Работает ли Google Demand Gen в e-commerce? Форензическое исследование и диагностика по марже и consideration.

Оригинальное исследование ADWService — Google Premier Partner, PPC-агентство с e-commerce (ТОП-30 в Украине). Автор: Яна Ляшенко, Google Ads AI Architect.

Гуглеры часто предлагают добавить Demand Gen «для роста» — и говорят, что ему нужно минимум ~$100/день, чтобы заработать. Мы 18 месяцев проверяли на реальном низкомаржинальном магазине, даёт ли он вообще инкрементальные (дополнительные, которых не было бы без него) продажи. Краткий ответ: не так, как его обычно запускают — и ниже простая схема, как понять, сработает ли у вас.

Кому это: владельцам и маркетологам низкомаржинального e-commerce, кому предлагают Demand Gen. Кому НЕ это: премиум-брендам с длинным циклом покупки — там DG ведёт себя иначе.

Паспорт исследования

Как читать теги доказательств. Каждое ключевое утверждение маркировано статусом: [Google docs] — подтверждено документацией Google; [Кейс] — выявлено в этом аккаунте; [ADW эвристика] — рабочее правило ADWService до эксперимента; [Гипотеза] — требует следующего теста. Это намеренное разделение факта, интерпретации и прогноза.

Кратко (TL;DR)

По форензическому анализу ADWService (1 аккаунт, ~18 мес) в низкомаржинальном, низко-consideration e-commerce аккаунте мы не выявили статистически значимого влияния Demand Gen на конверсию, продажи или атрибуционную ценность нижних кампаний за ~18 месяцев данных. [Кейс] Видимый «подъём» объяснялся ростом рынка, пережатыми ставками и изменениями фида — приписанными DG. [Кейс] На этой основе мы сформировали диагностический фреймворк (Consideration / Margin / Measurement гейты), который требует проверки на других аккаунтах. [ADW эвристика] Отсутствие эффекта в одном observational-кейсе не доказывает универсальной неэффективности Demand Gen.

Ключевые цифры (анализ ADWService, 1 аккаунт, ~18 мес):

• Прямой ROAS Demand Gen — 1.35 против безубыточного 5.0–6.7 (возвращал $1.35 на каждый $1, когда нужно ~$5+ только чтобы выйти в ноль)
• 95% покупок — в пределах 1 дня от последнего касания; в среднем 0.42 дня
• Влияние DG на конверсию Performance Max — статистически ≈0 (p ≈ 0.68)
• Переход last-click → data-driven сместил кредит по аккаунту на 0.00%
• Дорогие чеки (выше порога) — 7% покупок по количеству, но ~40% выручки
• Собственный AOV Demand Gen — на 22% ниже AOV Shopping-покупателей

Словарь терминов

• Demand Gen — верхневоронковый формат Google Ads на YouTube/Discover/Gmail, работающий на lookalike-аудиториях для создания спроса. [Google docs]
• Consideration — фаза размышлений между первым контактом и покупкой; измеряется днями до конверсии и количеством касаний.
• Single-touch конверсия — конверсия с одним касанием в пути (без ассистов).
• Contribution margin (контрибуционная маржа) — доля выручки после переменных расходов; определяет, сколько можно вкладывать в маркетинг.
• Break-even ROAS (безубыточный ROAS) — 1 / маржа; ROAS, ниже которого реклама убыточна.
• Holdout — контрольная группа (регионы/аудитория) без канала, для измерения инкрементальности.
• Incrementality (инкрементальность) — продажи, которые произошли благодаря каналу и не произошли бы без него.
• Mix effect (эффект перераспределения) — изменение агрегированного показателя из-за сдвига веса между сегментами, а не из-за изменения внутри них.
• Simpson’s paradox — когда агрегат движется в одну сторону, а все составляющие — в другую (из-за сдвига весов).
• Customer seed — список клиентов, на котором строится lookalike-аудитория.
• High-value customer — покупатель с чеком выше заданного порога (здесь — верхний ценовой сегмент).

Фреймворки ADWService (определения)

• Margin Profiles A/B/C — методология ADWService, задающая бюджет Demand Gen по контрибуционной марже: A (<25%) — органика; B (30–40%) — 12–18%; C (50%+) — 20–26% платного бюджета.
• Consideration-Profile Gate — диагностика ADWService, которая по 5 path-метрикам (дни до конверсии, точки касания, % single-touch, бренд-спрос, сдвиг моделей атрибуции) определяет, стоит ли Demand Gen платного бюджета на конкретном аккаунте.
• Measurement-Readiness Gate — проверка ADWService: есть ли у аккаунта holdout и new-vs-returning трекинг, чтобы эффект Demand Gen вообще можно было измерить, прежде чем его запускать.
• Misattribution Trap (ловушка ложной атрибуции) — понятие ADWService: склонность приписывать Demand Gen рост, вызванный рынком, ставками или изменениями фида, произошедшими одновременно с его запуском.
• Holdout Rule — правило ADWService: инкрементальность Demand Gen доказывается только holdout-экспериментом, а не ROAS или моделями атрибуции.

Часть I. Что показал форензический анализ

Это описание того, что произошло в конкретном аккаунте — не норматив для вашего.

Почему сначала показалось, что Demand Gen сработал

После запуска Demand Gen конверсии аккаунта выросли ~5–6× год-к-году, а конверсия якобы поднялась — так что напрашивался вывод «DG работает». [Кейс] Именно так возникает ловушка ложной атрибуции (Misattribution Trap): когда одновременно меняют десяток рычагов и результат растёт, мозг цепляет победу за тот канал, в который больше всего веришь. [ADW эвристика] Дальнейшая декомпозиция показала, что ни один из этих сигналов не выдерживает проверки.

Что показала декомпозиция (Simpson’s paradox)

Видимый «подъём» конверсии оказался эффектом перераспределения, а не улучшением внутри кампаний. [Кейс] Конверсия отдельных кампаний почти не двигалась; агрегат вырос только потому, что бюджет сместился к товарам с более высокой конверсией — классический Simpson’s paradox. На уровне аккаунта коэффициент Demand Gen на конверсию после контроля на расходы и сезонность был статистически неотличим от нуля (p ≈ 0.68). [Кейс]

Вывод изображения: Demand Gen влияет в верхней (consideration) части воронки, а конверсия закрывается и получает кредит ниже (PMax / Shopping / бренд) — поэтому прямой ROAS DG всегда низкий и не является мерой его ценности.

Что реально объяснило рост

Настоящий скачок эффективности произошёл за месяцы ДО запуска Demand Gen и совпал с обновлением фида и структуры, а не с новым каналом. [Кейс] Дополнительно: impression share держался на уровне ~76–81% при масштабировании расходов — то есть аккаунт рос в пул аукциона, который увеличивался, а не за счёт насыщения; конверсия держалась по причинам, не связанным с DG. [Кейс] Более поздний спад эффективности объяснился каннибализацией от чрезмерного дробления (аккаунт разбили на ~30 кампаний; новые забрали 18% → 73% конверсий, а всего конверсий не прибавилось). [Кейс]

Почему атрибуция не подтвердила вклад DG

Переход с last-click на data-driven модель сместил кредит по всему аккаунту на 0.00%, а самому Demand Gen добавил лишь +0.5 конверсии. [Кейс] Когда модель, которая специально ценит ассисты, ничего не перебрасывает — это означает, что на этом single-touch аккаунте ассисты (включая DG) не несут перераспределительной ценности. [Кейс] Demand Gen в GA4 сгруппирован под Cross-network (вместе с Performance Max), не под Display — поэтому на уровне каналов он невидим и анализируется только на уровне кампаний. [Google docs]

Часть II. Как решить, запускать ли Demand Gen в вашем аккаунте

Это фреймворк принятия решения — переносимая часть исследования.

Вывод изображения: прежде чем запускать DG, дайте «да» на три вопроса — маржа выше 25%, путь к покупке длиннее дня и с несколькими касаниями, есть чем измерить эффект. Хотя бы одно «нет» — DG подождёт.

Влияет ли Demand Gen на Performance Max?

По анализу ADWService, в исследованном e-commerce аккаунте запуск Demand Gen не имел статистически значимой связи с изменением conversion rate Performance Max после учёта расходов, сезонности и изменения структуры трафика (~18 мес данных). [Кейс] Видимый рост агрегированного CR объяснялся перераспределением бюджета на товары с более высокой конверсией, а не улучшением CR внутри кампаний. Этот результат относится к конкретному низко-consideration аккаунту и не является универсальным доказательством неэффективности Demand Gen для всех аккаунтов.

Когда не стоит запускать Demand Gen — Consideration-Profile Gate

Demand Gen работает там, где есть что греть — длинный путь к покупке, несколько касаний, имеющийся бренд-спрос; он бесполезен на мгновенных, single-touch, безбрендовых покупках. [ADW эвристика] Мы называем эту диагностику Consideration-Profile Gate. Сигналы извлекаются из GA4-экспорта путей конверсии.

Вывод изображения: кейс-аккаунт был в «бесполезной» зоне по каждому сигналу и набрал 8/100 — DG бесполезен для этого профиля.

Пороги — [ADW эвристика], предварительные диагностические значения, калибруются; не benchmark Google. Метрики кейс-аккаунта — [Кейс], период ~18 мес.

Какая маржа нужна и сколько бюджета — Margin Gate

Бюджет Demand Gen должен масштабироваться с контрибуционной маржой, потому что тонкая маржа не финансирует канал, который измеряется месяцами, а не кликами. [ADW эвристика]

Вывод изображения: ниже 25% маржи DG остаётся органикой; 30–40% — 12–18% платного бюджета; 50%+ — 20–26%.

Важно о происхождении цифр. Эти диапазоны — [ADW эвристика], выведенная из экономики контрибуционной маржи и допустимого риска, а не статистика многих аккаунтов и не официальная рекомендация Google. Это рабочие ориентиры ADWService для предварительной диагностики до запуска эксперимента. Они не являются отраслевым benchmark.

Готовы ли вы измерить Demand Gen — Measurement-Readiness Gate

Прежде чем запускать DG, проверьте, сможете ли вы вообще измерить его эффект: включён ли new-vs-returning трекинг и есть ли возможность holdout. [ADW эвристика] Если нет — подготовка измерения является первой задачей, а не запуск канала. Без измерения вы либо не увидите эффекта, либо припишете DG чужой результат (возвращаемся к Misattribution Trap).

Дерево решений

Маржа ниже 25%?  (Margin Gate)
├─ Да → не запускать paid DG без отдельного high-value сегмента
└─ Нет
   Путь к покупке преимущественно single-touch?  (Consideration Gate)
   ├─ Да → проверить high-value сегмент (гипотеза)
   └─ Нет
      Есть measurement readiness и holdout?  (Measurement Gate)
      ├─ Нет → сначала подготовить измерение
      └─ Да → запускать ограниченный тест

Что сделать уже сегодня (3 шага)

1. Посмотрите средний путь к покупке в GA4 (Реклама → Атрибуция → Показатели пути): сколько дней и касаний до конверсии. Меньше ~1 дня и преимущественно 1 касание — Demand Gen нечего греть.
2. Посчитайте контрибуционную маржу. Ниже ~25% — держите Demand Gen в органике, не платной строкой.
3. Проверьте, сможете ли измерить DG: есть ли new-vs-returning трекинг и возможность holdout. Нет — это первая задача, а не запуск канала.

Все три «против» (мгновенный путь + тонкая маржа + нет измерения) → платный DG подождёт. Иначе — ограниченный тест с holdout.

Как измерить инкрементальность — Holdout Rule

Инкрементальную ценность Demand Gen не доказать из spend-логов или отчётов атрибуции — только holdout-экспериментом. [ADW эвристика] Потому что механизм DG — привлечение новых lookalike-покупателей; его вклад проявляется как net-new покупатели, а не как лучший коэффициент. [Google docs] Протокол: (1) включить new-vs-returning трекинг до старта; (2) гео-holdout или встроенный conversion-lift Google, ядро PMax стабильное, без сезонных пиков; (3) критерий — инкрементальные новые покупатели в тесте против holdout, пересчитанные в доход, превышают DG-spend × безубыточный ROAS.

Исключение — High-Value Seed

Единственное место, где DG может ещё заработать бюджет на низко-consideration аккаунте, — сегмент дорогих покупателей, который ведёт себя иначе, чем дешёвое большинство. [Гипотеза] В кейсе чеки выше high-value порога — лишь 7% покупок по количеству, но ~40% выручки [Кейс], и имели более длинный путь к покупке, чем дешёвые (которые покупались почти мгновенно в одно касание).

Вывод изображения: дорогие чеки = 7% покупок / ~40% выручки (период ~18 мес). Единый lookalike на все чеки взвешен дешёвым большинством, поэтому тянет дешёвых покупателей.

Вывод изображения: дешёвые чеки конвертируются за ~0.2 дня в одно касание; дорогие — за ~0.5 дня с большим количеством касаний (период последних ~30 дней выборки путей).

Собственный AOV Demand Gen в кейсе был на 22% ниже AOV Shopping-покупателей [Кейс] — подтверждение, что дешёво-скошенный seed тянет дешёвых. Гипотеза: сегментировать customer-match seed по стоимости чека и строить отдельный lookalike на дорогих покупателей, у которых есть более длинный путь, где ранний ассист может весить. [Гипотеза] Данные подтверждают предпосылку и сайзят приз, но эффект докажет только живой тест.

Когда Demand Gen может работать, но вы этого не увидите

Отсутствие статистически значимого эффекта в observational-анализе не доказывает абсолютное отсутствие какого-либо влияния — оно означает, что при имеющихся данных эффект не удалось отделить от шума и других изменений. Эффект DG может существовать, но остаться невидимым, если:

• эффект слишком мал относительно шума;
• тест был слишком коротким;
• бюджет недостаточен для выхода из learning;
• seed плохой (как дешёво-скошенный в кейсе);
• кампания оптимизировалась не на то событие;
• параллельно изменился Performance Max;
• бренд-спрос не измерялся;
• attribution window не соответствует реальному consideration-циклу.

Именно поэтому финальное решение «DG не даёт инкрементальности» на конкретном аккаунте должно опираться на holdout, а не только на observational-логи.

FAQ

• ✅ Стоит ли Demand Gen для e-commerce?

  Зависит от маржи и consideration-профиля. Для высокомаржинальных товаров с реальным путём «исследовать-сравнить» — стоит тестировать. Для низкомаржинальных импульсных single-touch покупок — обычно слив. [ADW эвристика]

• ✅ Почему в Demand Gen такой низкий ROAS?

  DG — верхневоронковый канал; его конверсии преимущественно закрываются и кредитуются в другом месте (PMax, Shopping, бренд). Низкий прямой ROAS ожидаем и сам по себе не доказывает ни провала, ни успеха DG. [Google docs]

• ✅ Улучшает ли Demand Gen Performance Max?

  В форензическом разборе одного низко-consideration аккаунта — нет (эффект ≈0 после контроля на расходы и сезон). [Кейс] На высоко-consideration аккаунте ответ может быть другим, и его надо доказать holdout-ом.

• ✅ Как измерить инкрементальность Demand Gen?

  Holdout-эксперимент (гео-сплит или conversion-lift) + new-vs-returning трекинг. Атрибуционные модели этого не дают. [ADW эвристика]

• ✅ Какая маржа нужна для Demand Gen и сколько бюджета?

  Ориентир ADW: ниже ~25% маржи — органика; 30–40% — 12–18% платного бюджета; 50%+ — 20–26%. Это эвристика, не benchmark Google. [ADW эвристика]

• ✅ Можно ли оценить Demand Gen через data-driven attribution?

  Лишь частично. На single-touch аккаунте data-driven и last-click совпадают почти точно, поэтому выбор модели ничего не говорит об ассист-ценности DG. [Кейс]

• ✅ Где Demand Gen виден в GA4?

  Под Cross-network в дефолтной группировке каналов (вместе с Performance Max), не под Display. [Google docs]

• ✅ Как подготовить customer list для Demand Gen?

  Гипотеза из исследования: сегментировать seed по стоимости чека, чтобы lookalike не скашивался в дешёвых покупателей. Требует проверки тестом. [Гипотеза]

• ✅ Demand Gen vs Performance Max — в чём разница?

  Performance Max ловит имеющийся спрос внизу воронки (закрывает продажу); Demand Gen создаёт спрос вверху через lookalike-аудитории. В GA4 оба идут под Cross-network, но DG почти никогда не «закрывает» конверсию — её закрывает PMax. Поэтому сравнивать их по прямому ROAS некорректно. [Google docs]

• ✅ Сколько бюджета и времени Demand Gen нужно, чтобы заработать?

  Гуглеры обычно называют ориентир ~$100/день и несколько недель стабильного бюджета для выхода из learning-фазы. Недофинансированный DG может не показать эффекта просто из-за нехватки бюджета — так что проверьте достаточность бюджета, прежде чем делать вывод о неэффективности. [Google docs]

   

Об этом исследовании

Фреймворк — Margin Profiles A/B/C, Consideration-Profile Gate, Measurement-Readiness Gate, Misattribution Trap и Holdout Rule — разработан ADWService, Google Premier Partner PPC-агентством с e-commerce (Google Shopping и Performance Max), ведущим 300+ активных аккаунтов в Украине, США, Великобритании, ЕС, Австралии и Канаде. Кейс-выводы — из форензического покомпонентного анализа 18-месячного датасета одного аккаунта, намеренно протестированного против ловушки ложной атрибуции: каждый агрегатный сигнал раскладывался до уровня кампании и товара, прежде чем делался вывод.