Предельная стоимость привлечения (CAC): как рассчитать

Автор

Экономика предельных издержек; оценка кривых отклика — команды маркетингового микс-моделирования Google (Цзинь и соавторы) и Meta (компания признана экстремистской организацией и запрещена в России; проект Robyn), предельные издержки — классика экономики; байесовская статья Google о микс-моделировании с эффектами переноса и формы вышла в 2017 году

Уровень

301 · Продвинутый

Подходит

малый и средний бизнес, растущая компания

Время на внедрение

несколько часов на расчёт лестницы по истории; от четырёх до шести недель на один тест расходов

Что понадобится

недельные расходы и число новых клиентов по одному каналу, лучше в разбивке по регионам, минимум за год · валовая прибыль с нового клиента или срок окупаемости, который вы готовы принять · возможность поднять или урезать расходы этого канала только в части регионов

Предельный CAC — это цена следующего клиента из канала: дополнительные расходы, делённые на дополнительных клиентов, которых они привели. Средний CAC делит все потраченные деньги на всех привлечённых клиентов. На маленьких бюджетах эти числа близки, с ростом расходов они расходятся, и именно в этом зазоре бюджет роста незаметно перестаёт окупаться.

Стандартного источника, который определял бы «предельный CAC» как метрику, нет. Идея пришла из экономики: там предельные издержки — это стоимость ещё одной единицы, а средние издержки растут всякий раз, когда предельные выше них. Команды маркетинговых измерений в Google и Meta пришли к тому же с другой стороны, под названием предельный ROAS или предельный ROI. Это обратный взгляд: отдача от следующего рубля вместо цены следующего клиента.

Почему следующий клиент стоит дороже?

Отдача убывает, потому что самую дешёвую аудиторию охватывают первой. Дэвид Скок пишет, что источники лидов насыщаются и «приносят меньше лидов за больше вложенных денег». Первая тысяча, потраченная на поисковую рекламу, встречает людей, которые уже ищут вас. На десятой тысяче вы торгуетесь за более слабые запросы по более высоким ценам.

Эксперименты это подтверждают. Томас Блейк, Крис Носко и Стивен Таделис провели тесты платного поиска в eBay (Econometrica, 2015). Реклама по брендовым ключам не дала заметного краткосрочного эффекта, а по небрендовым большую часть расходов съели постоянные покупатели, которых и убеждать было не нужно, поэтому средняя отдача вышла отрицательной. Брэдли Шапиро, Гюнтер Хитч и Анна Тучман изучили 288 брендов (Econometrica, 2021) и нашли отрицательную предельную отдачу от ТВ-рекламы более чем у 80% из них. Это результаты на конкретных данных, а не законы.

Средний CAC прячет последние рубли

Средний CAC — накопленное среднее: он двигается медленно и приукрашивает последние расходы. В первом примере выше средний CAC уходит с 2 500 до примерно 4 080 ₽, а предельный растёт с 3 570 до 8 330 ₽. Команда, которая смотрит на среднее, видит умеренный рост. Команда, которая смотрит на предельный CAC, видит, что последний диапазон убыточен.

Andreessen Horowitz отмечает: смешанный CAC, куда входят органические пользователи, может скрывать, окупается ли платная реклама, а инвесторы больше смотрят на платный CAC. Предельный CAC идёт на шаг дальше: это цена внутри платного канала при одном уровне расходов. От срока окупаемости CAC, где CAC делится на месячную валовую прибыль, он тоже отличается. Окупаемость измеряет, как быстро возвращает вложения средний клиент, а предельный CAC подсказывает, какого клиента покупать ещё стоит. Отношение LTV к CAC и magic number считаются по средней цене, так что у них та же слепая зона. Где CAC стоит в общей модели, разобрано на странице про юнит-экономику.

Что такое кривая отклика?

Кривая отклика показывает результат канала при каждом уровне расходов, а её наклон в точке ваших текущих расходов и есть предельная отдача. Юйсюэ Цзинь и четверо коллег из Google смоделировали (2017) две особенности рекламы: перенос эффекта (отложенное действие после того, как расходы случились) и форму кривой (убывающая отдача). В статье предельный ROAS — это производная отклика по расходам. Авторы оценивают её так: поднимают расходы в выбранном периоде на 1% и пересчитывают прогноз. Перенос они ограничивают 13 неделями, а модель подгоняют под 2,5 года недельных данных рекламодателя шампуня, у которого ТВ и журналы были двумя крупнейшими каналами.

Модель Google Meridian определяет mROI как отдачу от следующего доллара сверх исторических расходов и приводит пример: ROI $2,50 при mROI $0,80. В документации Robyn от Meta Marketing Science предельный ROAS назван важнейшей метрикой для распределения бюджета, а распределитель предлагает сценарий максимального отклика и сценарий целевой эффективности по ROAS или CPA. Предельный CAC — обратная величина, выраженная через клиентов. Если mROI равен $0,80 на $1 расходов, то на предельном уровне вы платите $1,25 расходов за доллар выручки, а при известной выручке на клиента это пересчитывается в цену клиента.

Кривые не всегда выравниваются с самого начала. Исследование Marketing Science 2004 года, которое провёл Деметриос Вакратсас с коллегами, показало: отклик на рекламу не обязательно вогнутый на всём протяжении. Пороговые эффекты нашлись у внедорожников и минивэнов, но не у жидкого стирального средства. Документация Meridian говорит, что наклон больше 1 даёт S-образную кривую: она растёт медленно, а потом выравнивается. В руководстве PyMC-Marketing уровень насыщения каждого канала назван жизненно важным для решений о будущих расходах, а как подгоняют кривые, объясняет страница про модель маркетингового микса.

Как оценить предельный CAC по тесту расходов?

Намеренно измените расходы в части регионов и посмотрите, что произойдёт. В документации Google Meridian гео-тест с повышением расходов назван схемой, которая измеряет инкрементальный отклик на добавленный бюджет и нужна для прогноза предельной отдачи в устоявшихся каналах. Схема с несколькими группами сравнивает несколько уровней бюджета с общим контролем.

Расчёт — это наклон между двумя точками: дополнительные расходы, делённые на дополнительных инкрементальных клиентов. Гео-эксперименты, которые в Google ввели Джон Вейвер и Джим Кёлер, случайно распределяют регионы на тестовые и контрольные, а вариант с регрессией по времени Йоуни Кермана и коллег подходит, когда регионов мало. Как строят тестовые и контрольные регионы, описано на страницах про гео-эксперимент и инкрементальность. Прецедент создали Блейк с коллегами: они отключили небрендовую рекламу примерно в 30% из 210 американских рынков Nielsen (DMA) и сравнили сопоставимые регионы. Рекомендации Meta по GeoLift советуют не меньше 20 гео-единиц и от четырёх до шести недель недельных данных, не короче одного цикла покупки. Для тестов на уровне пользователей исследования эффекта (lift studies) от Meta показывают цену инкрементальной конверсии, то есть CAC, измеренный относительно контрольной группы.

Есть две оговорки. Первая — точность. Рэндалл Льюис и Джастин Рао обнаружили в Quarterly Journal of Economics: медианный доверительный интервал ROI в 25 крупных полевых экспериментах шире 100 процентных пунктов. В той же работе коэффициент вариации индивидуальных продаж — около 10, а информативным экспериментам может понадобиться больше 10 миллионов человеко-недель. Предельный CAC получается из разности двух зашумлённых оценок, поэтому мы ожидаем, что определить его труднее, чем суммарный эффект, и публиковать стоит интервал, а не только середину. Вторая оговорка — диапазон. Тест описывает уровни расходов, которые он покрыл, а кривая, подогнанная под него, ничего не говорит с уверенностью о том, что лежит дальше.

Тесты и модели вместе

Тест даёт один наклон в одной точке. Модель даёт всю кривую, но она держится на допущениях, и Дэвид Чан с Майком Перри описали трудности, которые мешают таким моделям давать верные ответы. Цзинь с коллегами сообщают: байесовская оценка хорошо работает на больших выборках, а на объёмах, типичных для пары лет недельных национальных данных, оценки могут быть смещены, и многое зависит от априорных распределений. Meridian советует использовать результаты экспериментов как информативные априорные распределения и предупреждает: эксперименты, которые измеряют предельный прирост, дают несовпадение оцениваемой величины с базовой линией модели при нулевых расходах, поэтому результат теста перед использованием нужно пересчитать.

Самый дешёвый инструмент — симуляторы рекламных площадок. Google Ads API отдаёт прогнозные расходы и конверсии для разных бюджетов, построенные на прошлых данных, а Google оговаривает, что это предсказания, а не гарантии. Мы считаем их гипотезой, которую должен подтвердить тест расходов. Бретт Гордон и трое соавторов сравнили 15 экспериментов на Facebook, это 500 миллионов наблюдений «пользователь — эксперимент», с наблюдательными методами. Наблюдательные методы часто не воспроизводили результат эксперимента, так что за выводом модели должен стоять эксперимент.

Правило остановки

Тратьте на канал, пока предельный CAC не сравняется с максимумом, который вы готовы заплатить за ещё одного клиента. Этот потолок — валовая прибыль за принятый срок окупаемости или осторожная доля от LTV. Оптимизатор Meridian предлагает сценарий с целевым mROI: он находит максимальные расходы на каждый канал, при которых предельный ROI ещё не ниже минимума. Если каналов несколько, переводите деньги из канала с самым высоким предельным CAC в канал с самым низким, пока разрыв не закроется.

План Growth Lab начинается с предельного CAC каждого канала, чтобы перекладка бюджета шла за следующим клиентом, а не за средним.

Как применять: Предельная стоимость привлечения (CAC): как рассчитать по шагам

1. Задайте потолок безубыточности. Решите, сколько максимум вы готовы заплатить за одного дополнительного клиента: валовая прибыль с клиента за принятый срок окупаемости или доля от LTV. Результат — одно число, с которым сравнивается предельный CAC.
2. Постройте лестницу расходов по истории. Разложите недели или месяцы канала по диапазонам расходов и посчитайте для каждого число клиентов и CAC, а затем прирост расходов, делённый на прирост клиентов между соседними диапазонами. Результат — первая грубая оценка предельного CAC по каждому диапазону. Считайте её гипотезой: между диапазонами менялось и многое другое.
3. Спланируйте тест расходов. Поднимите расходы канала на 20–30 процентов в случайно выбранных регионах, в остальных оставьте без изменений. Либо, наоборот, урежьте их в части регионов. Если бюджет позволяет несколько групп сразу, добавьте второй, более крупный шаг. Результат — план теста с названными регионами, уровнями расходов и датой старта.
4. Держите тест не меньше одного цикла покупки. Тест идёт четыре–шесть недель или один полный цикл покупки, смотря что дольше, и всё остальное это время не меняется. Результат — данные по тестовым и контрольным регионам без правок посреди теста, которые потом пришлось бы объяснять.
5. Посчитайте инкрементальный предельный CAC. Разделите дополнительные расходы на дополнительных клиентов в тестовых регионах относительно уровня, который ожидался без этих расходов, и укажите рядом с точечной оценкой доверительный интервал. Результат — измеренный предельный CAC для этого диапазона расходов.
6. Сравните с потолком и двигайте бюджет небольшими шагами. Если предельный CAC ниже потолка, бюджет можно добавлять. Если выше — урежьте его и переведите деньги в канал с самым низким предельным CAC. После перекладки тест повторите. Результат — бюджет, который идёт за предельным клиентом, а не за средним.

Примеры

Лестница расходов в контекстной рекламе (иллюстративный пример)

Канал приводит 200 клиентов при расходах 500 000 ₽, 340 — при 1 000 000 ₽, 430 — при 1 500 000 ₽ и 490 — при 2 000 000 ₽. Средний CAC растёт с 2 500 до примерно 4 080 ₽, и этот дрейф выглядит безобидно. Предельный CAC между диапазонами — около 3 570, 5 560 и 8 330 ₽. При валовой прибыли 6 000 ₽ с клиента последние 500 000 ₽ покупают 60 клиентов и теряют около 140 000 ₽.

Платёжное приложение, которое привлекает мерчантов (иллюстративный пример)

Финтех-приложение поднимает расходы на платную рекламу в соцсетях на 25 процентов в половине регионов на пять недель. Тестовые регионы приводят 30 дополнительных мерчантов за 750 000 ₽ дополнительных расходов, то есть предельный CAC — 25 000 ₽, тогда как средний CAC по каналу в отчётах — 16 000 ₽. Если за срок окупаемости приложение зарабатывает около 20 000 ₽ валовой прибыли с мерчанта, дополнительные расходы убыточны, хотя среднее значение выглядит безопасно.

Стоматологическая клиника с двумя каналами (иллюстративный пример)

Клиника находит предельный CAC 7 000 ₽ у поиска и 4 750 ₽ у акции «приведи друга» при потолке 9 000 ₽ на нового пациента. Оба канала укладываются в потолок, но у реферальной акции запас больше, и деньги стоит направить сначала в неё. Клиника переносит часть бюджета поиска в рефералы и замеряет всё заново в следующем квартале.

Когда применять

Применяйте, когда у канала большой бюджет, когда вы собираетесь поднять расходы на половину и больше или когда общий CAC выглядит нормально, а рост с каждым кварталом обходится дороже. Особенно полезно, если капитал ограничен и каждый дополнительный рубль должен пройти планку окупаемости.

Когда не применять

Не подходит для каналов, слишком мелких, чтобы сдвинуть результат: тест расходов не заметит эффект. Не стоит и задавать бюджет следующего квартала по одному среднему CAC. Не продлевайте кривую далеко за диапазон расходов, который вы реально проверяли.

Частые ошибки

• Решать по среднему или общему CAC, на сколько поднять бюджет. В среднее входят дешёвые первые клиенты, поэтому оно занижает цену следующего.
• Считать предельный CAC только по конверсиям из отчётов площадок. В них попадают и продажи, которые случились бы без рекламы, так что предельный CAC, построенный на них, может оказаться сильно заниженным.
• Продлевать подогнанную кривую за самый высокий замеренный уровень расходов. Форма там — предположение, а не измерение.
• Тестировать неделю. Из-за отложенных эффектов и шума короткий тест часто показывает ноль или мираж.
• Задавать потолок по выручке первого месяца, а не по валовой прибыли за срок окупаемости: точка остановки уезжает слишком далеко.

Вопросы и ответы

Что такое предельный CAC?

Предельный CAC — это цена следующего клиента, которого может привести канал. Его считают как изменение расходов, делённое на изменение числа новых клиентов между двумя уровнями расходов. Обычно он выше среднего CAC: самых дешёвых клиентов привлекают первыми.

Чем предельный CAC отличается от среднего?

Средний CAC — все расходы, делённые на всех клиентов, поэтому в нём перемешаны дешёвые первые клиенты и дорогие последние. Предельный CAC — цена одного дополнительного клиента при нынешнем уровне расходов. Когда предельный выше среднего, каждый добавленный рубль тянет среднее вверх.

Как рассчитать предельный CAC?

Поднимите или урежьте расходы канала на заданную сумму в части регионов, измерьте инкрементальное изменение числа клиентов относительно сопоставимых регионов и разделите дополнительные расходы на дополнительных клиентов. Кривая отклика из модели маркетингового микса даёт ту же величину как наклон кривой при текущих расходах.

Когда пора перестать увеличивать расходы на рекламу?

Когда предельный CAC доходит до максимума, который вы готовы заплатить за ещё одного клиента, — обычно это валовая прибыль за срок окупаемости. В этой точке общая прибыль наибольшая. Дальше каждый новый клиент стоит дороже, чем возвращает, даже если средний CAC всё ещё выглядит приемлемо.

Источники

1. Yuxue Jin, Yueqing Wang, Yunting Sun, David Chan, Jim Koehler, Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects, Google, 2017
2. Jin et al., full text of the Google Bayesian media mix modeling paper (PDF)
3. David Chan, Mike Perry, Challenges and Opportunities in Media Mix Modeling, Google, 2017
4. Google, Meridian, Media saturation and lagging
5. Google, Meridian, Incremental outcome, ROI, mROI and response curves
6. Google, Meridian, Interpret the optimizations
7. Google, Meridian, ROI priors and calibration
8. Google, Meridian, Types of geo experiments
9. Google, Meridian, Geo experiment design methodology
10. Meta Marketing Science, Robyn features: adstock, saturation and budget allocation
11. PyMC Labs, PyMC-Marketing, Introduction to media mix modeling
12. Thomas Blake, Chris Nosko, Steven Tadelis, Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment, Econometrica 83(1), 2015
13. Randall A. Lewis, Justin M. Rao, The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4), 2015
14. Bradley T. Shapiro, Gunter J. Hitsch, Anna E. Tuchman, TV Advertising Effectiveness and Profitability: Generalizable Results From 288 Brands, Econometrica 89(4), 2021
15. Brett R. Gordon, Florian Zettelmeyer, Neha Bhargava, Dan Chapsky, A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Marketing Science, 2019 (author version)
16. Jon Vaver, Jim Koehler, Measuring Ad Effectiveness Using Geo Experiments, Google, 2011
17. Jouni Kerman, Peng Wang, Jon Vaver, Estimating Ad Effectiveness Using Geo Experiments in a Time-Based Regression Framework, Google, 2017
18. Meta Open Source, GeoLift best practices
19. Meta for Developers, Lift studies
20. Google Ads API, Bid simulations overview
21. OpenStax, Principles of Economics 2e, Costs in the short run
22. David Skok, SaaS Metrics 2.0, For Entrepreneurs
23. Andreessen Horowitz, 16 startup metrics
24. Demetrios Vakratsas, Fred Feinberg, Frank Bass, Gurumurthy Kalyanaram, The Shape of Advertising Response Functions Revisited, Marketing Science 23(1), 2004

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn