مقالات و بینشها · برند و حضور دیجیتال
آیا بازده بالای هزینه تبلیغات (ROAS) به معنی سودآوری است؟
فروش منتسب، فروش افزوده و سود یک چیز نیستند؛ قبل از افزایش بودجه تبلیغات مشخص کنید چه مقدار از نتیجه واقعاً بهدلیل تبلیغ ایجاد شده و چه مقدار ارزش اقتصادی باقی مانده است
دگرین · ۲۷ شهریور ۱۴۰۵ · 16 دقیقه مطالعه
بهروزرسانی: ۲۶ شهریور ۱۴۰۵
گزارش کمپین باز میشود. هزینه تبلیغ: ۱۰۰ میلیون تومان. فروش منتسب: ۵۰۰ میلیون تومان. بازده هزینه تبلیغات: ۵ برابر. عدد خوبی به نظر میرسد. ممکن است واقعاً هم کمپین خوبی باشد. اما از همین سه عدد هنوز نمیتوان گفت «به ازای هر ۱۰۰ میلیون تومان تبلیغ، ۴۰۰ میلیون تومان سود کردهایم.» فروش با سود یکی نیست. و سؤال اساسیتر هنوز باز است: آیا تمام آن ۵۰۰ میلیون تومان بهدلیل تبلیغ اتفاق افتاده یا بخشی بدون تبلیغ هم خرید میکردند؟
این تفاوت میتواند تصمیم افزایش بودجه را عوض کند.
چارچوب دگرین: از ROAS بالا تا تصمیم بودجه
جمله «تبلیغات سودآور است و Scale کردن منطقی است» نقطه پایان تحلیل نیست. نقطه شروع است.
نشانه: ROAS گزارششده بالاست و تیم میخواهد Budget را افزایش دهد.
ادعای مسئله: تبلیغات سودآور است و Scale کردن منطقی است.
شواهد: ارزش تبدیل منتسب، درآمد backend، ورودی حاشیه / contribution، وضعیت مشتری، تخفیف / مرجوعی، شواهد incrementality، رفتار تکرار، و در صورت وجود comparison / holdout.
فرضیههای جایگزین: capture تقاضای موجود، مشتری بازگشتی، تقاضای برند، mix کمحاشیه، درآمد تخفیفمحور، مرجوعی، همپوشانی کانال، فصل، ترکیب مشتری، سوگیری انتساب، مقیاس مطلق کوچک، یا incrementality ضعیف.
اهمیت: Diagnosis غلط میتواند Budget را به Campaignی ببرد که عدد منتسب خوبی دارد ولی ارزش افزوده یا اقتصادی کافی نمیسازد.
سطح اطمینان: شواهد چقدر اجازه میدهد از عملکرد منتسب به اثر اقتصادی افزوده برسیم؟
تصمیم: Scale، نگه داشتن، اصلاح اندازهگیری، تغییر mix، یا عدم افزایش Budget.
بازده هزینه تبلیغات دقیقاً چه چیزی را اندازه میگیرد؟
در سادهترین شکل عملی:
ROAS = ارزش تبدیل منتسب / گزارششده ÷ هزینه تبلیغات.
اگر ۱۰۰ میلیون هزینه کنیم و ۵۰۰ میلیون فروش به تبلیغ نسبت داده شود، ROAS پنج برابر است. تعریف دقیق «ارزش» به conversion value setup بستگی دارد؛ ممکن است درآمد فروش باشد یا value دیگری که در سامانه تعریف شده. [۱]
این شاخص برای مقایسه کارایی هزینه رسانه مفید است. اما اگر ارزش همان درآمد باشد، پنج برابر یعنی: سامانه به ازای هر واحد هزینه، پنج واحد فروش را به تبلیغ نسبت داده است. نه اینکه به ازای هر واحد تبلیغ پنج واحد سود ساختهایم. و نه اینکه اگر تبلیغ نبود تمام آن پنج واحد از بین میرفت.
ROAS منتسب با ROAS افزوده یکی نیست
حتی اصطلاحات خود Google Ads این دو را یکی نمیگیرد. در Conversion Lift، ROAS overall attributed conversion value نسبت به spend است؛ Incremental ROAS ارزش تبدیل افزوده نسبت به spend است. [۱] مقاله راهنمای Google Ads نمیشود؛ فقط همین مرز لازم است: attributed ROAS ≠ incremental ROAS.
ROAS با سود یکی نیست؛ سود حسابداری کامل هم ادعا نمیشود
فرض کنیم همان کمپین ۱۰۰ میلیون هزینه تبلیغ و ۵۰۰ میلیون فروش منتسب دارد.
کسبوکار اول
بعد از هزینه محصول و هزینههای متغیر اصلی، ۴۰ درصد فروش برای پوشش تبلیغ و سایر هزینههای مرتبط باقی میماند. از ۵۰۰ میلیون حدود ۲۰۰ میلیون میماند. هزینه تبلیغ ۱۰۰ میلیون است. پیش از بعضی هزینههای دیگر، حدود ۱۰۰ میلیون باقی میماند.
کسبوکار دوم
حاشیه قابل استفاده ۲۰ درصد است. از همان ۵۰۰ میلیون حدود ۱۰۰ میلیون میماند. هزینه تبلیغ همان ۱۰۰ میلیون است. در این سطح تقریباً تمام حاشیه با هزینه رسانه مصرف شده؛ پیش از ارسال، مرجوعی، کارمزد، پشتیبانی یا هزینه عملیاتی مرتبط. هر دو کمپین ROAS پنجبرابری دارند. اقتصادشان یکسان نیست.
این مقاله عمدتاً ارزش contribution-like بعد از هزینههای مرتبط با تصمیم تبلیغ را بررسی میکند، نه Net Profit کامل P&L. ممکن است هزینههای دیگری در صورت سود و زیان باشد. پس: ROAS ≠ contribution ≠ سود خالص. هیچ عدد ثابتی نمیگوید ROAS سه، پنج یا ده برابر همیشه خوب است.
نقطه سربهسر تقریبی فقط یک حساب ساده است
اگر از هر ۱۰۰ تومان فروش، قبل از هزینه تبلیغ فقط ۲۰ تومان باقی بماند، برای جبران هر ۱ تومان تبلیغ تقریباً باید ۵ تومان فروش ایجاد شود. در سادهترین حالت: ROAS تقریبی سربهسر ≈ ۱ ÷ حاشیه قابل استفاده. برای مثال حسابی — نه Target و نه Benchmark: ۵۰٪ → ۲ برابر؛ ۴۰٪ → ۲٫۵؛ ۲۵٪ → ۴؛ ۲۰٪ → ۵؛ ۱۰٪ → ۱۰. این illustration حسابی ساده است، نه قاعده حسابداری شرکت و نه توصیه Target ROAS. در واقعیت مرجوعی، تخفیف، ارسال، کارمزد، خدمترسانی، مالیات، هزینه فروش و ارزش خریدهای آینده ممکن است وارد شوند. نکته فقط این است: ROAS باید کنار حاشیه خوانده شود.
نقشه ارزیابی اقتصاد تبلیغات
بعد از چارچوب اصلی، خود عدد را لایه به لایه باز کنید. این نقشه موضوعی است، نه چارچوب عمومی دگرین.
- ارزش منتسب: سامانه چه مقدار conversion value را به تبلیغ نسبت داده است؟
- اثر افزوده: چه مقدار بدون تبلیغ اتفاق نمیافتاد؟
- حاشیه: پس از هزینههای متغیر اصلی چه مقدار باقی میماند؟
- هزینه کامل مرتبط: غیر از رسانه چه هزینه مرتبطی برای ایجاد و تحویل این فروش پرداخت شده است؟
- ارزش مشتری: خرید اول است یا شواهدی از رفتار بعدی وجود دارد؟
- ارزش اقتصادی مرتبط با تصمیم: بعد از این عوامل چه چیزی برای تصمیم بودجه باقی مانده است؟
این Map مدل علمی جهانشمول Advertising ROI نیست؛ ابزار موضوعی دگرین برای جلوگیری از پرش از گزارش سامانه به تصمیم بودجه است.
حضور در مسیر خرید با ایجاد خرید یکی نیست
حتی با حاشیه دقیق هنوز نمیتوان گفت تبلیغ دقیقاً همین مقدار ارزش ساخته. Attribution میپرسد چه conversion valueای طبق مدل به Ads نسبت داده شده. Incrementality میپرسد چه نتیجهای بدون Ads رخ نمیداد. ادعای علّی میپرسد Ads چه مقدار Outcome اضافه کرده. مشتری ممکن است برند را میشناخته، قصد خرید داشته، محصول را در سبد گذاشته یا نام برند را جستوجو کرده باشد. حضور در مسیر ≠ ایجاد کامل خرید.
شواهد تجربی نشان میدهند این فاصله میتواند بزرگ باشد
پژوهش Blake، Nosko و Tadelis با آزمایشهای میدانی در eBay نشان داد برآوردهای مشاهدهای paid search میتوانند با برآورد علّی آزمایشی فاصله داشته باشند. در همان context اثر تبلیغات مرتبط با نام خود eBay بسیار محدود بود و اثر میان گروههای مشتری یکسان نبود. [۳] این نتیجه به همه برندها تعمیم داده نشده و قانون «جستوجوی برند هرگز کار نمیکند» یا ضد-بازهدفگیری عمومی از آن ساخته نمیشود. اصل روش این است: دیدن یا کلیککردن تبلیغ بهتنهایی علت خرید را ثابت نمیکند.
اثر افزوده چه میپرسد — و چرا قطعیت آسان نیست
چه مقدار از نتیجه فقط بهایندلیل رخ داد که تبلیغ اجرا شد؟ برای پاسخ معتبرتر معمولاً به مقایسهای نیاز است: گروهی که تبلیغ را دیده در برابر گروهی مشابه که ندیده؛ مناطق جغرافیایی؛ دورههای کنترلشده؛ یا on/off. هدف تخمین بهتر «دنیای بدون تبلیغ» است. کیفیت Evidence به طراحی و بافت بستگی دارد. Randomization میتواند استنباط علّی را قویتر کند، ولی همیشه feasible یا بهاندازه کافی دقیق نیست.
Lewis و Rao نشان دادند اندازهگیری دقیق بازده تبلیغات حتی در آزمایشهای بزرگ میتواند از نظر آماری دشوار بماند. [۴] این یعنی آزمایش بیفایده نیست؛ یعنی قطعیت کاذب نسازید. Vaver و Koehler geo experiment را بهعنوان یک طراحی ممکن برای برآورد اثربخشی توصیف کردهاند؛ شرط اجباری همه تصمیمها نیست. [۵]
میزان اندازهگیری باید با ارزش تصمیم متناسب باشد. بودجه کوچک یک تصمیم است؛ اختصاص صدها میلیون به یک کانال تصمیم دیگری است. چقدر تحقیق بازار برای تصمیمگیری کافی است؟
اگر آزمایش رسمی نداریم
نبود آزمایش به معنی کنار گذاشتن تحلیل نیست. روند قبل و بعد، مقایسه گروه مشتری، مقایسه جغرافیایی، رفتار تازه و قدیمی، فاصله تبلیغ تا خرید، خاموش و روشن شدن کمپین، و داده چندکاناله هم Evidenceاند — معمولاً ضعیفتر از آزمایش کنترلشده برای استنباط علّی. نتیجه را با سطح اطمینان بیان کنید: واقعیت ROAS منتسب پنج برابر است؛ شواهد جانبی با خاموش شدن کمپین سفارش جدید کم میشود؛ فرضیه این است که بخشی افزوده است؛ اندازه دقیق هنوز نامعلوم است. این قابلدفاعتر از «کمپین دقیقاً ۵۰۰ میلیون فروش ساخته» است.
مشتری جدید با مشتری افزوده یکی نیست
دو فروش ۲ میلیون تومانی میتوانند درآمد یکسانی داشته باشند و معنای تصمیم متفاوت. مشتری قدیمی ممکن است بدون تبلیغ هم بخرد، یا تبلیغ او را دوباره فعال کرده باشد. مشتری تازه ممکن است بدون تبلیغ برند را پیدا نمیکرد، یا فقط برای تخفیف آمده باشد. New customer ≠ مشتری افزوده. Existing customer ≠ خرید غیر افزوده. هر دو Evidence میخواهند. برچسب بهتنهایی کافی نیست.
ارزش آینده تا وقتی داده نباشد فرضیه است
اگر خرید اول نزدیک سربهسر باشد کمپین الزاماً بد نیست؛ ممکن است سود در خریدهای بعدی ساخته شود. اما «بعداً جبران میشود» خودکار نیست. باید بدانیم چند درصد برمیگردند، چند بار، با چه حاشیه، در چه بازه، و آیا این cohort شبیه قبلیهاست. بدون اینها ارزش آینده Hypothesis است. چارچوب کامل CAC/LTV اینجا ساخته نمیشود.
ROAS خوب CAC خوب را ثابت نمیکند
ROAS ارزش تبدیل نسبت به هزینه تبلیغ است. CAC هزینه جذب هر مشتری است با تعریف و Scope خودش. یکی لزوماً دیگری را حل نمیکند. جزئیات اقتصاد جذب مالک صفحه دیگر است.
اگر سؤال این است که کاهش هزینه جذب با چه کیفیتی از مشتری آمده، آن تشخیص جداست. آیا کاهش هزینه جذب مشتری همیشه نشانه رشد بهتر است؟
بازده متوسط فعلی بازده نهایی بودجه بیشتر نیست
کمپینی که با ۵۰ میلیون عالی است ممکن است با ۵۰۰ میلیون همان ROAS را نداشته باشد: مخاطب نزدیکتر تمام میشود، هزینه دسترسی بالا میرود، تبلیغ وارد بخش کمبازدهتر میشود. Google Ads Marginal ROAS را ارزش اضافی نسبت به spend اضافی تعریف میکند. [۲] این پیشبینی نیست که ROAS حتماً با Spend بیشتر کاهش مییابد. فقط: average فعلی ضمانت همان عملکرد حاشیهای نیست.
بهینهسازی صرف برای ROAS منتسب میتواند گمراهکننده باشد
کمپین روی بازدیدکنندگان محصول، مشتریان قبلی یا جستوجوی نام برند معمولاً ROAS گزارششده بالایی دارد؛ بخشی ممکن است بدون تبلیغ هم بخرند. کمپین دیگر افراد تازهتری میگیرد، ROAS کوتاهمدت پایینتر، اما شاید اثر تازهتری بسازد. از نگاه گزارش، اولی بهتر است. از نگاه اثر افزوده ممکن است پاسخ عوض شود. این قانون «بازهدفگیری بد است» یا «جستوجوی برند بیفایده است» نیست. نوع کمپین علت اثر نیست؛ اثر باید اندازهگیری شود.
موفقیت ROAS علت تخفیف یا قیمت را ثابت نمیکند
اگر درآمد شدیداً تخفیفمحور باشد، ROAS ممکن است فروش را بدون Economics تخفیف موفقیت بنامد. آن تشخیص مالک صفحه تخفیف است. ROAS بالا ≠ اثبات اینکه Price یا Discount ریشه مسئله بوده.
عدد فروش مشاهدهشده بهتنهایی نمیگوید چه مقدار ارزش تازه ساخته شده. در مقاله تخفیف منشأ افزایش فروش بررسی میشود؛ در این مقاله اثر واقعی تبلیغ. فروش با تخفیف بالا رفت؛ آیا واقعاً رشد کردهایم؟
از ROAS بالا مستقیم به سودآوری نپرید
یک Observation واحد هنوز اقتصاد تبلیغ را ثابت نمیکند. اعداد جدول فرضیاند.
گزاره
ROAS گزارششده ۵× است
وضعیت اولیه
Observation سامانه / انتساب
گزاره
Conversion value منتسب بالاست
وضعیت اولیه
شواهد عملکرد منتسب
گزاره
حاشیه پایین است
وضعیت اولیه
شواهد اقتصادی
گزاره
بخشی از Buyers مشتری قدیمیاند
وضعیت اولیه
شواهد ترکیب مشتری
گزاره
پس Ads پنج برابر ارزش اقتصادی ساخته
وضعیت اولیه
فرضیه
گزاره
Comparison نشان میدهد بخشی از خرید بدون Ads هم رخ میداد
وضعیت اولیه
Evidence علیه اینکه تمام انتساب Incremental است
| گزاره | وضعیت اولیه |
|---|---|
| ROAS گزارششده ۵× است | Observation سامانه / انتساب |
| Conversion value منتسب بالاست | شواهد عملکرد منتسب |
| حاشیه پایین است | شواهد اقتصادی |
| بخشی از Buyers مشتری قدیمیاند | شواهد ترکیب مشتری |
| پس Ads پنج برابر ارزش اقتصادی ساخته | فرضیه |
| Comparison نشان میدهد بخشی از خرید بدون Ads هم رخ میداد | Evidence علیه اینکه تمام انتساب Incremental است |
تخته شواهد دگرین: آیا ROAS بالا واقعاً سودآوری تبلیغ را نشان میدهد؟
فرض کنید ادعا این باشد: «ROAS بالاست؛ پس Campaign سودآور است و باید Scale شود.» این مثال فرضی است. Board کمپین را بد فرض نمیکند.
بخش تخته شواهد
ادعا (Claim)
وضعیت فرضی
ROAS بالا نشان میدهد افزایش Budget منطقی است
بخش تخته شواهد
واقعیت تأییدشده
وضعیت فرضی
Platform conversion value نسبت به spend عدد بالایی نشان میدهد
بخش تخته شواهد
شواهد موافق
وضعیت فرضی
اقتصاد سفارش سالم است و comparison اثر افزوده معنادار نشان میدهد
بخش تخته شواهد
شواهد مخالف / متناقض
وضعیت فرضی
تقاضای موجود، حاشیه پایین، مرجوعی یا incrementality ضعیف بخشی از ارزش منتسب را توضیح میدهند
بخش تخته شواهد
فرضیههای جایگزین
وضعیت فرضی
مدل انتساب، ترکیب مشتری، تخفیف، تقاضای برند، فصل، همپوشانی کانال، mix محصول
بخش تخته شواهد
آنچه هنوز نمیدانیم
وضعیت فرضی
چه مقدار Conversion Value واقعاً incremental و economically meaningful است؟
بخش تخته شواهد
اهمیت
وضعیت فرضی
Scale اشتباه میتواند Spend را بالا ببرد بدون افزایش متناسب ارزش اقتصادی
بخش تخته شواهد
سطح اطمینان
وضعیت فرضی
متوسط تا وقتی انتساب، incrementality، economics و رفتار مشتری همجهت شوند
بخش تخته شواهد
تصمیم بعدی
وضعیت فرضی
اقتصاد افزوده را قبل از Scale بزرگتر برآورد کنیم
| بخش تخته شواهد | وضعیت فرضی |
|---|---|
| ادعا (Claim) | ROAS بالا نشان میدهد افزایش Budget منطقی است |
| واقعیت تأییدشده | Platform conversion value نسبت به spend عدد بالایی نشان میدهد |
| شواهد موافق | اقتصاد سفارش سالم است و comparison اثر افزوده معنادار نشان میدهد |
| شواهد مخالف / متناقض | تقاضای موجود، حاشیه پایین، مرجوعی یا incrementality ضعیف بخشی از ارزش منتسب را توضیح میدهند |
| فرضیههای جایگزین | مدل انتساب، ترکیب مشتری، تخفیف، تقاضای برند، فصل، همپوشانی کانال، mix محصول |
| آنچه هنوز نمیدانیم | چه مقدار Conversion Value واقعاً incremental و economically meaningful است؟ |
| اهمیت | Scale اشتباه میتواند Spend را بالا ببرد بدون افزایش متناسب ارزش اقتصادی |
| سطح اطمینان | متوسط تا وقتی انتساب، incrementality، economics و رفتار مشتری همجهت شوند |
| تصمیم بعدی | اقتصاد افزوده را قبل از Scale بزرگتر برآورد کنیم |
چرا تفسیر اشتباه ROAS پرهزینه است؟
ممکن است Budget را زیاد کنیم، کانال سودآور را قطع کنیم، درآمد کمحاشیه را تقویت کنیم، تقاضای موجود را دوباره بخریم، mix نامناسب را Scale کنیم یا بهبود انتساب را Growth تصور کنیم. Risk تصمیم Budget باید Evidence لازم را تعیین کند.
اطمینان کافی، نه قطعیت کامل
اصل دگرین این است: اطمینان کافی، نه قطعیت کامل.
اطمینان پایین: فقط Platform ROAS و attributed revenue داریم.
اطمینان متوسط: درآمد backend، حاشیه، نوع مشتری، مرجوعی / تخفیف و بعضی comparison هست، اما incrementality هنوز نامطمئن است.
اطمینان بالاتر: comparison / holdout / geo قابلاتکا، ارزش تبدیل افزوده، economics و رفتار بعدی تقریباً یک Story مشترک میسازند.
این سطحها Scale علمی Advertising Measurement نیستند؛ زبان تصمیم دگریناند. Confidence را نسبت به Risk تصمیم بسنجید.
ROAS مشابه، تصمیم متفاوت میسازد
این مسیرها Implication سطح تشخیصاند، نه Recipe.
Finding
ROAS بالا + Incrementality قوی + Economics سالم
مسیر بعدی
فرضیه Scale تقویت میشود
Finding
ROAS بالا ولی حاشیه ضعیف
مسیر بعدی
مسئله اقتصادی
Finding
ROAS بالا ولی Incrementality پایین
مسیر بعدی
انتساب / تقاضای موجود
Finding
ROAS بالا عمدتاً از مشتریان بازگشتی
مسیر بعدی
ترکیب مشتری / incrementality
Finding
درآمد شدیداً تخفیفمحور است
مسیر بعدی
اقتصاد تخفیف
Finding
ROAS خوب ولی Spend بسیار کوچک است
مسیر بعدی
فرصت مطلق / مقیاس
Finding
Spend بیشتر efficiency متفاوت نشان میدهد
مسیر بعدی
بازده حاشیهای
Finding
خرید اول ضعیف ولی cohort ارزش بعدی واقعی دارد
مسیر بعدی
اقتصاد ارزش آینده
Finding
انتساب و داده backend ناسازگارند
مسیر بعدی
اول اندازهگیری
Finding
Evidence کافی نیست
مسیر بعدی
قبل از Scale بزرگ بسنجید
Finding
اقتصاد افزوده خوب است و مسئله معناداری دیده نمیشود
مسیر بعدی
مداخله بهخاطر ROAS لازم نیست
| Finding | مسیر بعدی |
|---|---|
| ROAS بالا + Incrementality قوی + Economics سالم | فرضیه Scale تقویت میشود |
| ROAS بالا ولی حاشیه ضعیف | مسئله اقتصادی |
| ROAS بالا ولی Incrementality پایین | انتساب / تقاضای موجود |
| ROAS بالا عمدتاً از مشتریان بازگشتی | ترکیب مشتری / incrementality |
| درآمد شدیداً تخفیفمحور است | اقتصاد تخفیف |
| ROAS خوب ولی Spend بسیار کوچک است | فرصت مطلق / مقیاس |
| Spend بیشتر efficiency متفاوت نشان میدهد | بازده حاشیهای |
| خرید اول ضعیف ولی cohort ارزش بعدی واقعی دارد | اقتصاد ارزش آینده |
| انتساب و داده backend ناسازگارند | اول اندازهگیری |
| Evidence کافی نیست | قبل از Scale بزرگ بسنجید |
| اقتصاد افزوده خوب است و مسئله معناداری دیده نمیشود | مداخله بهخاطر ROAS لازم نیست |
جدول عملی ارزیابی کمپین
این جدول سؤال و Evidence لازم را جدا میکند؛ مسیر تشخیص نیست.
سؤال
سامانه چه مقدار فروش به تبلیغ نسبت داده؟
Evidence لازم
ارزش تبدیل و هزینه رسانه
سؤال
بازده گزارششده چقدر است؟
Evidence لازم
ارزش منتسب ÷ هزینه تبلیغ
سؤال
نقطه سربهسر تقریبی ما کجاست؟
Evidence لازم
حاشیه و هزینههای متغیر مرتبط
سؤال
مشتری تازه است یا قدیمی؟
Evidence لازم
داده مشتری و سابقه خرید
سؤال
چه مقدار بدون تبلیغ هم رخ میداد؟
Evidence لازم
آزمایش یا مقایسه معتبر
سؤال
جذبشدهها دوباره میخرند؟
Evidence لازم
رفتار بعدی
سؤال
ارزش اقتصادی مرتبط چقدر است؟
Evidence لازم
اثر افزوده، حاشیه، هزینههای مرتبط
سؤال
آیا بودجه باید افزایش یابد؟
Evidence لازم
بازده افزوده در برابر گزینههای دیگر و اثر مقیاس
| سؤال | Evidence لازم |
|---|---|
| سامانه چه مقدار فروش به تبلیغ نسبت داده؟ | ارزش تبدیل و هزینه رسانه |
| بازده گزارششده چقدر است؟ | ارزش منتسب ÷ هزینه تبلیغ |
| نقطه سربهسر تقریبی ما کجاست؟ | حاشیه و هزینههای متغیر مرتبط |
| مشتری تازه است یا قدیمی؟ | داده مشتری و سابقه خرید |
| چه مقدار بدون تبلیغ هم رخ میداد؟ | آزمایش یا مقایسه معتبر |
| جذبشدهها دوباره میخرند؟ | رفتار بعدی |
| ارزش اقتصادی مرتبط چقدر است؟ | اثر افزوده، حاشیه، هزینههای مرتبط |
| آیا بودجه باید افزایش یابد؟ | بازده افزوده در برابر گزینههای دیگر و اثر مقیاس |
یادداشت پژوهش
این جدول آموزشی است، نه تخته شواهد تصمیم.
گزاره
ROAS و سود یکی نیستند
وضعیت
تعریف متریک / منطق اقتصادی
گزاره
سربهسر تقریبی به اقتصاد کسبوکار بستگی دارد
وضعیت
حساب ساده؛ Target نیست
گزاره
فروش منتسب الزاماً تماماً توسط تبلیغ ایجاد نشده
وضعیت
Blake و دیگران در context eBay؛ تعمیم عمومی نیست
گزاره
مقایسه / آزمایش میتواند استنباط علّی را بهتر کند
وضعیت
طراحی وابسته به بافت؛ همیشه دقیق یا feasible نیست
گزاره
هر کمپین با ROAS منتسب بالا سودآور است
وضعیت
پیشفرض ضعیف
گزاره
هر تبلیغ نزدیک به خرید اثر افزوده پایینی دارد
وضعیت
ادعای بیش از شواهد
گزاره
ROAS سامانه معادل اثر علّی است
وضعیت
پشتیبانی نمیشود
گزاره
آزمایش اثر افزوده همیشه ساده و دقیق است
وضعیت
Lewis و Rao خلاف این سادگی را نشان میدهند
گزاره
ارزش آینده مشتری اقتصاد جذب را عوض میکند
وضعیت
منطق اقتصادی؛ مشروط به داده cohort
| گزاره | وضعیت |
|---|---|
| ROAS و سود یکی نیستند | تعریف متریک / منطق اقتصادی |
| سربهسر تقریبی به اقتصاد کسبوکار بستگی دارد | حساب ساده؛ Target نیست |
| فروش منتسب الزاماً تماماً توسط تبلیغ ایجاد نشده | Blake و دیگران در context eBay؛ تعمیم عمومی نیست |
| مقایسه / آزمایش میتواند استنباط علّی را بهتر کند | طراحی وابسته به بافت؛ همیشه دقیق یا feasible نیست |
| هر کمپین با ROAS منتسب بالا سودآور است | پیشفرض ضعیف |
| هر تبلیغ نزدیک به خرید اثر افزوده پایینی دارد | ادعای بیش از شواهد |
| ROAS سامانه معادل اثر علّی است | پشتیبانی نمیشود |
| آزمایش اثر افزوده همیشه ساده و دقیق است | Lewis و Rao خلاف این سادگی را نشان میدهند |
| ارزش آینده مشتری اقتصاد جذب را عوض میکند | منطق اقتصادی؛ مشروط به داده cohort |
چه زمانی ROAS گزارششده ابزار خوبی است؟
برای روند یک کمپین با خودش، کنترل سریع افت، تفاوت نسبی گروهها، یا مدیریت روزمره رسانه — اگر تعریف ارزش ثابت باشد، شرایط مقایسه نزدیک باشد، و محدودیت شاخص معلوم باشد. مسئله وقتی است که از آن بپرسیم آیا تمام فروش را تبلیغ ساخته یا چقدر سود واقعی ساخته؛ برای این دو به داده دیگری نیاز است.
اگر فقط یک چیز از این مقاله به خاطر بسپارید
ROAS بالا میتواند نشانه عملکرد خوب باشد، اما Profit یا Incremental impact را ثابت نمیکند. قبل از Scale کردن Budget، ارزش منتسب را از ارزش افزوده جدا کنید، Economics سفارش و ترکیب مشتری را ببینید و Evidence را متناسب با Risk تصمیم بسنجید. اصل دگرین: اطمینان کافی، نه قطعیت کامل.
سه سؤال دگرین
- از فروش منتسب به تبلیغ، چه مقدار واقعاً بدون تبلیغ اتفاق نمیافتاد؟
- بعد از حاشیه، تخفیف، ارسال، مرجوعی و سایر هزینهها چه مقدار ارزش اقتصادی باقی مانده است؟
- اگر بودجه تبلیغات را افزایش دهیم، چه شواهدی داریم که اثر افزوده همچنان ادامه پیدا میکند؟
یادداشت روش و منابع
چارچوب «از ROAS بالا تا تصمیم بودجه» روش تحلیلی دگرین برای حرکت از نشانه و ادعای مسئله به شواهد، فرضیههای جایگزین، اهمیت، سطح اطمینان و تصمیم است؛ نه مدل علمی جهانشمول Advertising ROI.
نقشه ارزیابی اقتصاد تبلیغات ابزار موضوعی این مقاله است: ارزش منتسب → اثر افزوده → حاشیه → هزینه کامل → ارزش مشتری → ارزش اقتصادی مرتبط با تصمیم تبلیغ. این نقشه مدل علمی ثابت نیست.
تعریف ROAS به conversion value setup بستگی دارد و در مستندات Google Ads بهصورت attributed conversion value نسبت به spend آمده است. Incremental ROAS در Conversion Lift جدا تعریف شده. این مقاله سود حسابداری کامل P&L را ادعا نمیکند؛ عمدتاً contribution-like value مرتبط با تصمیم بودجه را بررسی میکند.
پژوهش Blake، Nosko و Tadelis آزمایش میدانی eBay است و به همه تبلیغکنندگان تعمیم داده نشده. Lewis و Rao دشواری دقت اندازهگیری را در آزمایشهای بزرگ نشان میدهند، نه بیفایدگی آزمایش. Vaver و Koehler geo experiment را یک طراحی ممکن میدانند، نه شرط اجباری. سطحهای اطمینان زبان تصمیم دگریناند، نه Scale علمی. تخفیف، CAC، ترافیک و تشخیص کلان تبلیغات مالک صفحات دیگرند.
- 1. Google Ads Help. Understand your Conversion Lift based on users measurement data. Google Ads Help. مستند محصول. ROAS را attributed conversion value ÷ total spend و Incremental ROAS را incremental conversion value ÷ total ad spend تعریف میکند. اثبات علمی سودآوری کمپین نیست.
- 2. Google Ads Help. Optimize for marginal ROI instead of average ROI. Google Ads Help. مستند محصول. Marginal ROAS را ارزش یا درآمد اضافی نسبت به spend اضافی تعریف میکند. پیشبینی کاهش قطعی ROAS با افزایش بودجه نیست.
- 3. Thomas Blake, Chris Nosko, and Steven Tadelis. Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment. Econometrica. 2015. آزمایشهای میدانی در eBay. برآورد مشاهدهای paid search میتواند با برآورد علّی آزمایشی فاصله داشته باشد؛ اثر brand-keyword در همان context محدود بود. به همه برندها تعمیم داده نشده است.
- 4. Randall A. Lewis and Justin M. Rao. The Unfavorable Economics of Measuring the Returns to Advertising. The Quarterly Journal of Economics. 2015. ۲۵ آزمایش میدانی بزرگ با خردهفروشان و کارگزاریهای آمریکا. اندازهگیری دقیق بازده تبلیغات حتی در آزمایش بزرگ میتواند از نظر آماری دشوار بماند. برای بیفایده دانستن آزمایش استفاده نشده است.
- 5. Jon Vaver and Jim Koehler. Measuring Ad Effectiveness Using Geo Experiments. Google Research. 2011. طراحی geo experiment برای برآورد اثربخشی تبلیغ. یک روش ممکن است، نه شرط اجباری همه تصمیمهای بودجه.