Твои отчеты о рекламе врут — IAB разобрались, как AI меняет измерение метрик

Если ты хоть раз смотрел на отчет по рекламной кампании и думал «что-то здесь не сходится» — ты не один. Маркетологи по всему миру знают эту проблему: когда деньги в рекламу вложены немалые, результаты вроде есть, но откуда именно пришли продажи — непонятно. Инструменты показывают красивые цифры, но доверия к ним становится все меньше.

📑 В феврале 2026 года организация IAB (крупнейшая торговая ассоциация digital-рекламы) опубликовала отчет State of Data 2026: The AI-Powered Measurement Transformation. Они опросили более 400 senior-специалистов из брендов и агентств и увидели, что привычные нам системы измерения рекламы уже не работают.

При этом на рынке появился новый игрок, который обещает все исправить. Это AI — и индустрия уже активно его внедряет, хотя вопросов пока больше, чем ответов. Обо всем этом поговорим в сегодняшней статье — читай дальше, чтобы анализировать рекламу как профи.

Коротко о главном

1. Привычное нам измерение рекламы больше не работает. От 60 до 75% маркетологов говорят, что их инструменты не справляются с задачами по точности, скорости и прозрачности. При этом все продолжают ими пользоваться, потому что альтернатив пока немного.
2. Куки, приватность и закрытые платформы сделали attribution намного сложнее. Пользователь взаимодействует с рекламой на десятках платформ, но отследить этот путь целиком практически невозможно.
3. MMM-модели не учитывают целые каналы. Gaming не представлен у 77% пользователей MMM, commerce media — у 50%, инфлюенсер-маркетинг — у 48%. Получается, бюджеты перераспределяются в пользу каналов, которые легче измерить, а не тех, которые реально работают.
4. AI пока занимается рутиной, но скоро возьмет на себя большее. Сегодня он чистит и нормализует данные, а в ближайшие год-два должен перейти к проектированию тестов, калибровке моделей и интерпретации результатов.
5. Потенциал AI в измерении оценивается в $32 млрд. Из них $26,3 млрд — это дополнительные медиаинвестиции в недооцененные каналы, если маркетологи начнут им доверять. Еще $6,2 млрд — экономия на продуктивности за счет автоматизации рутины.
6. Главные барьеры — юридические нюансы, точность и качество данных. Половина маркетологов ожидает серьезных проблем с compliance, прозрачностью AI и качеством данных.
7. IAB запустил отраслевую инициативу с участием Google, Meta, Amazon, WPP и еще трех десятков компаний. Их цель — создать единые стандарты измерения, общий язык и прозрачные правила для AI.

Что случилось и как мы до этого дошли

Раньше маркетолог мог более-менее точно сказать, какая реклама привела к продаже. Запустил кампанию в Google и увидел, сколько людей кликнули и купили. От этого зависело все: куда вкладывать бюджет, что работает, а что нет. Сейчас эта цепочка сломалась. Отчеты и цифры вроде есть, но верить им все сложнее, ведь разные платформы считают все по-своему и в итоге данные не сходятся.

Чтобы понять, почему индустрия оказалась в такой ситуации, нужно немного отмотать назад. Проблема не появилась вчера: она копилась годами, и сейчас просто дошла до той точки, когда игнорировать ее уже не получается.

Куки больше не эффективны

🍪 Раньше основой рекламного измерения были сторонние cookie. Когда ты заходишь на какой-то сайт, браузер сохраняет на твоем устройстве маленький файл. Этот файл потом «узнает» тебя на других сайтах и рассказывает рекламодателям, что ты смотрел, куда кликал и что в итоге купил. Именно так работал рекламный трекинг последние двадцать лет.

Потом пришла эпоха приватности, и все изменилось:

1. Apple еще в 2021 году добавила в iPhone функцию, которая спрашивает пользователя: «разрешаешь ли ты этому приложению следить за тобой?». Большинство людей закономерно отвечают «нет». 
2. Google тоже взял курс на ограничение сторонних куки в браузере Chrome, хотя и тянул с этим несколько лет. 
3. Параллельно появились законы о защите данных — GDPR в Европе, CCPA в Калифорнии (и этот список продолжает расти).

В итоге маркетологи потеряли значительную часть информации, на которой держалось отслеживание рекламы. По данным IAB, 73% компаний ожидают, что им станет сложнее понимать, откуда пришли покупатели, считать ROI и улучшать кампании. 

Данных куча, но общей картины нет

😅 Вот в чем парадокс: данных у маркетологов сейчас больше, чем когда-либо, но собрать из них одну понятную картину стало сложнее, чем раньше.

Представь типичный путь покупателя в 2026:

1. Человек увидел рекламу в Instagram.
2. Потом загуглил бренд.
3. Потом наткнулся на статью о нем на каком-то сайте.
4. Потом увидел ретаргетинговый баннер — и наконец купил через мобильное приложение. 

Каждый из этих шагов произошел на разной платформе, с разными правилами отслеживания. И у каждой платформы — своя аналитика, свои метрики и своя логика подсчета.

Маркетолог в итоге получает отчет от Meta, отчет от Google, отчет из programmatic-системы — и все они показывают разные цифры по одним и тем же кампаниям. Свести их в одну правдивую картину практически невозможно. И вот почему 👇🏻 

Что происходит	Что видит маркетолог
Пользователь взаимодействует с брендом в нескольких каналах	Каждый канал показывает только свою часть пути
Решение о покупке формируется постепенно, через серию касаний	В отчетах покупка часто приписывается одному последнему источнику
Один и тот же человек может переходить между устройствами и платформами	Данные распадаются на отдельные сессии и не всегда связываются между собой
Каналы влияют друг на друга: реклама подогревает поиск, контент усиливает доверие, ретаргетинг дожимает	В аналитике вклад каналов часто считается изолированно, без учета их совместного эффекта
Путь к покупке может занимать дни или недели	Отчеты часто показывают только короткий отрезок перед конверсией
У каждой платформы свои правила атрибуции и свои окна конверсии	Цифры по одной и той же кампании в разных отчетах не совпадают

Платформы закрылись (и считают сами себя)

Есть еще одна проблема. Крупные платформы (Meta, Google, Amazon, TikTok) накопили огромные массивы данных о пользователях, но делиться этими данными с рекламодателями они не спешат.

Логика у платформ простая: чем меньше ты можешь проверить самостоятельно, тем больше доверяешь их цифрам. А их цифры, как правило, выглядят очень хорошо (что неудивительно, ведь платформа сама решает, как считать свои результаты). Это примерно как попросить продавца самому выставить оценку своему товару.

В итоге рекламодатель платит платформе деньги и проверяет эффективность этих денег инструментами той же платформы. Из этого вытекают 3 проблемы:

1. Алгоритмы непрозрачны. Платформы оптимизируют кампании автоматически, но как именно — не объясняют. Маркетолог видит результат, но не понимает, за счет чего он получился и можно ли ему доверять.
2. Каждая платформа считает конверсии по-своему. Если человек видел рекламу и в Facebook, и в Google — обе платформы запишут эту продажу себе. Сложи все отчеты вместе, и окажется, что суммарный результат в разы превышает реальные продажи.
3. Данные не выходят наружу. Чтобы получить хоть какую-то сквозную аналитику, нужны специальные технологии — например, data clean rooms. Это защищенные среды, где разные компании могут сверять свои данные, не передавая их напрямую друг другу. Работает, но требует и времени, и экспертизы, и бюджета.

Все это вместе и привело к тому, что маркетологи тратят деньги на рекламу, смотрят на отчеты — и все равно не понимают, что реально работает. Именно эту проблему и пытается решить AI.

🚀 Хочешь разобраться, как AI меняет не только измерение рекламы, но и всю рутину маркетолога? На курсе «AI-автоматизатор» от Genius.Space ты научишься использовать AI-инструменты для реальных рабочих задач — от аналитики до автоматизации процессов. Присоединяйся к нам!

Что говорит отчет State of Data 2026

IAB — это крупнейшая ассоциация digital-рекламы, которая объединяет более 700 компаний: 

• бренды, 
• агентства, 
• платформы,
• рекламные технологии. 

📈 Каждый год они выпускают отчет State of Data — срез того, что реально происходит в индустрии с точки зрения данных и измерений. Это независимое исследование на основе живых опросов, поэтому оно показывает довольно объективную картину.

Выпуск 2026 года посвящен тому, как AI меняет измерение рекламы — и в нем опросили более 400 специалистов из брендов и агентств. И цифры там довольно неожиданные.

💡 Главный вывод простой: от 60 до 75% маркетологов говорят, что их инструменты измерения не справляются со своей работой. Не «могли бы быть лучше» — а именно не справляются. Их не устраивает точность данных, скорость получения результатов, прозрачность и общее доверие к цифрам.

При этом все эти инструменты продолжают активно использоваться — от 67 до 76% компаний применяют:

• и attribution, 
• и incrementality-тесты, 
• и MMM-модели. 

То есть индустрия прекрасно знает, что инструменты работают плохо, но все равно ими пользуется, потому что ничего лучшего пока нет.

Согласно отчету, ни один платный рекламный канал не представлен полноценно ни в одной MMM-модели. Gaming не учитывается у 77% пользователей MMM, commerce media — у 50%, инфлюенсер-маркетинг — у 48% 🫢

🤖 Теперь про AI. Около половины компаний уже внедряют его в процессы измерения. Среди тех, кто еще не начал, больше 70% планируют сделать это в ближайшие год-два. Рынок движется в одну сторону довольно быстро — вопрос только в том, насколько осознанно.

По расчетам IAB, если AI улучшит качество измерения так, как от него ожидают, это может разблокировать $26,3 млрд в медиаинвестициях. Логика простая: если маркетологи начнут доверять данным по недооцененным каналам — они перенаправят туда бюджеты. 

👉🏻 Общая картина такая: старые инструменты уже не справляются, новые еще не готовы взять на себя полную нагрузку. AI выглядит как реальное спасение для всех — но только если индустрия сначала разберется с качеством данных, прозрачностью и стандартами. Об этом — дальше.

Attribution, MMM, инкрементальность — в чем конкретно проблема

В отчете постоянно говорится о трех инструментах для отслеживания эффективности рекламы — это attribution, MMM и incrementality-тестирование. Сейчас объясним, что это, для тех, кто не работает с ними каждый день.

📌 Attribution — это попытка ответить на вопрос «какое рекламное касание привело к покупке». Человек увидел баннер, потом рекламу в соцсетях, потом кликнул на поисковую рекламу — и купил. Кому засчитывается конверсия? Attribution-модель пытается это решить. 

Самая простая версия — last-click, когда все достается последнему касанию. Более сложные модели пытаются распределить заслугу между всеми точками контакта.

📌 MMM (marketing mix modeling) — это статистическая модель, которая анализирует, как разные маркетинговые активности влияют на продажи в целом. Не на уровне конкретного пользователя, а на уровне агрегированных данных. 

📌 Incrementality-тестирование — это попытка измерить, сколько продаж реклама действительно добавила сверх того, что случилось бы без нее. Грубо говоря: если бы ты вообще не запускал эту кампанию, сколько бы потерял? Это самый честный способ оценить эффективность, но и самый сложный в реализации.

Каждый из этих инструментов полезен сам по себе. Проблема в том, что у каждого есть системные слабые места, которые в нынешних условиях стали критичными:

1. Attribution перестал видеть полную картину. Куки исчезают, платформы не делятся данными, и attribution видит лишь фрагменты пути пользователя. Плюс каждая платформа засчитывает конверсии себе — сложи все отчеты, и суммарный результат легко превысит реальные продажи в два-три раза.
2. MMM катастрофически отстает от реальности. Модель строится на исторических данных и обновляется раз в несколько месяцев. Пока аналитики считают, рынок уже изменился. А еще, целые каналы в модели просто отсутствуют: gaming, инфлюенсеры, часть commerce media.
3. Incrementality-тесты слишком дорогие и редкие. Это самый честный способ измерить эффективность рекламы, но на практике большинство компаний могут позволить себе три-пять тестов в год. Этого катастрофически мало для нормальных бюджетных решений.

Все три инструмента создавались в другую эпоху — когда данных было меньше, но они были доступнее и понятнее. Сегодня данных стало больше, но они разбросаны по десяткам платформ, закрыты и часто противоречат друг другу. Именно эту проблему и пытается сейчас решить искусственный интеллект.

Как AI меняет измерение рекламы

Когда слышишь о том, что искусственный интеллект меняет маркетинг, обычно представляешь генерацию картинок или тексты для объявлений. Но в измерении рекламы AI занимается другим — он пытается починить саму основу, на которой держатся решения о бюджетах. И это, честно говоря, важнее любых креативов.

Искусственный интеллект встраивается в то, что уже есть — attribution, MMM, incrementality-тесты — и усиливает их там, где они традиционно проседают. Как именно — расскажем дальше.

Что AI делает с рекламой

Если честно — пока довольно приземленные вещи. Большая часть того, чем AI занимается в измерении сегодня, это уборка: 

• чистка данных, 
• их нормализация, 
• интеграция из разных источников, 
• устранение дублей. 

Звучит не очень захватывающе, но именно на это аналитики раньше тратили огромное количество времени, прежде чем добраться до реального анализа.

💡 Интересно, что разные команды внедряют AI очень по-разному. Аналитики уже вовсю его используют — 69% масштабируют AI в своей работе. Среди планировщиков таких пока 30%. Просто аналитики давно работают с данными и алгоритмами, им это привычно, а планировщики только начинают разбираться.

Помимо уборки данных, AI уже сейчас помогает с несколькими практичными вещами:

1. Обновлением MMM-моделей чаще, чем раз в квартал.
2. Автоматическим отловом аномалий в данных кампаний.
3. Сведением цифр из разных платформ в один отчет без ручного труда.
4. Первичной интерпретацией результатов, которую раньше делал человек.

Пока искусственный интеллект выступает скорее как хороший ассистент, чем как аналитик. Но даже в этой роли он уже неплохо экономит время.

Что изменится в ближайшие год-два

На горизонте одного-двух лет ожидается кое-что поинтереснее. AI должен перейти от уборки к мышлению, начав самостоятельно:

• проектировать incrementality-тесты, 
• подбирать методологию под задачу, 
• калибровать MMM-модели. 

Сейчас это делают дорогостоящие специалисты, и делают небыстро. AI не заменит их, но сделает их работу значительно быстрее.

Изменится и частота измерений — и это, пожалуй, самое ощутимое изменение на практике. Сейчас компании проводят incrementality-тесты три-пять раз в год. С AI рассчитывают выйти на одиннадцать и больше 👍🏻

⏳ А Attribution и MMM должны перейти с квартального цикла на ежемесячный. Это значит, что бюджетные решения наконец будут опираться на актуальные данные, а не на то, что было три месяца назад.

💡 Почему это важно: сейчас продвинутые инструменты измерения доступны в основном крупным брендам с большими командами и бюджетами. Если AI снизит порог входа — небольшие компании получат доступ к той же аналитике, что изменит расстановку сил.

AI меняет не только рекламную аналитику — он еще и экономит часы работы. Мы собрали для тебя 10 скрытых функций Gemini, о которых большинство пользователей даже не догадываются — читай статью, чтобы использовать искусственный интеллект еще эффективнее.

Куда уйдет освободившееся время

Один из самых неочевидных выводов отчета — про людей. IAB подсчитал, что автоматизация рутины позволит командам перераспределить около 10% рабочего времени в квартал а в пользу реальной стратегической работы — интерпретации данных, экспериментов, поиска инсайтов 😍

В деньгах это $6,2 млрд потенциальной экономии на продуктивности по всему рынку. Но важнее другое: аналитики наконец смогут заниматься тем, для чего они нужны — думать, а не перекладывать таблицы.

Интересно, что planning-команды и аналитики смотрят на это по-разному:

1. Планировщики настроены оптимистично и уже представляют, как тратят освободившееся время на стратегию. 
2. Аналитики осторожнее — они больше думают о том, кто будет отвечать за решения AI и как объяснять его выводы коллегам и клиентам, которые привыкли к понятным отчетам.

Это нормальное расхождение, и оно хорошо показывает, что AI в измерении это не только технический вопрос. Инструменты появятся быстро, а вот выстроить процессы и культуру вокруг них — это уже работа, которую за тебя никто не сделает.

Риски и барьеры

Было бы странно, если бы у такой многообещающей технологии не было подводных камней. Они есть — и в отчете IAB им уделено не меньше внимания, чем потенциалу AI. Примерно половина опрошенных маркетологов говорит, что ожидает серьезных или критических проблем при внедрении AI в измерение. Давай разбираться, что именно их беспокоит.

Черный ящик вместо прозрачности

Одна из главных претензий к AI в измерении — непрозрачность. Модель выдает результат, но объяснить, почему именно такой, зачастую невозможно. Для маркетолога, которому нужно защищать бюджет перед руководством или клиентом, это серьезная проблема.

Парадокс в том, что индустрия годами страдала от «черных ящиков» платформенных алгоритмов — и теперь рискует получить то же самое, только в своих собственных инструментах измерения. Если AI не будет прозрачным и объяснимым, он просто воспроизведет старую проблему в новой обертке.

👉🏻 49% опрошенных называют точность и прозрачность AI одной из главных своих тревог. И это вполне обоснованное опасение людей, которые уже обожглись на платформенной отчетности.

Юридическое поле и безопасность данных

Измерение рекламы неизбежно связано с данными о пользователях и результатах кампаний — часто конфиденциальными. Когда в этот процесс входит AI, возникают новые вопросы: 

1. Кто отвечает за решения, которые он принимает? 
2. Что происходит с данными внутри модели? 
3. Как это соотносится с GDPR и другими регуляторными требованиями?

51% маркетологов называют юридические и compliance-риски своей главной проблемой при внедрении AI. Это самый высокий показатель среди всех барьеров в отчете.

Качество данных

AI-модели настолько хороши, насколько хороши данные, которые в них загружают. А с качеством данных у большинства компаний все не идеально:

• разрозненные источники, 
• пробелы, 
• дубликаты, 
• несогласованные форматы. 

45% опрошенных называют проблемы с качеством и доступностью данных серьезным барьером для внедрения AI.

🔄 Это замкнутый круг: AI нужен в том числе для того, чтобы привести данные в порядок, но чтобы AI работал хорошо, данные уже должны быть в относительном порядке. 

Компаниям, которые годами не занимались data hygiene, придется сначала разобраться с этим фундаментом — и только потом ждать от AI хороших результатов 🤝

Что делать сейчас

Отчеты IAB — это хорошо, но все описанное происходит на уровне индустрии. А у тебя есть кампании, бюджеты и дедлайны прямо сейчас. Вот что реально можно сделать, не дожидаясь, пока все договорятся о стандартах.

Сначала разберись с тем, что уже есть

Прежде чем думать об AI и новых инструментах, честно ответь себе:

1. На чем вообще держится твое измерение прямо сейчас? 
2. Какие модели attribution используешь и почему? 
3. Когда последний раз обновлялась MMM-модель? 
4. Есть ли incrementality-тесты или все держится на last-click и платформенных отчетах?

Большинство компаний в этот момент обнаруживают, что измерение держится на старых инструментах и данных, которым не очень доверяют. Это нормальная отправная точка — главное ее зафиксировать.

Данные важнее AI

AI не сделает плохие данные хорошими — он просто быстрее придет к неправильным выводам. Поэтому сначала стоит разобраться с базой:

• выписать все источники данных и проверить, насколько они согласуются между собой, 
• выстроить сбор first-party data через сайт, приложение и CRM,
• посмотреть в сторону data clean rooms.

Начни тестировать — прямо сейчас

Ждать идеального момента не стоит — его не будет. Лучше запусти хотя бы один incrementality-тест на следующем крупном флайте, сравни платформенную аналитику с независимым инструментом, попробуй обновить MMM чаще, чем раз в квартал. 

Каждый такой шаг покажет, где твое измерение врет — и это ценнее любого отраслевого отчета 🔥

Если incrementality-тестов у тебя нет вообще — начни с них. Google снизил минимальный бюджет для своих экспериментов до $5000. Это уже доступно для большинства рекламодателей.

Следи за рынком AI-инструментов

Инструменты для измерения на базе AI появляются очень быстро:

• MMM становится доступнее, 
• дизайн тестов автоматизируется, 
• сведение данных из разных источников упрощается. 

Не нужно внедрять все подряд, но держать руку на пульсе определенно стоит. И если работаешь с агентствами, которые используют AI в аналитике — пропиши в контракте ожидания по прозрачности и ответственности за результаты. Индустрия движется в эту сторону, и лучше быть готовым заранее.

💡 Измерение рекламы меняется — и вместе с ним меняется работа маркетолога. Те, кто уже умеет работать с AI, тратят на рутину в разы меньше времени и принимают решения быстрее. Если хочешь оказаться в этой категории, то курс «AI-автоматизатор» от Genius.Space — именно то, что тебе нужно.

FAQ

Что такое attribution в рекламе?

Attribution — это способ определить, какое рекламное касание привело к покупке или другому целевому действию. Например, человек увидел баннер, потом рекламу в соцсетях, потом кликнул на поисковое объявление — и купил. Attribution-модель решает, кому из этих касаний засчитать конверсию и в какой пропорции.

Почему last-click attribution больше не работает?

Last-click засчитывает всю заслугу последнему касанию перед покупкой, и полностью игнорирует все, что было до него. В реальности покупатель мог контактировать с брендом десятки раз на разных платформах, и последний клик — это часто просто финальный шаг, а не главная причина покупки.

Что такое MMM и зачем он нужен?

MMM, или marketing mix modeling — это статистическая модель, которая анализирует, как разные маркетинговые активности влияют на продажи в целом. В отличие от attribution, она работает с агрегированными данными и не зависит от куки и трекинга. Ее используют, чтобы понять вклад каждого канала и грамотно распределить бюджет.

Что такое incrementality-тест и чем он отличается от attribution?

Incrementality-тест отвечает на вопрос «сколько продаж реклама добавила сверх того, что случилось бы без нее». Для этого аудиторию делят на две группы — одна видит рекламу, другая нет — и сравнивают результаты. Это честнее, чем attribution, но дороже и сложнее в организации.

Почему исчезновение куки так сильно влияет на измерение рекламы?

Куки позволяли отслеживать путь пользователя между разными сайтами и платформами. Без них рекламодатель теряет возможность видеть полную картину — каналы перестают «разговаривать» друг с другом, и атрибутировать конверсии становится намного сложнее.

Как AI улучшает измерение рекламы?

Сейчас AI в основном автоматизирует подготовку данных — чистку, нормализацию, интеграцию из разных источников. В ближайшие год-два ожидается, что он возьмет на себя проектирование тестов, калибровку MMM-моделей и интерпретацию результатов, а также сделает измерение более частым и оперативным.

Что такое data clean rooms и зачем они нужны?

Data clean room — это защищенная среда, где разные компании могут сверять свои данные, не передавая их напрямую друг другу. Это один из немногих способов получить сквозную аналитику в условиях ограничений на приватность. Например, бренд и платформа могут сопоставить данные о показах и покупках, не нарушая требований GDPR.

Почему платформы показывают разные цифры по одним и тем же кампаниям?

Каждая платформа считает конверсии по своим правилам — и эти правила написаны так, что платформа всегда выглядит хорошо. Если пользователь видел рекламу и в Facebook, и в Google, обе платформы засчитают эту конверсию себе. В итоге суммарный результат из всех отчетов может в разы превышать реальные продажи.

С чего начать, если хочу улучшить измерение рекламы в своей компании?

Начни с аудита того, что уже есть: какие инструменты используются, насколько им можно доверять и в каком состоянии данные. Параллельно стоит запустить хотя бы один incrementality-тест — Google снизил минимальный бюджет для своих экспериментов до $5000, так что порог входа уже вполне доступный. И обязательно разберись с first-party data — это самый надежный актив в нынешних условиях.

Глоссарий

Термин	Объяснение
Attribution	Метод определения того, какое рекламное касание привело к конверсии
Last-click attribution	Модель, которая засчитывает всю заслугу последнему касанию перед покупкой
Multi-touch attribution (MTA)	Модель, которая распределяет заслугу между несколькими касаниями на пути пользователя
MMM (marketing mix modeling)	Статистическая модель для оценки влияния разных каналов на продажи в целом
Incrementality	Реальный прирост продаж, который обеспечила реклама сверх органического результата
Incrementality-тест	Эксперимент, где одна группа видит рекламу, другая нет — для измерения реального эффекта
Signal loss	Потеря данных о поведении пользователя из-за ограничений на отслеживание
Third-party cookies	Файлы, которые сторонние сервисы сохраняли в браузере для отслеживания пользователей между сайтами
First-party data	Данные, которые компания собирает напрямую от своих пользователей — через сайт, приложение, CRM
Walled gardens	Крупные платформы вроде Meta, Google и Amazon, которые держат свои данные закрытыми
Data clean room	Защищенная среда, где компании сверяют данные без прямой их передачи друг другу
Programmatic	Автоматизированная закупка рекламы через технологические платформы в реальном времени
Buy-side	Сторона рекламодателей и агентств, которые покупают рекламный инвентарь
Sell-side	Сторона паблишеров и платформ, которые продают рекламный инвентарь
GDPR	Европейский регламент о защите персональных данных, влияющий на рекламный трекинг
Conversion	Целевое действие пользователя — покупка, регистрация, заявка и так далее
Media mix	Совокупность рекламных каналов, которые использует бренд в своей стратегии
Project Eidos	Инициатива IAB по стандартизации измерения рекламы с участием крупнейших игроков рынка
AI-клаузула	Пункт в контракте, регулирующий ответственность и прозрачность при использовании AI
Contextual targeting	Таргетинг по контексту страницы, а не по данным пользователя — альтернатива куки-based подходу