Атрибуция в маркетинге: единый гайд по моделям, окнам и проверке данных

Атрибуция в маркетинге — это способ распределить ценность конверсии между рекламными касаниями в пути пользователя, который уже зафиксирован в данных. Она помогает понять, какие каналы чаще участвуют в путях и на каких этапах. Внутри гайда — модели атрибуции, окно и его влияние на отчёт, типичные ошибки и понятная логика выбора модели и настроек.

Оглавление

• Что такое атрибуция и зачем она нужна
• Из чего складывается атрибуция
• Виды моделей атрибуции
• Почему разные модели показывают разные цифры
• Окно атрибуции и лаг: что учитывать
• Пути и ассисты: как читать роль канала
• Post-click и post-view: когда кликов недостаточно
• Можно ли распределять бюджет по атрибуции
• Как выбрать модель и настройки
• Типичные ошибки
• FAQ
• Главные мысли

Что такое атрибуция и зачем она нужна

Атрибуция (Attribution) отвечает на практический вопрос: когда конверсия случилась после нескольких касаний, кому и в каких долях засчитать результат внутри наблюдаемого пути.

Важно сразу зафиксировать границу метода. Атрибуция:

• работает только с тем, что записано в системах учёта
• описывает распределение внутри пути, а не причины выбора пользователя
• не показывает автоматически прирост (Incrementality) — для этого нужны отдельные подходы (например, инкрементальные проверки и MMM)

Из чего складывается атрибуция

Чтобы отчёт был интерпретируемым, атрибуция должна опираться на понятные сущности и настройки:

• Конверсия: что считаем результатом (покупка, заявка, звонок и т. п.).
• Касание (Touchpoint): что включаем в путь (канал, кампания, креатив, аудитория).
• Уровень решения: на каком уровне принимаются действия (канал / кампания / креатив).
• Окно атрибуции (Attribution window / Lookback window): сколько времени система помнит и учитывает касания до конверсии.
• Лаг данных: задержка между касанием и конверсией + задержка попадания событий в отчёт.
• Post-click / Post-view: учитываем ли показы без клика (критично для медийки).
• Дедупликация (Deduplication) и идентификатор: как склеиваем пользователя и удаляем дубли событий.

Важно заранее зафиксировать эти правила. Если этого не сделать, разные отчёты будут считаться по разной логике, начнут отвечать на разные вопросы и неизбежно приведут к спорам о том, каким цифрам доверять.

Виды моделей атрибуции

Модели атрибуции (Attribution models) — это разные правила распределения ценности между каналами. Обычно их делят на две большие группы.

Модели на основе правил

• Last Click (Последний клик): всю ценность получает финальное касание.
• First Click (Первый клик): всю ценность получает первое касание.
• Linear (Линейная): ценность делится поровну между всеми касаниями в окне.
• Position-based / U-shaped (По позиции): больше веса первым и последним касаниям, меньше — середине.
• Time Decay (Затухание по времени): ближе к конверсии — больший вес.

Суть правиловых моделей в том, что вклад касаний распределяется по заранее заданной формуле, одинаковой для всех путей и всех пользователей. Модель не анализирует структуру данных и не адаптируется к реальному поведению аудитории — она просто применяет выбранное правило к каждому пути.

Такие модели предсказуемы и понятны в интерпретации, но одновременно могут системно переоценивать одни этапы воронки и недооценивать другие.

Алгоритмические модели

• Цепи Маркова — модель про отключение. Отвечает на вопрос: что будет, если убрать канал из цепочки. Это вероятностная модель, которая работает с уникальными взаимодействиями: 10 раз посчитали — 10 разных результатов получили. Подходит для оптимизации или только медийных, или только performance-каналов.
  
• Атрибуция Шепли — модель про добавление. Отвечает на вопрос: что будет, если канал появится в цепочке. Работает по логике из теории игр: вес делится между всеми участниками в зависимости от реального вклада в результат. Подходит для корректной оценки сразу и медийки, и перформа, потому что учитывает их совместное влияние в пути клиента.

Алгоритмические подходы распределяют вклад с опорой на статистические закономерности в данных.

Подробнее о правиловых и алгоритмических подходах: Гайд по моделям атрибуции — что это и какая подойдёт вашему бизнесу

Почему разные модели атрибуции показывают разные результаты

Разные модели отвечают на разные управленческие вопросы. Поэтому они не обязаны совпадать:

• Last Click выделяет закрывающие касания.
• First Click подсвечивает первое привлечение.
• Linear и Position-based показывают распределение ролей по цепочке.

Отсюда типовая ситуация: ретаргетинг и брендовые касания выглядят более полезными по Last Click, потому что часто стоят ближе к конверсии и закрывают финальный шаг. Это лишь следствие выбранного правила.

Риск начинается тогда, когда эти цифры трактуются как доказательство того, что канал создал спрос. Атрибуция показывает структуру пути, но не доказывает причинность — особенно в случаях, когда канал находится в конце как закрывающий, но до него свою работу выполнили и другие участники цепочки.

Окно атрибуции и лаг: что важно учитывать

Окно атрибуции — период, в котором касания связываются с конверсией. Оно определяет, путь какой длины мы учитываем при распределении конверсий.

Почему короткое окно атрибуции часто вводит в заблуждение

Если пользователь кликнул в понедельник, а купил в пятницу, то в отчёте понедельник → понедельник часть результата просто не появится. Это неучтённый лаг.

Как выбрать окно атрибуции

1. Найти типичный срок до конверсии по данным (хотя бы медиану и верхние квантили).
2. Поставить окно так, чтобы оно покрывало этот срок с запасом.
3. Сравнить отчёты на нескольких окнах (например, 7/14/30/90) и посмотреть, как меняются доли каналов.
4. Интерпретировать сдвиги: если при увеличении окна растёт доля ранних касаний, короткое окно обрезало верх воронки.

Больше полезного по теме: Окно атрибуции и его влияние на оценку каналов

Длинное окно увеличивает видимость ранних касаний — когда это проблема

Длинное окно атрибуции расширяет границу наблюдения. В отчёте становится больше ранних касаний — ассистов, то есть тех касаний, которые были в начале или середине пути и не закрывали конверсию напрямую.

Сам по себе рост ассистов — не ошибка. Это нормальный эффект: система видит более длинный фрагмент реального пути.

Проблема возникает не из-за самого длинного окна, а из-за того, что оно начинает подсвечивать дефекты данных или случайные взаимодействия, которые раньше были просто обрезаны.

1. Растут доли случайных источников

После увеличения окна резко растёт вклад Direct (прямые заходы без источника), Unknown (неопределённые или неразмеченные переходы) и мелких источников, которые раньше не играли заметной роли в пути.

Причина:
В расчёт попали старые, неразмеченные или технические касания, которые раньше были обрезаны коротким окном.

Что делать:
Проверить разметку и группировку каналов, фильтрацию технического трафика и состав Direct / Unknown. Убедиться, что в модель не попадает шум.

2. Пути выглядят неестественно

Маршруты либо подозрительно однотипные, либо содержат повторяющиеся цепочки одних и тех же каналов.

Причина:
Ошибки склейки пользователей, дубли событий или некорректные правила построения путей.

Что делать:
Проверить стабильность идентификатора, дедупликацию конверсий и настройки формирования путей (приоритеты источников, объединение визитов).

3. Картина меняется резко без изменений в маркетинге

При смене окна доли каналов радикально перестраиваются, хотя бюджеты и активность не менялись.

Причина:
Всплыли дефекты данных или изменились правила учёта (конверсия, окно, включение касаний).

Что делать:
Сравнить старое и новое окно по базовым метрикам: число конверсий, пользователей, длину путей и вклад топ-каналов. Проверить, не менялись ли правила учёта и склейки.

Post-click и post-view: когда кликов недостаточно

Post-click учитывает влияние касаний через клики.
Post-view (view-through) учитывает случаи, когда пользователь видел рекламу, не кликнул, но вернулся позже и конвертировался через другие касания.

Без post-view медийная реклама часто выглядит бесполезной, потому что часть её влияния проявляется как отложенный эффект и поддержка других каналов.

Важно заранее определить, правильно ли вы учитываете показы. На эту тему есть пост в TG, который разложит всё по полочкам: Не занижайте ценность показов — аналитика сама всё порешает

Можно ли распределять бюджет по атрибуции

Да, атрибуция — особенно корректно настроенная data driven модель — может и должна использоваться для перераспределения бюджета. Она показывает фактический вклад каналов в структуре путей и помогает выявить недооценённые или переоценённые направления.

Но есть обязательное условие: атрибуция может быть основой для бюджетных решений, только если модель подобрана под конкретный бизнес — с учётом его медиасплита, длины цикла сделки, роли медийки и структуры спроса.

Если модель выбрана формально или не соответствует задаче, перераспределение бюджета будет нерациональным и невыгодным для бизнеса.

Подробно о выборе модели и постановке цели атрибуции — в отдельных материалах:

• Как поставить цель атрибуции и что именно оптимизировать
• На какие вопросы атрибуция отвечает, а на какие нет

Важно другое: веса модели нельзя превращать в прямую формулу бюджет = доля вклада без проверки на практике — то есть без тестового изменения бюджета и оценки, как это реально повлияет на CPA, объём продаж и общий результат.

Почему это так:

• при масштабировании меняется аукцион и средняя цена
• канал может упереться в ограничение аудитории
• рост бюджета увеличивает частоту и снижает предельную эффективность
• часть каналов работает как закрывающие и может перехватывать уже сформированный спрос

Практический вывод:

• атрибуция — это основа для перераспределения бюджета при корректном выборе модели
• изменение бюджета требует тестового перераспределения и оценки результата на горизонте цикла сделки и выбранного окна

Наглядный пример-сценарий с распределением

Сценарий

Путь одного пользователя за 10 дней:

1. День 1: медийный показ (view)
2. День 3: клик по контентному размещению
3. День 7: ретаргет-клик
4. День 10: брендовый поиск → конверсия

Пример: как разные модели распределяют ценность

Модели подсвечивают разные роли (первое касание, участие, финал). Если какие-то модели вам не знакомы, загляните в Гайд по моделям атрибуции — что это и какая подойдёт вашему бизнесу

Как выбрать модель и настройки атрибуции

1. Сначала определите управленческую задачу

Если нужно понимать, какие каналы закрывают сделки, подойдут модели, смещённые к финалу пути, например Last Click. При этом важно отдельно анализировать верх воронки, чтобы не занижать его вклад.

Если задача — увидеть общую картину участия каналов в цепочке, логичны мультиканальные модели вроде Linear или Position-based в сочетании с анализом путей и ассистов.

Если требуется сформировать гипотезы о роли разных касаний в структуре спроса, стоит использовать мультиканальные или data driven модели и обязательно учитывать качество данных и лаг до результата.

2. Зафиксируйте правила учёта до сравнения цифр

Прежде чем анализировать отчёты, нужно согласовать базовые параметры:
что считается конверсией, какое окно используется, учитывается ли лаг, включены ли показы, на каком уровне принимаются решения и как устроена склейка пользователя.

Без этого разные отчёты будут считаться по разной логике и начнут отвечать на разные вопросы.

3. Подбирайте окно атрибуции на основе данных

Окно атрибуции должно соответствовать реальному сроку до конверсии.
Сначала определяют типичную длину цикла сделки, затем ставят окно с запасом и сравнивают несколько вариантов. Если распределение вкладов сильно меняется, это повод проверить данные и логику учёта.

4. Не превращайте веса модели в автоматический план бюджета

Веса атрибуции показывают, как распределился вклад каналов в уже случившихся продажах. Но когда вы меняете бюджет, вы меняете условия размещения: растёт цена, меняется охват, увеличивается частота, появляется конкуренция за ту же аудиторию. Поэтому нельзя просто взять доли из отчёта и пропорционально перераспределить деньги. Сначала бюджет меняют аккуратно, затем смотрят, как это реально повлияло на CPA, объём продаж и общий результат.

5. Отделяйте распределение вклада от оценки прироста

Атрибуция показывает, как распределяется ценность внутри наблюдаемого пути.
Она не отвечает на вопрос, создаёт ли канал дополнительный объём продаж. Если нужен ответ про прирост, применяются отдельные методы — например, инкрементальные тесты или модели маркетингового микса.

Типичные ошибки

1. Не зафиксировали, что такое конверсия (смешали заявки / звонки / оплаты, получили дубли).
   
2. Сравнивают разные отчёты с разными окнами и лагом и делают вывод, что система недостоверна и ошибается.
   
3. Выбрали слишком короткое окно — тем самым обрезали верх воронки, переоценили закрывающие касания.
   
4. Игнорируют post-view и удивляются, почему медийка не работает.
   
5. Плохая склейка и отсутствие единого ID — без единого идентификатора один и тот же пользователь фиксируется как несколько разных, его касания не объединяются в одну цепочку, часть пути теряется или дублируется.
   
6. Считают атрибуцию доказательством прироста и не проверяют через инкрементальные тесты, контрольные группы или другие методы оценки дополнительного эффекта.
   
7. Меняют параметры (модель, окно, фильтры, конверсию) и затем сравнивают отчёты «до» и «после», как будто это сопоставимые данные.

Ответы на вопросы

1. Что такое атрибуция простыми словами?
   Это правило, которое делит ценность конверсии между касаниями пользователя в записанном пути.
   
2. Какая модель атрибуции самая лучшая?
   Та, которая соответствует потребностям вашего бизнеса и особенностям конкретного сплита. Например, если у бизнеса много рекламных кампаний, и среди них есть как performance, так и медийные, то здесь однозначно нужен data driven подход.
   
3. Почему Last Click и другие модели показывают разные результаты?
   Потому что у них разные правила распределения ценности и разные точки фокуса в пути, которым засчитывается вся или большая часть вклада.
   
4. Почему ретаргетинг и бренд почти всегда лучшие по Last Click?
   Потому что часто стоят ближе к конверсии и получают весь вес в моделях, фокус которых смещается к финальным каналам.
   
5. Что такое окно атрибуции?
   Это период, в котором система связывает касания с конверсией (сколько времени она помнит этот путь).
   
6. Как выбрать окно атрибуции: 7/14/30/90?
   Откройте отчёт по путям конверсии или по времени до покупки и посмотрите, сколько дней обычно проходит от первого касания до сделки. Если 80–90% продаж укладываются, например, в 25 дней — ставьте окно 30 дней. Если большая часть сделок происходит в течение недели — достаточно 7–14 дней. После этого сравните два соседних варианта окна и убедитесь, что распределение каналов меняется логично, не скачкообразно.
   
7. Длинное окно делает отчёт правильнее?
   Не всегда. Оно показывает больший отрезок пути, но может сильнее проявлять проблемы склейки и дублей, если у вас не налажена сквозная аналитика.
   
8. Что такое ассисты и зачем они нужны?
   Ассисты — это касания, которые были в пути пользователя до конверсии, но не стали финальными. Например, человек сначала увидел медийную рекламу, потом перешёл по контексту, а купил через брендовый поиск. Медийка и контекст в этом случае — ассисты.
   Ассисты нужны, чтобы видеть роль верхних и средних этапов воронки. Без них в отчёте будут доминировать только закрывающие каналы, а вклад каналов, формирующих интерес и разогревающих спрос, окажется занижен.
   
9. Post-click и post-view — в чём разница?
   Post-click учитывает влияние через клик; post-view — влияние через просмотр без клика (важно для оценки медийной рекламы).
   
10. Почему в разных системах разные цифры по одной и той же рекламе?
    Потому что системы считают по разным правилам. Они могут по-разному определять, что считать конверсией, в какой момент её фиксировать, какое окно использовать, как объединять пользователя между визитами и как удалять дубли. Где-то учитываются показы рекламы, где-то — только клики.
    Чтобы цифры были сопоставимы, нужно выровнять правила учёта: одинаковое определение конверсии, одно окно, единая логика идентификации и дедупликации.
    
11. Что сильнее всего ломает атрибуцию?
    Отсутствие качественной аналитики: дубли конверсий, отсутствие единого идентификатора, разрывы склейки и несогласованные правила учёта.
    
12. Атрибуция доказывает причинность?
    Нет. Она описывает распределение внутри наблюдаемого пути, но не отвечает на вопрос, что было бы без данного канала. Через эффект исключения канала из цепочки работает data driven модель цепей Маркова, однако это оценка внутри текущих данных, а не результат реального отключения канала и уж точно не прогноз поведения рынка при его отключении.

Главные мысли

• Атрибуция в маркетинге распределяет ценность внутри записанного пути и сама по себе, как правило, не доказывает причинность.
• Разные модели показывают разные цифры, потому что это разные правила распределения ценности.
• Критично важно правильно выставить окно атрибуции: если оно слишком короткое, система будет обрезать верх воронки и переоценивать закрывающие касания.
• Ассисты и пути помогают увидеть роль каналов, которые не закрывают конверсию напрямую.
• Без post-view медийная реклама часто выглядит слабее, чем есть на самом деле. Часть её эффекта проявляется не сразу (через клик), а когда человек возвращается и покупает через другой канал.
• Качество данных (ID, дедупликация, правила учёта) — основа всех расчётов: без неё любая модель считает в рамках своей логики, но не то, что вам нужно.