T21:32:36+00:00",{"slug":27,"category":5,"name":28,"updated_at":25},"active-user","Активный пользователь (DAU, WAU, MAU)",{"slug":30,"category":5,"name":31,"updated_at":25},"autocapture","Автозахват (Autocapture)",{"slug":33,"category":5,"name":34,"updated_at":25},"cost-per-resolution","Стоимость решения обращения (cost per resolution)",{"slug":36,"category":5,"name":37,"updated_at":25},"customer-data-platform","Платформа клиентских данных (CDP)",{"slug":39,"category":5,"name":40,"updated_at":41},"data-sampling","Сэмплирование данных","2026-09-08T21:32:37+00:00",{"slug":43,"category":5,"name":44,"updated_at":25},"deflection-rate","Доля самообслуживания (deflection rate)",{"slug":46,"category":5,"name":47,"updated_at":41},"double-counting","Двойной учёт",{"slug":49,"category":5,"name":50,"updated_at":41},"feedback-signal","Сигнал обратной связи (Feedback Signal)",{"slug":52,"category":5,"name":53,"updated_at":41},"goodharts-law","Закон Гудхарта",{"slug":55,"category":5,"name":56,"updated_at":25},"guardrail-metric","Метрика-ограничитель",{"slug":58,"category":5,"name":59,"updated_at":25},"identity-resolution","Разрешение идентичности (Identity Resolution)"]