Когда руководители спрашивают: «Сколько денег приносит SEO?», таблицы из GA4 и GSC отвечают разными цифрами. Проблема не в данных, а в том, что каждый инструмент измеряет разные части воронки. Решение — свести GA4 и Google Search Console в единый источник истины, договориться о правилах атрибуции и на их основе прогнозировать ROMI. Ниже — подход команды Ticket to Online, который работает и для B2B, и для e-commerce с лидогенерацией.
GA4 vs GSC: кто за что отвечает
GA4 видит поведение на сайте: сессии, события, конверсии, доход. GSC — видимость в поиске: запросы, показы, CTR, клики, позиции. Вместе они «сшивают» «намерения пользователя» (GSC) с «поведением и деньгами» (GA4). Поэтому «единый источник истины» — это не один инструмент, а согласованная модель данных и метрик. Важно помнить, что GSC фиксирует клик в момент взаимодействия с результатом поиска, тогда как GA4 считает сессию с момента захода на сайт — поэтому суточные цифры могут расходиться. GSC ничего не знает о ваших конверсиях и доходе, а GA4 не видит показов и позиций — каждый інструмент даёт лишь «свою половину» истории. Добавьте сюда разные часовые пояса, фильтры ботов, настройки Consent Mode и окна атрибуции — и вы получите естественные различия, которые не являются ошибкой, а отражают особенности методологии. Чтобы превратить эти данные в управленческую аналитику, нужно выровнять определения каналов, развести brand/non-brand, синхронизировать даты по целевым страницам и учитывать лаг между кликом, сессией и конверсией. Тогда GA4 и GSC работают как единый измерительный контур: поисковый спрос → трафик → взаимодействие → лид → доход — с прозрачной атрибуцией роли органики на каждом шаге.
Данные: как «сшить» и не сломать
Чтобы избежать «битвы дашбордов», критично выровнять дефиниции: что такое лид, что такое органический канал, как считать brand/non-brand. Рекомендуем сохранять сырые таблицы из GA4 и GSC (через BigQuery или подключение Looker Studio) и делать объединение по дате и целевой странице (landing page). Запрос (query) из GSC полезен для семантики, но основная «склейка» — через страницу входа, которая существует и в GA4, и в GSC.
Прежде чем бросаться в модель, выполните короткий список работ. Именно здесь рождается точность.
- Выровняйте часовые пояса и валюту в GA4/GSC, уберите тестовый трафик и ботов.
- Дайте единое определение лида (например, generate_lead с обязательными параметрами: тип формы, продукт, источник).
- Сделайте чёткий channel mapping: organic = только бесплатный поиск Google; отдельно разведите brand/non-brand (regex по запросам и названию компании).
- Внедрите Server-Side/Consent Mode там, где это уместно, чтобы повысить стабильность отслеживания событий в GA4.
- Создайте таблицу на уровне landing page: показы/клики/CTR/позиция из GSC + сессии/события/конверсии/доход из GA4.
- Нормализуйте воронку: клик → сессия → микроконверсия → лид → продажа/доход..
- Введите QA: ежедневные интеграционные проверки (разница кликов GSC vs сессий GA4 по органике не должна превышать ваш порог, например ±15–20%).
После этого вы получаете управляемую, предсказуемую базу — фундамент для атрибуции и прогноза.
Модель атрибуции для SEO
SEO редко бывает «последним кликом». Мы используем гибрид:
- Discovery-кредит: первое взаимодействие с органикой получает фиксированную долю (например, 30–40%) стоимости конверсии, если в цепочке был органический клик.
- Data-Driven/позиционная часть: остальное распределяется между каналами по вкладу (можно брать data-driven в GA4 или упростить позиционной моделью 40–20–40).
- Бренд vs небренд: бренд-запросы получают меньший discovery-кредит (потому что эффект частично от офлайна/других каналов), небранд — больший (потому что именно контент привёл новую аудиторию).
Технически это реализуется на уровне BigQuery/Looker Studio: вы экспортируете пути конверсий из GA4, добавляете теги GSC по первой точке входа, применяете правила распределения и получаете Attributed SEO Revenue/Leads.
ROMI: формула и прогноз
ROMI для SEO рассчитываем инкрементально:
ROMI = (Инкрементальный доход от SEO – Расходы на SEO) / Расходы на SEO × 100%
Где инкрементальный доход = Attributed SEO Leads × Win-rate × AOV (или LTV) × маржа..
Чтобы спрогнозировать будущий ROMI, моделируем два слоя:
- Трафик: по данным GSC берём тренды показов и CTR по страницам/кластерам, симулируем рост позиций (работы над контентом/техникой) → прогноз кликов.
- Конверсия: из GA4 берём CVR из органики в лид и стабильные коэффициенты конверсии лида в продажу. Добавляем сезонность и лаги продаж.
Единый источник истины снимает споры между отделами, делает бюджетирование прозрачным и переводит разговор с «мы в топ-10» на «мы добавляем N$ чистой прибыли». Команда видит, какие кластеры контента действительно двигают воронку, а какие лишь подогревают эго-метрики.
Типичные ошибки и как их избежать
Чаще всего теряются на базовых вещах: нет единого определения лида, не разведены бренд/небренд, отсутствует контроль разницы кликов (GSC) и сессий (GA4), а отчёты собираются вручную. Автоматизация на базе BigQuery и регламент QA ежедневно/еженедельно решают 80% этих проблем. Второй слой — завышенные ожидания: SEO имеет лаг; в модели прогноза это должно быть зафиксировано как временной сдвиг.
Хотите такую модель под свой рынок и продукт? Команда Ticket to Online построит «GA4 + GSC как единый источник истины», настроит атрибуцию, пропишет ROMI-прогноз и даст понятный дашборд для принятия решений. Напишите нам — и ваш SEO наконец заговорит на языке бизнеса.
