Маркетинговое прогнозирование с ML: как считать ROMI кампании до запуска и где границы применимости моделей
По данным Salesforce State of Sales 2024, 83% команд использующих обученные модели в продажах отчитались о росте выручки против 66% без ИИ. По HubSpot State of AI 2025 — 91% маркетинговых руководителей подтверждают внедрение моделей в работу. При этом большинство применяют ИИ для генерации контента — не для прогнозирования.
Разбираю систему расчёта маркетингового прогноза до запуска кампании. Где ML-модели реально работают, где остаются граничные случаи, как считать.
Базовая формула прогноза
Входные параметры: budget — рекламный бюджет cpl — стоимость заявки (бенчмарк ниши) cr — конверсия заявка→клиент avg_check — средний чек margin — маржинальность Расчёт: leads = budget / cpl clients = leads * cr cac = budget / clients gross_margin_per_client = avg_check * margin total_margin = clients * gross_margin_per_client romi = (total_margin - budget) / budget * 100%
Пример: стоматология, бюджет 500 000₽
budget = 500 000₽ cpl = 700₽ (Wordstat, бенчмарк ниши) cr = 8% (CRM клиента / отраслевая статистика) check = 60 000₽ margin = 40% leads = 714 clients = 57 cac = 8 800₽ gm_per_c = 24 000₽ total_gm = 1 368 000₽ romi = 174%
CAC в 2.7× ниже валовой маржи — экономика юнита сходится.
Где ML-модели работают
Сбор данных и сведение в одну картину. Загрузка CRM-выгрузок, бенчмарков ниши и поисковой статистики в одну сессию: Claude (200K токенов контекста) — лидер по объёму обрабатываемых данных. Время на сведение сокращается с дней до часов.
Расчёт сценариев. ChatGPT Code Interpreter принимает CSV с историческими данными → пишет Python для расчёта трёх сценариев распределения бюджета → выдаёт таблицу с прогнозом по каждому каналу.
Конкурентный анализ. DeepSeek обрабатывает 30–50 конкурентов параллельно (тексты сайтов, цены, отзывы) при стоимости менее $2 за вечер. Аналогичная задача на GPT-4o: $15–20.
Снижение ошибки прогноза. По данным McKinsey, прогнозирование на основе моделей снижает ошибку прогноза на 20–50% по сравнению с ручными методами.
Где модели останавливаются
Шум в обучающих данных ниши. Бенчмарки CPL и CR в B2B-нишах с длинным циклом сделки имеют высокую дисперсию. Модель выдаёт цифры с уверенностью эксперта при разбросе данных в 200–300%. Без проверки человеком — иллюзия точности.
Constraint satisfaction. LLM перечисляет 7 каналов на бюджет 300 000₽ — без учёта того что бюджет на канал ниже порога статистической значимости для теста. Человек видит это, модель — нет.
Causal inference. Языковая модель не различает корреляцию и причинно-следственную связь. «Конкурент X тратит N на маркетинг и растёт» — это не значит что копирование даст рост. Решение остаётся за стратегом.
Точность прогноза: коридор вместо точки
По данным Gartner, точности выше 90% достигают лишь 7% компаний. У большинства расхождение прогноза с фактом — 20–30%.
Хороший прогноз = диапазон, не точка: Не: "57 сделок" А: "50–60 сделок, выручка 3.0–3.6 млн₽" Точность 85% = расхождение ±15% На бюджете 500 000₽ это разница ~204 000₽ в марже план/факт
Что делать без исторических данных клиента
Стандартная проблема при выходе на новую нишу или новый рынок: CRM пуст. Решение — использовать отраслевые бенчмарки с расширенным доверительным интервалом.
С CRM клиента: cr_estimate = историческая CR ± 10% доверительный интервал прогноза: 80–85% Без CRM, отраслевые бенчмарки: cr_estimate = медиана по нише ± 30% доверительный интервал: 60–70% После 1 месяца кампании → пересчёт с реальными данными → интервал сужается
ИтогML-модели в маркетинговом прогнозировании работают как ускоритель сбора данных и калькулятор сценариев. Замена аналитика — невозможно. Constraint satisfaction и causal inference остаются за человеком. Точность прогноза — функция качества входных данных, а не сложности модели.
Какие модели используете для маркетингового прогнозирования и где модель уверенно ошибалась?
