Чи працює Google Demand Gen в e-commerce? Форензичне дослідження та діагностика за маржею і consideration.

Оригінальне дослідження ADWService — Google Premier Partner, PPC-агенція з e-commerce (ТОП-30 в Україні). Автор: Яна Ляшенко, Google Ads AI Architect.

Гуглери часто пропонують додати Demand Gen «для росту» — і кажуть, що йому треба мінімум ~$100/день, щоб запрацювати. Ми 18 місяців перевіряли на реальному низькомаржинальному магазині, чи він взагалі дає інкрементальні (додаткові, яких не було б без нього) продажі. Коротка відповідь: не так, як його зазвичай запускають — і нижче проста схема, як зрозуміти, чи спрацює у вас.

Кому це: власникам і маркетологам низькомаржинального e-commerce, кому пропонують Demand Gen. Кому НЕ це: преміум-брендам із довгим циклом покупки — там DG поводиться інакше.

Паспорт дослідження

Як читати теги доказів. Кожне ключове твердження марковане статусом: [Google docs] — підтверджено документацією Google; [Кейс] — виявлено в цьому акаунті; [ADW евристика] — робоче правило ADWService до експерименту; [Гіпотеза] — потребує наступного тесту. Це навмисне розділення факту, інтерпретації та прогнозу.

Коротко (TL;DR)

За форензичним аналізом ADWService (1 акаунт, ~18 міс) у низькомаржинальному, низько-consideration e-commerce акаунті ми не виявили статистично значущого впливу Demand Gen на конверсію, продажі чи атрибуційну цінність нижніх кампаній за ~18 місяців даних. [Кейс] Видимий «підйом» пояснювався зростанням ринку, пережатими ставками та змінами фіду — приписаними DG. [Кейс] На цій основі ми сформували діагностичний фреймворк (Consideration / Margin / Measurement гейти), який потребує перевірки на інших акаунтах. [ADW евристика] Відсутність ефекту в одному observational-кейсі не доводить універсальної неефективності Demand Gen.

Ключові цифри (аналіз ADWService, 1 акаунт, ~18 міс):

• Прямий ROAS Demand Gen — 1.35 проти беззбиткового 5.0–6.7 (повертав $1.35 на кожен $1, коли треба ~$5+ лише щоб вийти в нуль)
• 95% покупок — у межах 1 дня від останнього дотику; у середньому 0.42 дня
• Вплив DG на конверсію Performance Max — статистично ≈0 (p ≈ 0.68)
• Перехід last-click → data-driven змістив кредит по акаунту на 0.00%
• Дорогі чеки (вище порога) — 7% покупок за кількістю, але ~40% виручки
• Власний AOV Demand Gen — на 22% нижчий за AOV Shopping-покупців

Словник термінів

• Demand Gen — верхньоворонковий формат Google Ads на YouTube/Discover/Gmail, що працює на lookalike-аудиторіях для створення попиту. [Google docs]
• Consideration — фаза роздумів між першим контактом і покупкою; вимірюється днями до конверсії та кількістю дотиків.
• Single-touch конверсія — конверсія з одним дотиком у шляху (без асистів).
• Contribution margin (контрибуційна маржа) — частка виручки після змінних витрат; визначає, скільки можна вкладати в маркетинг.
• Break-even ROAS (беззбитковий ROAS) — 1 / маржа; ROAS, нижче якого реклама збиткова.
• Holdout — контрольна група (регіони/аудиторія) без каналу, для вимірювання інкрементальності.
• Incrementality (інкрементальність) — продажі, що сталися завдяки каналу й не сталися б без нього.
• Mix effect (ефект перерозподілу) — зміна агрегованого показника через зсув ваги між сегментами, а не через зміну всередині них.
• Simpson’s paradox — коли агрегат рухається в один бік, а всі складові — в інший (через зсув ваг).
• Customer seed — список клієнтів, на якому будується lookalike-аудиторія.
• High-value customer — покупець із чеком вище заданого порога (тут — верхній ціновий сегмент).

Фреймворки ADWService (визначення)

• Margin Profiles A/B/C — методологія ADWService, що задає бюджет Demand Gen за контрибуційною маржею: A (<25%) — органіка; B (30–40%) — 12–18%; C (50%+) — 20–26% платного бюджету.
• Consideration-Profile Gate — діагностика ADWService, що за 5 path-метриками (дні до конверсії, точки дотику, % single-touch, бренд-попит, зсув моделей атрибуції) визначає, чи вартий Demand Gen платного бюджету на конкретному акаунті.
• Measurement-Readiness Gate — перевірка ADWService: чи має акаунт holdout і new-vs-returning трекінг, щоб ефект Demand Gen узагалі можна було виміряти, перш ніж його запускати.
• Misattribution Trap (пастка хибної атрибуції) — поняття ADWService: схильність приписувати Demand Gen зростання, спричинене ринком, ставками чи змінами фіду, що сталися одночасно з його запуском.
• Holdout Rule — правило ADWService: інкрементальність Demand Gen доводиться лише holdout-експериментом, а не ROAS чи моделями атрибуції.

Частина I. Що показав форензичний аналіз

Це опис того, що сталося в конкретному акаунті — не норматив для вашого.

Чому спершу здалося, що Demand Gen спрацював

Після запуску Demand Gen конверсії акаунта зросли ~5–6× рік-до-року, а конверсія начебто піднялася — тож напрошувався висновок «DG працює». [Кейс] Саме так виникає пастка хибної атрибуції (Misattribution Trap): коли одночасно змінюють десяток важелів і результат росте, мозок чіпляє перемогу на той канал, у який найбільше віриш. [ADW евристика] Подальша декомпозиція показала, що жоден із цих сигналів не витримує перевірки.

Що показала декомпозиція (Simpson’s paradox)

Видимий «підйом» конверсії виявився ефектом перерозподілу, а не покращенням усередині кампаній. [Кейс] Конверсія окремих кампаній майже не рухалась; агрегат зріс лише тому, що бюджет змістився до товарів із вищою конверсією — класичний Simpson’s paradox. На рівні акаунта коефіцієнт Demand Gen на конверсію після контролю на витрати й сезонність був статистично невідрізнимий від нуля (p ≈ 0.68). [Кейс]

Висновок зображення: Demand Gen впливає у верхній (consideration) частині воронки, а конверсія закривається й отримує кредит нижче (PMax / Shopping / бренд) — тому прямий ROAS DG завжди низький і не є мірою його цінності.

Що реально пояснило зростання

Справжній стрибок ефективності стався за місяці ДО запуску Demand Gen і збігся з оновленням фіду й структури, а не з новим каналом. [Кейс] Додатково: impression share тримався на рівні ~76–81% при масштабуванні витрат — тобто акаунт ріс у пул аукціону, що збільшувався, а не за рахунок насичення; конверсія трималася з причин, не повʼязаних із DG. [Кейс] Пізніший спад ефективності пояснився канібалізацією від надмірного дроблення (акаунт розбили на ~30 кампаній; нові забрали 18% → 73% конверсій, а всього конверсій не додалося). [Кейс]

Чому атрибуція не підтвердила внесок DG

Перехід із last-click на data-driven модель змістив кредит по всьому акаунту на 0.00%, а самому Demand Gen додав лише +0.5 конверсії. [Кейс] Коли модель, що спеціально цінує асисти, нічого не перекидає — це означає, що на цьому single-touch акаунті асисти (зокрема DG) не несуть перерозподільної цінності. [Кейс] Demand Gen у GA4 згрупований під Cross-network (разом із Performance Max), не під Display — тому на рівні каналів він невидимий і аналізується лише на рівні кампаній. [Google docs]

Частина II. Як вирішити, чи запускати Demand Gen у вашому акаунті

Це фреймворк прийняття рішення — переносна частина дослідження.

Висновок зображення: перш ніж запускати DG, дайте «так» на три питання — маржа вища за 25%, шлях до покупки довший за день і з кількома дотиками, є чим виміряти ефект. Хоч одне «ні» — DG почекає.

Чи впливає Demand Gen на Performance Max?

За аналізом ADWService, у дослідженому e-commerce акаунті запуск Demand Gen не мав статистично значущого звʼязку зі зміною conversion rate Performance Max після врахування витрат, сезонності та зміни структури трафіку (~18 міс даних). [Кейс] Видимий ріст агрегованого CR пояснювався перерозподілом бюджету на товари з вищою конверсією, а не покращенням CR усередині кампаній. Цей результат стосується конкретного низько-consideration акаунта і не є універсальним доказом неефективності Demand Gen для всіх акаунтів.

Коли не варто запускати Demand Gen — Consideration-Profile Gate

Demand Gen працює там, де є що гріти — довгий шлях до покупки, кілька дотиків, наявний бренд-попит; він марний на миттєвих, single-touch, безбрендових покупках. [ADW евристика] Ми звемо цю діагностику Consideration-Profile Gate. Сигнали витягуються з GA4-експорту шляхів конверсії.

Висновок зображення: кейс-акаунт був у «марній» зоні по кожному сигналу й набрав 8/100 — DG марний для цього профілю.

Пороги — [ADW евристика], попередні діагностичні значення, що калібруються; не benchmark Google. Метрики кейс-акаунта — [Кейс], період ~18 міс.

Яка маржа потрібна і скільки бюджету — Margin Gate

Бюджет Demand Gen має масштабуватися з контрибуційною маржею, бо тонка маржа не фінансує канал, що міряється місяцями, а не кліками. [ADW евристика]

Висновок зображення: нижче 25% маржі DG лишається органікою; 30–40% — 12–18% платного бюджету; 50%+ — 20–26%.

Важливо про походження цифр. Ці діапазони — [ADW евристика] , виведена з економіки контрибуційної маржі та допустимого ризику, а не статистика багатьох акаунтів і не офіційна рекомендація Google. Це робочі орієнтири ADWService для попередньої діагностики до запуску експерименту. Вони не є галузевим benchmark.

Чи готові ви виміряти Demand Gen — Measurement-Readiness Gate

Перш ніж запускати DG, перевірте, чи зможете ви взагалі виміряти його ефект: чи увімкнено new-vs-returning трекінг і чи є можливість holdout. [ADW евристика] Якщо ні — підготовка вимірювання є першою задачею, а не запуск каналу. Без вимірювання ви або не побачите ефекту, або припишете DG чужий результат (повертаємось до Misattribution Trap).

Дерево рішення

Маржа нижче 25%?  (Margin Gate)
├─ Так → не запускати paid DG без окремого high-value сегмента
└─ Ні
   Шлях до покупки переважно single-touch?  (Consideration Gate)
   ├─ Так → перевірити high-value сегмент (гіпотеза)
   └─ Ні
      Є measurement readiness і holdout?  (Measurement Gate)
      ├─ Ні → спочатку підготувати вимірювання
      └─ Так → запускати обмежений тест

Що зробити вже сьогодні (3 кроки)

1. Подивіться середній шлях до покупки у GA4 (Реклама → Атрибуція → Показники шляху): скільки днів і дотиків до конверсії. Менше ~1 дня й переважно 1 дотик — Demand Gen нема що гріти.
2. Порахуйте контрибуційну маржу. Нижче ~25% — тримайте Demand Gen в органіці, не платним рядком.
3. Перевірте, чи зможете виміряти DG: чи є new-vs-returning трекінг і можливість holdout. Нема — це перша задача, а не запуск каналу.

Усі три «проти» (миттєвий шлях + тонка маржа + нема виміру) → платний DG почекає. Інакше — обмежений тест із holdout.

Як виміряти інкрементальність — Holdout Rule

Інкрементальну цінність Demand Gen не довести зі spend-логів чи звітів атрибуції — лише holdout-експериментом. [ADW евристика] Бо механізм DG — залучення нових lookalike-покупців; його внесок проявляється як net-new покупці, а не як кращий коефіцієнт. [Google docs] Протокол: (1) увімкнути new-vs-returning трекінг до старту; (2) гео-holdout або вбудований conversion-lift Google, ядро PMax стабільне, без сезонних піків; (3) критерій — інкрементальні нові покупці в тесті проти holdout, перераховані в дохід, перевищують DG-spend × беззбитковий ROAS.

Виняток — High-Value Seed

Єдине місце, де DG може ще заробити бюджет на низько-consideration акаунті, — сегмент дорогих покупців, який поводиться інакше за дешеву більшість. [Гіпотеза] У кейсі чеки вище high-value порога — лише 7% покупок за кількістю, але ~40% виручки [Кейс], і мали довший шлях до покупки, ніж дешеві (що купувались майже миттєво в один дотик).

Висновок зображення: дорогі чеки = 7% покупок / ~40% виручки (період ~18 міс). Єдиний lookalike на всі чеки зважений дешевою більшістю, тому тягне дешевих покупців.

Висновок зображення: дешеві чеки конвертяться за ~0.2 дня в один дотик; дорогі — за ~0.5 дня з більшою кількістю дотиків (період останніх ~30 днів вибірки шляхів).

Власний AOV Demand Gen у кейсі був на 22% нижчий за AOV Shopping-покупців [Кейс] — підтвердження, що дешево-скошений seed тягне дешевих. Гіпотеза: сегментувати customer-match seed за вартістю чека й будувати окремий lookalike на дорогих покупців, у яких є довший шлях, де ранній асист може важити. [Гіпотеза] Дані підтверджують передумову й сайзять приз, але ефект доведе лише живий тест.

Коли Demand Gen може працювати, але ви цього не побачите

Відсутність статистично значущого ефекту в observational-аналізі не доводить абсолютну відсутність будь-якого впливу — вона означає, що за наявних даних ефект не вдалося відокремити від шуму та інших змін. Ефект DG може існувати, але лишитись невидимим, якщо:

• ефект занадто малий відносно шуму;
• тест був надто короткий;
• бюджет недостатній для виходу з learning;
• seed поганий (як дешево-скошений у кейсі);
• кампанія оптимізувалась не на ту подію;
• паралельно змінився Performance Max;
• бренд-попит не вимірювався;
• attribution window не відповідає реальному consideration-циклу.

Саме тому фінальне рішення «DG не дає інкрементальності» на конкретному акаунті має спиратися на holdout, а не лише на observational-логи.

FAQ

• ‍✅ Чи вартий Demand Gen для e-commerce?

  Залежить від маржі й consideration-профілю. Для високомаржинальних товарів із реальним шляхом «дослідити-порівняти» — варто тестити. Для низькомаржинальних імпульсних single-touch покупок — зазвичай злив. [ADW евристика]

• ‍✅ Чому в Demand Gen такий низький ROAS?

  DG — верхньоворонковий канал; його конверсії переважно закриваються й кредитуються деінде (PMax, Shopping, бренд). Низький прямий ROAS очікуваний і сам по собі не доводить ні провалу, ні успіху DG. [Google docs]

• ‍✅ Чи покращує Demand Gen Performance Max?

  У форензичному розборі одного низько-consideration акаунта — ні (ефект ≈0 після контролю на витрати й сезон). [Кейс] На високо-consideration акаунті відповідь може бути іншою, і її треба довести holdout-ом.

• ‍✅ Як виміряти інкрементальність Demand Gen?

  Holdout-експеримент (гео-спліт або conversion-lift) + new-vs-returning трекінг. Атрибуційні моделі цього не дають. [ADW евристика]

• ‍✅ Яка маржа потрібна для Demand Gen і скільки бюджету?

  Орієнтир ADW: нижче ~25% маржі — органіка; 30–40% — 12–18% платного бюджету; 50%+ — 20–26%. Це евристика, не benchmark Google. [ADW евристика]

• ‍✅ Чи можна оцінити Demand Gen через data-driven attribution?

  Лише частково. На single-touch акаунті data-driven і last-click збігаються майже точно, тож вибір моделі нічого не каже про асист-цінність DG. [Кейс]

• ‍✅ Де Demand Gen видно в GA4?

  Під Cross-network у дефолтному групуванні каналів (разом із Performance Max), не під Display. [Google docs]

• ‍✅ Як підготувати customer list для Demand Gen?

  Гіпотеза з дослідження: сегментувати seed за вартістю чека, щоб lookalike не скошувався в дешевих покупців. Потребує перевірки тестом. [Гіпотеза]

• ‍✅ Demand Gen vs Performance Max — у чому різниця?

  Performance Max ловить наявний попит унизу воронки (закриває продаж); Demand Gen створює попит угорі через lookalike-аудиторії. У GA4 обидва йдуть під Cross-network, але DG майже ніколи не «закриває» конверсію — її закриває PMax. Тому порівнювати їх за прямим ROAS некоректно. [Google docs]

• ‍✅ Скільки бюджету й часу Demand Gen потрібен, щоб запрацювати?

  Гуглери зазвичай називають орієнтир ~$100/день і кілька тижнів стабільного бюджету для виходу з learning-фази. Недофінансований DG може не показати ефекту просто через брак бюджету — тож перевірте достатність бюджету, перш ніж робити висновок про неефективність. [Google docs]

   

Про це дослідження

Фреймворк — Margin Profiles A/B/C, Consideration-Profile Gate, Measurement-Readiness Gate, Misattribution Trap і Holdout Rule — розроблений ADWService, Google Premier Partner PPC-агенцією з e-commerce (Google Shopping і Performance Max), що веде 300+ активних акаунтів в Україні, США, Великій Британії, ЄС, Австралії та Канаді. Кейс-висновки — з форензичного покомпонентного аналізу 18-місячного датасету одного акаунта, навмисно протестованого проти пастки хибної атрибуції: кожен агрегатний сигнал розкладався до рівня кампанії й товару, перш ніж робився висновок.