True ROAS
Sann ROAS är en avkastning på annonsutgifter baserad på faktiska, avstämda intäkter som tillskrivs annonsering, snarare än de intäkter som en plattform som Meta eller Google själv rapporterar genom sin egen attributionsmodell. Den korrigerar för övertillskrivning, dubbelräkning över kanaler, återbetalningar och andra luckor som blåser upp den plattformsrapporterade ROAS:en.
Definition av sann ROAS
Sann ROAS (sann avkastning på annonsutgifter) är en korrigerad version av det standardmässiga ROAS-måttet som använder avstämda nettointäkter som faktiskt är hänförliga till en annonskanal, snarare än den intäktssiffra som annonsplattformen (Meta, Google, TikTok och liknande) rapporterar om sin egen prestanda. Standard-ROAS beräknas som intäkter delat med annonsutgifter, men intäktssidan i den ekvationen hämtas vanligtvis direkt från annonsplattformens eget attributionssystem — ett system med ett direkt incitament att ta åt sig äran för så många konverteringar som möjligt. Sann ROAS utgår istället från en butiks faktiska order- och betalningsdata, drar av återbetalningar och chargebacks som inträffat efter försäljningen, och löser tvärkanals-attributionskonflikter (där två eller fler plattformar båda gör anspråk på samma köp) innan division med annonsutgifter, vilket ger en siffra som ligger närmare vad verksamheten faktiskt tjänade på sin annonsering.
Hur sann ROAS beräknas
Standard-ROAS-formeln är enkel: intäkter tillskrivna en kanal dividerat med utgifter för den kanalen. Komplexiteten i sann ROAS kommer från att få intäktssidan rätt. Processen innefattar vanligtvis: hämta faktiska intäkter på ordernivå från butiksplattformen snarare än från annonsplattformens dashboard; matcha varje order till dess verkliga anskaffningskälla med hjälp av första-parts-spårning istället för att enbart förlita sig på annonsplattformens egen pixel; dra av intäkter från ordrar som senare återbetalats eller chargebackats; och, där flera plattformar gör anspråk på samma order (en vanlig företeelse när en kund klickar på en Meta-annons, senare klickar på en Google-annons och sedan genomför ett köp), tilldela den orderns intäkter till en enda källa med hjälp av en konsekvent attributionsregel istället för att låta båda plattformarna räkna den fullt ut.
Ett räkneexempel: en butik spenderar 10 000 USD på Meta-annonser under en månad. Metas egen annonsdashboard rapporterar 50 000 USD i tillskrivna köp, vilket ger en plattformsrapporterad ROAS på 5,0x. När butiken stämmer av dessa 50 000 USD mot faktiska orderdata upptäcker den att 4 000 USD av dessa “konverteringar” även gjorts anspråk på och räknats av Google-annonser för samma ordrar, och att 3 000 USD av de tillskrivna ordrarna senare återbetalades. Nettotillskrivna intäkter för Meta blir 43 000 USD, vilket ger en sann ROAS på 4,3x — en påtagligt annorlunda siffra än vad plattformens egen dashboard antydde, och en som skulle kunna förändra ett budgetallokeringsbeslut.
Varför sann ROAS är viktig för e-handelsvarumärken
Sann ROAS är viktig eftersom budgetbeslut som fattas på uppblåsta siffror förvärras över tid. En handlare som allokerar annonsutgifter baserat på varje plattforms självrapporterade ROAS, utan att stämma av för överlapp och återbetalningar, kommer systematiskt att överinvestera i den plattform vars attributionsmodell är mest aggressiv med att ta åt sig äran — inte nödvändigtvis den plattform som faktiskt driver mest inkrementella intäkter. Under ett helt år kan detta innebära tusentals dollar som flyttas till en kanal som ser mer effektiv ut på pappret än den är i verkligheten, på bekostnad av en kanal vars verkliga prestanda underskattas eftersom den hanterar attribuering mer konservativt.
Detta är ännu viktigare för butiker med högre än genomsnittlig returfrekvens, eftersom en försäljning som tillskrivs och firas vid köptillfället tyst kan reverseras dagar eller veckor senare utan att annonsplattformens ROAS-siffra någonsin justeras nedåt för att spegla det.
Plattformsrapporterad ROAS vs. sann ROAS
| Aspekt | Plattformsrapporterad ROAS | Sann ROAS |
|---|---|---|
| Intäktskälla | Annonsplattformens eget attributionssystem | Butikens faktiska avstämda orderdata |
| Tvärkanalsöverlapp | Varje plattform räknar oberoende, ofta dubbelräkning | Hanteras till en enda tillskriven källa per order |
| Återbetalningar/chargebacks | Dras sällan av efter den ursprungliga försäljningen | Dras av för att spegla nettointäkter som behållits |
| Attributionsfönster | Sätts generöst av plattformen själv | Sätts av handlaren baserat på realistiskt kundbeteende |
| Bias | Uppblåst till förmån för den rapporterande plattformen | Neutral, knuten till faktiska affärsresultat |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Sann ROAS och AI-driven handel
Framväxten av AI-handelsytor — ChatGPT Shopping, Perplexity Shopping, Google AI Overviews — tillför ytterligare en attributionskurva: köp som påverkats av en AI-assistents produktrekommendation kanske inte bär en ren hänvisningstagg tillbaka till annonsen eller innehållet som ursprungligen skapade medvetenhet, vilket gör det ännu lättare för traditionella annonsplattformar att överdriva sin delaktighet i en försäljning som faktiskt påverkats någon annanstans i kundens forskningsresa. I takt med att fler köpvägar går via AI-mellanhänder snarare än direktannonsklick, riskerar handlare som enbart förlitar sig på plattformsrapporterad ROAS ett ännu större gap mellan vad plattformarna påstår och vad som faktiskt hände.
Detta är precis den beräkning som AmICiteds eshop_get_cac_roas-verktyg är byggt kring: det beräknar CAC och ROAS från annonsutgifter avstämda mot faktiska tillskrivna intäkter istället för att lita på varje plattforms självrapporterade siffror, vilket ger handlare en konsekvent, jämförbar sann ROAS-siffra över kanaler inklusive nyare AI-drivna upptäcktsvägar.
Bästa praxis för att beräkna sann ROAS
- Beräkna alltid sann ROAS från nettointäkter (efter återbetalningar och chargebacks), inte bruttoordervärde vid försäljningstillfället.
- Använd en enda, konsekvent attributionsmodell över alla kanaler när du hanterar tvärplattformsöverlapp, istället för att låta varje plattforms dashboard stå för sig själv.
- Stäm av annonsutgifter och intäkter i samma takt som du fattar budgetbeslut — veckoavstämning är av begränsad nytta om budget omfördelas dagligen baserat på plattforms-dashboards.
- Jämför sann ROAS mot bruttomarginal, inte bara intäkter, eftersom en kanal med hög sann ROAS på lågmarginalprodukter fortfarande kan vara mindre lönsam än en kanal med lägre ROAS som säljer produkter med högre marginal.
- Se över attributionsfönster periodiskt; ett fönster som satts för generöst kommer fortsätta blåsa upp sann ROAS även efter korrigering för plattformars övertillskrivning.
Vanliga misstag med sann ROAS
Ett vanligt misstag är att beräkna sann ROAS en gång och behandla den som en fast multiplikator att tillämpa framöver, när i verkligheten attributionsöverlapp, returfrekvenser och kanalmix alla förändras över tid och kräver löpande omberäkning snarare än en engångskorrigering. Ett annat vanligt problem är att korrigera för tvärkanalsöverlapp men glömma att dra av återbetalningar, vilket fortfarande lämnar en påtagligt uppblåst siffra för alla butiker med en meningsfull returfrekvens. Vissa handlare tillämpar också sann ROAS-korrigeringar inkonsekvent över kanaler — stämmer av Meta noggrant medan de lämnar Googles självrapporterade siffra orörd — vilket ger en jämförelse som ser ut att vara äpplen mot äpplen men inte är det. Slutligen är ett mer subtilt misstag att överkorrigera: att använda ett attributionsfönster så konservativt att det helt berövar en kanal äran för verkliga, senare konverterande kunder, vilket underskattar sann ROAS i motsatt riktning och leder till underinvestering i en kanal som faktiskt presterar bra över en längre övervägandeprocess.