Никита Лисицын CEO CyberBrain

Атрибуция и инкрементальность: различия и применение

Введение

Маркетологам важно понимать, как реклама влияет на продажи. Для этого есть несколько подходов, и в рамках этой статьи мы рассмотрим атрибуцию и инкрементальность. Они похожи по цели (понять вклад каналов), но сильно отличаются по методам и выводам. Если атрибуция распределяет ценность между касаниями клиента, то инкрементальность отвечает на вопрос: а что произошло бы без этой рекламы?

Разобраться в различиях полезно, чтобы не делать ложные выводы и правильно планировать бюджеты.

Атрибуция: распределение ценности между каналами

Что это
Атрибуция — это методика, которая распределяет вклад в конверсию между всеми каналами, с которыми взаимодействовал клиент.

Как работает
Пример: человек увидел баннер, кликнул по рекламе в поиске, потом перешёл по email-рассылке и сделал заказ. Атрибуция нужна, чтобы определить, какой вклад внёс каждый канал. В простых моделях (например, «последний клик») всё решает фиксированное правило, а в продвинутых (data driven, Шепли) распределение строится на данных и учитывает весь путь клиента.

Есть разные модели, например:

Последний клик — вся ценность идёт последнему касанию.
Линейная — вклад делится равномерно.
Data driven (на основе данных) — алгоритм учитывает реальные закономерности в цепочках касаний (подробнее мы писали об этом в глоссарии атрибуции).

Ограничение метода
Атрибуция показывает распределение ценности внутри цепочки. Но она не отвечает на вопрос: увеличились ли продажи именно благодаря рекламе или они случились бы и так.

Инкрементальность: измерение прироста

Что это
Инкрементальность (incrementality) — это подход, который измеряет дополнительный эффект от рекламы. Проще говоря: сколько продаж или заявок появилось только благодаря кампании.

Как работает
Для этого чаще всего используют тесты:

Контрольная группа — пользователи, которым рекламу не показывали.
Экспериментальная группа — пользователи, которые видели рекламу.

Чтобы оценить эффект, сравнивают результаты этих групп.

Если группы одинакового размера, достаточно взять разницу в конверсиях.
Пример: в контрольной группе 100 покупок, в экспериментальной — 130. Кампания дала +30 дополнительных покупок.

Если группы разного размера, правильнее сравнивать не сами покупки, а процент конверсии (CR — долю покупателей от всех пользователей). Например, если в тесте 10 000 пользователей и 130 покупок (CR = 1,3 %), а в контроле 8 000 пользователей и 80 покупок (CR = 1 %), то прирост составит +0,3 процентного пункта или +30 %.

Ограничение метода
Тесты сложнее запускать и дольше ждать результатов. Инкрементальность отвечает на вопрос, нужна ли эта реклама вообще, но не показывает детального вклада каждого канала внутри цепочки.

Сравнение подходов

Характеристика	Атрибуция	Инкрементальность
Даёт ответ	Как распределить ценность между каналами и касаниями?	Что изменилось благодаря рекламе?
Метод	Анализ цепочек касаний (правила или модели на данных: last click, линейная, Шепли и т. д.)	Эксперименты (контроль / тест) или квази-эксперименты (например, синтетический контроль или метод Difference-in-Differences)
Для чего	Оптимизация каналов и кампаний, перераспределение бюджета. Может применяться для оценки роли медийных каналов в пути клиента	Проверка, нужны ли вообще эти кампании или канал; оценка «чистого» прироста продаж
Ограничения	Не показывает, что случилось бы без рекламы (нет понимания «чистого эффекта»). Зависит от качества трекинга и полноты данных (кросс-девайс, offline). Внедрение моделей атрибуции на основе данных (data driven) требует времени и ресурсов.	Требует больших выборок, времени и ресурсов. Дороже и сложнее в проведении, не всегда применим для небольших кампаний или редких событий (например, сделки в B2B).

Как это работает на практике

Атрибуция и инкрементальность отвечают на разные вопросы и работают в связке. Атрибуция показывает, какой вклад внёс каждый канал в цепочки клиента и помогает в ежедневной оптимизации. Инкрементальность проверяет, даёт ли канал или кампания реальный прирост результатов по сравнению со сценарием без рекламы, и служит опорой для стратегических решений.

На практике это так: атрибуция используется ежедневно для распределения бюджета между кампаниями и креативами; инкрементальные тесты запускают реже — для крупных каналов и значимых бюджетов. Результаты тестов помогают калибровать отчёты и правила принятия решений.

Пример

Атрибуционные отчёты показывают, что примерно в 10 % всех заказов на пути клиента встречалась реклама в ВК (как одно из касаний: первое, промежуточное или финальное). Проводится инкрементальный тест с корректной методикой (рандомизация, контроль, достаточная выборка, проверка значимости): часть аудитории видит рекламу, часть — нет. Итог: статистически значимый прирост ≈ 5 %.

В аналитике вводят корректирующий коэффициент для отчётов по каналу ВК (например, 0,5) — чтобы планирование и сводные метрики опирались на подтверждённый прирост, а не только на участие канала в цепочках. Технически это чаще реализуют как «Adjusted ROAS/CPA» или поправочный множитель в дашбордах, без изменения «сырых» логов и атрибуции постфактум.

Регулярность

Квартально — перепроверка крупных медийных каналов (ВК, Кинопоиск, онлайн-кинотеатры, наружная реклама) и обновление коэффициентов/окна атрибуции при необходимости.
Раз в 1–2 месяца — точечные проверки performance-каналов (Яндекс.Директ, РСЯ, таргет в ВК), особенно после заметных изменений в ставках, таргетингах или креативах.
Внепланово — при запуске новых форматов, смене стратегии закупки или в сезонные пики.

Результат

Атрибуция остаётся ежедневным инструментом управления бюджетом и креативами, а её сводные показатели подкреплены каузальными измерениями. Это снижает риск систематически переоценивать/недооценивать роль канала и делает решения по распределению бюджета устойчивее.

Главный принцип: инкрементальность показывает, создаёт ли канал эффект, а атрибуция помогает управлять этим эффектом каждый день.