True ROAS
True ROAS er en avkastningsberegning for annonseutgifter basert på faktiske, avstemte inntekter tilskrevet annonsering, i stedet for inntektene en plattform som Meta eller Google selv rapporterer gjennom sin egen attribusjonsmodell. Den korrigerer for overattribusjon, krysskanal-dobbelt-telling, refusjoner og andre hull som blåser opp plattformrapportert ROAS.
Definisjon av True ROAS
True ROAS (true return on ad spend – reell avkastning på annonsekostnader) er en korrigert versjon av den standard ROAS-metrikken som bruker avstemte, nettoinntekter som faktisk kan tilskrives en annonsekanal, i stedet for inntektstallet som annonseplattformen (Meta, Google, TikTok og lignende) rapporterer om sin egen ytelse. Standard ROAS beregnes som inntekt dividert på annonsekostnad, men inntektssiden av den ligningen hentes vanligvis rett fra annonseplattformens eget attribusjonssystem – et system med et direkte insentiv til å kreve kreditt for så mange konverteringer som mulig. True ROAS starter i stedet fra butikkens faktiske ordre- og betalingsdata, trekker fra refusjoner og chargebacks som skjedde etter salget, og løser krysskanal-attribusjonskonflikter (der to eller flere plattformer begge krever kreditt for samme kjøp) før man dividerer på annonsekostnad, og produserer et tall som er nærmere det virksomheten faktisk tjente på sin annonsering.
Hvordan True ROAS Beregnes
Standard ROAS-formelen er enkel: inntekter tilskrevet en kanal dividert på kostnad for den kanalen. Kompleksiteten i true ROAS kommer fra å få inntektssiden riktig. Prosessen innebærer typisk: å hente faktisk ordrenivå-inntekt fra butikkplattformen i stedet for annonseplattformens dashbord; å matche hver ordre til dens virkelige anskaffelseskilde ved hjelp av førstepartssporing i stedet for å utelukkende stole på annonseplattformens egen pixel; å trekke fra inntekter fra ordre som senere ble refundert eller chargebacket; og, der flere plattformer krever kreditt for samme ordre (en vanlig forekomst når en kunde klikker på en Meta-annonse, senere klikker på en Google-annonse, og deretter handler), å tilskrive den ordrens inntekt til en enkelt kilde ved hjelp av en konsistent attribusjonsregel i stedet for å la begge plattformer telle den fullt.
Et regneeksempel: en butikk bruker 10 000 USD på Meta-annonser i løpet av en måned. Metas eget annonsedashbord rapporterer 50 000 USD i tilskrevne kjøp, noe som gir en plattformrapportert ROAS på 5,0x. Når butikken avstemmer de 50 000 USD mot faktiske ordredata, finner den at 4 000 USD av disse «konverteringene» også ble krevd og talt av Google-annonser for de samme ordrene, og at 3 000 USD av de tilskrevne ordrene senere ble refundert. Netto tilskrivbare inntekter for Meta blir 43 000 USD, noe som gir en true ROAS på 4,3x – et vesentlig forskjellig tall enn det plattformens eget dashbord antydet, og et som kunne endre en budsjettallokeringsbeslutning.
Ready to Monitor Your AI Visibility?
Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.
Hvorfor True ROAS Er Viktig for E-handelsmerker
True ROAS er viktig fordi budsjettbeslutninger tatt på oppblåste tall forsterkes over tid. En handelsdrivende som allokerer kostnader basert på hver plattforms egenrapporterte ROAS, uten å avstemme for overlapping og refusjoner, vil systematisk overinvestere i den plattformen hvis attribusjonsmodell er mest aggressiv når det gjelder å kreve kreditt – ikke nødvendigvis plattformen som faktisk driver mest inkrementell inntekt. Over et helt år kan dette bety tusenvis av dollar flyttet til en kanal som ser mer effektiv ut på papiret enn den er i virkeligheten, på bekostning av en kanal hvis sanne ytelse blir underdrevet fordi den spiller attribusjon mer konservativt.
Dette er enda viktigere for butikker med over gjennomsnittlig returrate, siden et salg som tilskrives og feires i kjøpsøyeblikket, stille kan reverseres dager eller uker senere uten at annonseplattformens ROAS-tall noensinne justeres nedover for å gjenspeile det.
Plattformrapportert ROAS vs. True ROAS
| Aspekt | Plattformrapportert ROAS | True ROAS |
|---|---|---|
| Inntektskilde | Annonseplattformens eget attribusjonssystem | Butikkens faktiske avstemte ordredata |
| Krysskanal-overlapping | Hver plattform teller uavhengig, ofte dobbelttelling | Løst til en enkelt tilskrevet kilde per ordre |
| Refusjoner/chargebacks | Sjelden trukket fra etter det opprinnelige salget | Trukket fra for å reflektere netto beholdt inntekt |
| Attribusjonsvindu | Satt generøst av plattformen selv | Satt av den handelsdrivende basert på realistisk kundeadferd |
| Skeivhet | Oppblåst til fordel for den rapporterende plattformen | Nøytral, knyttet til faktiske forretningsresultater |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
True ROAS og AI-drevet Handel
Fremveksten av AI-handelsflater — ChatGPT Shopping, Perplexity Shopping, Google AI Overviews — legger til et ytterligere attribusjonsmoment: kjøp påvirket av en AI-assistents produktanbefaling kan ikke bære en ren henvisningstagg tilbake til annonsen eller innholdet som opprinnelig skapte bevissthet, noe som gjør det enda enklere for tradisjonelle annonseplattformer å overdrive kreditt for et salg som faktisk ble påvirket andre steder i kundens undersøkelsesreise. Ettersom flere kjøpsreiser går gjennom AI-mellomledd i stedet for direkte annonseklikk, risikerer handelsdrivende som utelukkende stoler på plattformrapportert ROAS, et enda større gap mellom hva plattformer hevder og hva som faktisk skjedde.
Dette er nettopp beregningen AmICiteds eshop_get_cac_roas-verktøy er bygget rundt: det beregner CAC og ROAS fra annonsekostnader avstemt mot faktiske tilskrevne inntekter i stedet for å stole på hver plattforms egenrapporterte tall, og gir handelsdrivende et konsistent, sammenlignbart true ROAS-tall på tvers av kanaler, inkludert nyere AI-drevne oppdagelsesveier.
Beste Praksis for Beregning av True ROAS
- Beregn alltid true ROAS fra nettoinntekter (etter refusjoner og chargebacks), ikke brutto ordreverdi i salgsøyeblikket.
- Bruk en enkelt, konsistent attribusjonsmodell på tvers av alle kanaler når du løser kryssplattform-overlapping, i stedet for å la hver plattforms dashbord stå alene.
- Avstem annonsekostnader og inntekter i samme rytme som du tar budsjettbeslutninger — ukentlig avstemming er begrenset nyttig hvis budsjettet omallokeres daglig basert på plattformdashbord.
- Sammenlign true ROAS mot bruttomargin, ikke bare inntekter, siden en kanal med høy true ROAS på lavmarginprodukter fortsatt kan være mindre lønnsom enn en lavere-ROAS-kanal som selger produkter med høyere margin.
- Gjennomgå attribusjonsvinduer periodisk; et vindu satt for generøst vil fortsette å blåse opp true ROAS selv etter korrigering for plattformens overdrivelse.
Vanlige True ROAS-feil
En vanlig feil er å beregne true ROAS én gang og behandle det som en fast multiplikator å bruke fremover, når attribusjonsoverlapping, refusjonsrater og kanalmiks i virkeligheten alle endrer seg over tid og krever kontinuerlig omberegning snarere enn en engangskorreksjon. Et annet hyppig problem er å korrigere for krysskanal-overlapping, men glemme å trekke fra refusjoner, noe som fortsatt gir et vesentlig oppblåst tall for enhver butikk med en meningsfull returrate. Noen handelsdrivende bruker også true ROAS-korreksjoner inkonsekvent på tvers av kanaler — de avstemmer Meta nøye mens de lar Googles egenrapporterte tall stå uendret — noe som gir en sammenligning som ser ut som epler med epler, men ikke er det. Til slutt er en mer subtil feil å overkorrigere: å bruke et attribusjonsvindu så konservativt at det fjerner reelle, senere konverterende kunder fra en kanals kreditt fullstendig, noe som underdriver true ROAS i motsatt retning og fører til underinvestering i en kanal som faktisk presterer godt over en lengre vurderingssyklus.