Гайд по моделям атрибуции — что это и какая подойдёт вашему бизнесу

Рассказываем, как с помощью атрибуции бизнес может избежать лишних расходов и кратно улучшить CPA.

Что такое атрибуция

В широком смысле атрибуция — это процесс определения того, какие факторы и в какой степени повлияли на результат. Маркетинговая атрибуция — это способ понять, какие рекламные касания привели к конверсии, продаже или сделке.

Что такое модели атрибуции

Модель атрибуции — это правило или алгоритм, который распределяет ценность результата между рекламными касаниями в пользовательском пути. Проще говоря, модель атрибуции отвечает на вопрос: какой вклад внесли каналы и кампании в конверсию.

Целевым действием может быть:

• покупка
• заявка
• звонок
• регистрация
• квалифицированный лид
• сделка в CRM

Касание — это зафиксированное взаимодействие пользователя с каналом или кампанией. В зависимости от настроек в качестве касаний могут учитываться клики, показы, визиты, события в приложении, звонки, CRM-события.

Ключевая задача атрибуции — зафиксировать результаты кампании, на основе которых можно улучшать маркетинговые показатели.

Базовые модели атрибуции, они же Rule Based или модели на основе правил: одноканальные и многоканальные

Базовые модели распределяют ценность конверсии по заранее заданным правилам. В этом случае неважен ни тип конверсии, ни характер поведения пользователей. Хотя справедливо оценить результаты целевых действий и собрать полную картину о всей цепочке не получится, модели на основе правил позволяют определить ключевой канал, который привёл к конверсии.

1. Одноканальные модели

Одноканальные модели отдают ключевой вес только одному каналу. Если это одноканальная модель по первому клику (First Interaction или First Click), то вся ценность, соответственно, присваивается первому взаимодействию. Если по последнему (Last Interaction или Last Click), то последнему. Это базовые модели, которые по умолчанию доступны практически во всех системах веб-аналитики и рекламных платформах.

Модель первого касания (First Touch)

Вся ценность целевого действия присваивается первому касанию. В каких случаях модель работает эффективно? Когда цель кампании — повышение узнаваемости за счёт охватов. Продажи здесь второстепенны.

В реальных инструментах это, прежде всего, Яндекс.Метрика: Первый переход (используется в отчётах с выбором модели атрибуции).

Когда применять First Touch

• Когда важно определить, какие каналы и кампании формируют первичный спрос и приводят новых пользователей в воронку.
• Когда конверсия редкая или сильно отложенная, и модели последнего касания системно обесценивают источники знакомства с продуктом.
• Когда требуется сравнивать источники входа по качеству дальнейшего движения пользователей по воронке, а не по факту финальной конверсии.

Что важно учитывать

Модель не учитывает последующие шаги пользователя. Она помогает ответить на вопрос, откуда начался путь, но не показывает вклад касаний, которые довели пользователя до конверсии.

Модель последнего касания (Last Touch)

Вся ценность присваивается последнему касанию перед конверсией. В каких случаях модель работает эффективно? Когда цель кампании — быстрый путь пользователя к конверсии. Допустим, продажа сезонных продуктов.

В Яндекс.Метрике это соответствует модели Последний переход и чаще используется как базовая операционная модель для отчётов и быстрого контроля результатов по нижней части воронки.

Когда применять Last Touch

• Когда нужно понять, какие каналы или кампании непосредственно закрывают конверсию в момент принятия решения.
• Когда пользовательский путь короткий и состоит из нескольких касаний.
• Когда фокус анализа и управления находится в нижней части воронки.

Что важно учитывать

При нескольких касаниях модель системно завышает вклад источников, которые оказываются финальным шагом, и занижает вклад каналов, которые работали в цепочке перед этим. Это одна из типовых причин неверных выводов при масштабировании медиамикса.

Модель последнего непрямого клика (Last Non-Direct Click)

Вся ценность целевого действия присваивается последнему непрямому касанию. Прямые взаимодействия пользователя игнорируются и не получают вклад, даже если они были последним шагом перед конверсией. В каких случаях модель работает эффективно? Когда цель кампании — уделить основное внимание платным источникам трафика.

Логика модели основана на предположении, что прямой трафик не является самостоятельным маркетинговым источником, а отражает эффект предыдущих рекламных касаний.

На практике в Яндекс.Метрике ближайший эквивалент — Последний значимый переход: прямые и незначимые источники не получают вклад вообще, тогда как последнее значимое касание получает всю ценность.

Когда применять

Когда необходимо исключить прямые заходы и определить последний измеримый маркетинговый канал перед конверсией. Если точнее, то отсечь долю прямого трафика из-за возвратов пользователей, перехода из закладок и ручного ввода адреса страницы.

Что важно учитывать
Модель переносит весь вклад с прямых визитов на предыдущий рекламный канал, даже если прямое взаимодействие было результатом офлайн-активностей, бренда или CRM-коммуникаций. Это приводит к завышению вклада платных источников и не подходит для анализа брендовых и медийных эффектов.

2. Многоканальные модели

Многоканальные модели распределяют баллы между несколькими каналами в цепочке взаимодействий на базе нескольких алгоритмов. Выделяют три категории: линейные (Linear), с учётом давности взаимодействия (Time Decay) и с привязкой к позиции (U-Shaped Model или Position Based).

Линейная модель (Linear)

Ценность распределяется поровну между всеми касаниями в цепочке. В каких случаях модель работает эффективно? Когда важно узнать не степень влияния каждого канала на конверсию, а то, какие источник в целом приводят к продажам.

Когда применять

Когда цель — понять, какие каналы стабильно участвуют в конверсиях.

Что важно учитывать

Линейная модель уравнивает все касания по весу. Она даёт ровную картину распределения, но не показывает, какие этапы пути были ключевыми.

U-образная модель (U-Shaped)

U-образная модель — это частный случай позиционной атрибуции, когда вклад распределяется в зависимости от позиции касания в пользовательском пути. В данном случае основной вес получают первое и последнее касания. Остальная часть распределяется между промежуточными шагами.

Когда применять позиционные модели

Когда цель кампании — узнать ключевые действия, которые привели к конверсии.

Когда применять U-образную модель

Когда вы хотите определить вход в цепочку и контакт перед конверсией.

Что важно учитывать

U-образная схема использует фиксированные коэффициенты. Часто применяют распределение 40% на первое касание, 40% на последнее, 20% на остальные касания. Это ограничивает применимость в задачах оптимизации, где реальный вклад касаний может существенно отличаться от заранее заданных долей.

Модель убывающего веса (Time Decay)

Чем ближе касание к конверсии, тем больше его вес. Чем дальше касание от конверсии, тем вес меньше.

Когда применять

Когда кампания работает в рамках длинного цикла сделки.

Что важно учитывать

Модель смещает оценку в сторону касаний, расположенных ближе к конверсии, и снижает вклад каналов, формирующих спрос на ранних этапах воронки.

Data Driven модели атрибуции, они же алгоритмические

Data Driven атрибуция — это класс подходов, в которых вклад касаний рассчитывается на основе данных о пользовательских путях. В отличие от базовых моделей с фиксированными правилами, здесь распределение ценности формируется из наблюдаемой статистики переходов и конверсий.

Общая логика таких подходов сводится к сравнению путей, в которых касание присутствует, с путями, где его нет. Далее оценивается, как наличие или отсутствие шага влияет на вероятность целевого действия. Подробно об этом рассказано в материале Data Driven атрибуция: что это и как работает.

Из особенностей стоит отметить техническую сложность внедрения Data Driven атрибуции, а также то, что она чувствительна к объёму и полноте событий — это обязательные компоненты для её полноценной работы.

Модель Маркова (Цепи Маркова)

Модель Маркова для оценки вклада использует эффект удаления. Рассчитывается, как меняется вероятность конверсии, если исключить конкретный канал из всех путей. Разница между исходной вероятностью и вероятностью после удаления интерпретируется как вклад канала.

Когда применять

• При работе или только с медийными, или только с performance-каналами.
• Когда вы только начинаете внедрять Data Driven атрибуцию и хотите быстро проверить подход с минимальными ресурсами. Марков не требует сложной инфраструктуры, достаточно SQL и R или Python.

Что важно учитывать

• Марков учитывает каждое повторное взаимодействие как отдельное касание: 20 показов = 20 переходов с собственным весом.

• Из-за того что многократные показы внутри одного канала суммируются как самостоятельные переходы, получается переспам по показам в мультиканальном сплите.

• Таким образом, модель склонна завышать вклад каналов, которые часто повторяются или стоят в начале цепочки (например, медийки, формирующей знакомство с брендом), и на практике корректно работает только при оптимизации либо чисто медийных, либо чисто performance-кампаний.

Атрибуция Шепли (Значение Шепли)

Значение Шепли пришло из теории кооперативных игр. В контексте атрибуции каждый канал рассматривается как участник общей системы, а конверсия — как совместный результат. Вклад канала рассчитывается как средний прирост результата при добавлении этого канала ко всем возможным комбинациям других источников. Подробные расчёты и формула приведены на странице нашего продукта Shapley Attribution.

Когда применять

• При работе с масштабными кампаниями, где много охватных каналов и медийных инструментов.
• Когда нужна справедливая оценка вклада каждого инструмента без потери точности из-за влияния частоты.

Что важно учитывать

• При увеличении числа источников существенно растут требования к вычислительным ресурсам и времени расчёта.
• Для корректной работы модели необходимы предварительная группировка каналов и строгое соблюдение правил подготовки данных, что требует участия опытных аналитиков.

Подробнее о различиях двух моделей атрибуции на основе данных мы писали вы статье Data Driven атрибуция: сравнение моделей Шепли и Маркова.

Почему CyberBrain использует атрибуцию Шепли

Проблема

Основная проблема стандартных моделей в том, что они распределяют ценность конверсии по заранее заданным правилам. Из-за этого часть пути пользователя либо полностью выпадает из расчёта, либо учитывается формально. В результате модель может не учесть касания, которые не стали решающими для конверсии, но всё равно внесли вклад в итог кампании. И наоборот, модель может переоценить те взаимодействия, которые формально подходят под её правила, но на практике слабо влияют на результат и не приближают пользователя к конверсии.

Решение

Более точный подход — оценивать касания не по правилам, а по фактическому вкладу каждого взаимодействия в итоговый результат. Именно это делает модель Шепли: она формирует более полную картину пользовательского пути и учитывает вклад всех источников трафика.

На практике мы собираем касания пользователя с рекламой по cookies, объединяем их в цепочку по client-id веб-счётчика и затем отдельно оцениваем вклад каждого взаимодействия. Это нужно, чтобы выявлять действительно эффективные связки каналов и справедливо оценивать вклад каждого шага в пути пользователя. Дальше такие данные помогают маркетологам эффективно перераспределять бюджет между источниками.

Сегодня модель Шепли особенно полезна, когда у клиента много разнородных каналов продвижения: performance, медийные и другие.

Сравнение моделей атрибуции: плюсы и минусы

Ошибки и заблуждения

Ошибка 1. Полагаться только на одну модель атрибуции

Возьмём для примера модель последнего касания. Она даёт приемлемые результаты только при коротком цикле сделки в performance-кампаниях. Во всех остальных случаях Last Touch переоценивает финальные шаги и занижает вклад остальных касаний. Но это лишь частный пример.

У каждой модели атрибуции есть собственные условия применимости, заложенные в её логику. Использование одной модели как универсального инструмента неизбежно приводит к ошибочным выводам и неверным управленческим решениям.

Выбор модели атрибуции должен опираться на конкретную задачу и условия данных: в простых сценариях достаточно одной модели, а в сложных мультиканальных воронках требуется более гибкий data driven подход.

Ошибка 2. Смешивать результаты разных моделей в одном решении

Правильный подход состоит в том, чтобы использовать разные модели как разные проекции и сравнивать их выводы. Результаты нельзя складывать или усреднять.

Ошибка 3. Игнорировать дотекание конверсий

Если оптимизация делается раньше, чем часть конверсий успела дотечь, отчётность начинает штрафовать каналы с длинным эффектом. Для медийных размещений это частая причина преждевременного отключения.

Другие ошибки

Смотрите в статье Распространённые ошибки в маркетинговой атрибуции и как их избежать — и никогда не допускайте!

Быстрые ответы на вопросы об атрибуции

Какая модель атрибуции самая правильная

Правильная модель определяется задачей и ограничениями данных. Для простых воронок подходят базовые модели на основе правил. Для анализа мультиканальных путей и распределения вклада в сложном медиамиксе используются data driven модели, если есть достаточный объём данных и сквозная идентификация. Важно заранее зафиксировать, какие решения будут приниматься по результатам и какие риски искажений допустимы.

В итоге правильная модель атрибуции — та, которая помогает бизнесу принимать оптимальные решения по распределению бюджета между маркетинговыми каналами.

Сколько данных нужно для Data Driven атрибуции

Требования зависят от числа каналов, длины цепочек и выбранной методики расчёта. Ориентиром служат десятки тысяч конверсий в год или сотни тысяч событий при условии корректной склейки путей. Если данных меньше, разумнее начинать с правиловых моделей и запускать Data Driven как отдельный проект после накопления статистики.

Что показывает значение Шепли

Значение Шепли показывает, какой вклад каждый канал вносит в итоговый результат с учётом его совместной работы с другими источниками. Модель распределяет вклад между каналами как средний маржинальный эффект канала во всех комбинациях источников. Это позволяет учитывать совместную работу каналов, когда результат достигается не отдельным касанием, а сочетанием нескольких источников. Метод полезен для анализа мультиканальных связок, но требует тщательной подготовки данных и грамотных аналитиков в команде.

Можно ли объединить web и app в одной модели

Да, если бизнес строит единые пользовательские пути. Для этого требуется полная сквозная аналитика и единые правила формирования цепочек касаний. Если web и app считаются раздельно, часть пути оказывается невидимой, и модель распределяет вклад только внутри доступного фрагмента. Это приводит к смещению вкладов и ошибочным выводам о роли каналов.

Подробнее о том, как мы решаем проблему объединения web и app, в материалах про Stable ID:

1. Stable ID как перспективный ответ на вызов cookieless-эпохи
2. Как реализуется технология Stable ID на стороне операторов связи
3. Мобильная data driven атрибуция: как оценить эффективность мобильной рекламы Web + App
4. Кейс «БКС Мир инвестиций»: Stable ID для медийной аналитики и оптимизация CPA на 21%

Нужна ли атрибуция малому бизнесу

Нужна в том объёме, который соответствует сложности маркетинга. Если каналов мало и цепочки короткие, достаточно простой модели для отчётности и контроля. Сложные модели оправданы, когда медиамикс становится многоканальным, стоимость ошибок в перераспределении бюджета растёт, а данных достаточно для устойчивых выводов. В противном случае эффективнее вложиться в качество трекинга, разметки и базовой аналитики.

Можно ли использовать атрибуцию как доказательство эффективности медийки

Можно, если методология учёта медийных касаний определена заранее. Для этого нужны правила учёта показов, post-view конверсий, окно атрибуции и контроль дотекания конверсий. Атрибуция показывает распределение результата по путям, поэтому она помогает объяснить роль медийных касаний в цепочке. При этом она не отвечает на вопрос, насколько медийка увеличила общий спрос без сравнения с контрольными методами и экспериментами.

Что такое окно атрибуции и зачем оно нужно

Окно атрибуции определяет период, в течение которого конверсия считается связанной с рекламным касанием. Оно нужно, чтобы учитывать отложенный эффект рекламы, когда пользователь взаимодействует с кампанией в один момент, а решение принимает позже.

Как окно атрибуции влияет на отчётность

Если окно атрибуции слишком короткое или оптимизация начинается до того, как окно отработало полностью, часть конверсий не связывается с рекламой и выпадает из отчётности. Это особенно критично для медийных размещений и сценариев с длинным циклом сделки, где задержка между касанием и конверсией является нормой.

Глоссарий

Атрибуция
Метод распределения ценности целевого действия между маркетинговыми касаниями в пользовательском пути.

Касание
Зафиксированное взаимодействие пользователя с каналом или кампанией, например показ, клик, визит, событие в приложении, звонок, CRM-событие.

Окно атрибуции
Период, в пределах которого касания учитываются при распределении конверсии.

Post View
Конверсия, засчитанная после показа рекламы без клика в рамках окна атрибуции.

Post Click
Конверсия, засчитанная после клика по рекламе в рамках окна атрибуции.

First Touch
Модель, где 100% вклада присваивается первому касанию в цепочке.

Last Touch
Модель, где 100% вклада присваивается последнему касанию перед конверсией.

Linear
Модель, где вклад делится поровну между всеми касаниями в цепочке.

Position Based
Position Based — класс моделей атрибуции, в которых вклад распределяется между касаниями в пользовательском пути по заранее заданным позициям, обычно с повышенным весом для первого и последнего взаимодействия и меньшим вкладом промежуточных шагов. Самые частые разновидности: U-Shaped и W-Shaped.

U-Shaped
Модель с заранее заданными долями по позициям касаний, распространённая схема: 40% на первое, 40% на последнее, 20% на остальные.

W-Shaped

Модель с заранее заданными долями по позициям касаний, распространённая схема: основной вес распределяется между первым касанием, ключевым этапом в середине пути и последним касанием, например 30% + 30% + 30%, оставшиеся 10% — на остальные шаги

Time Decay
Модель, где вес касания тем выше, чем ближе оно к моменту конверсии.

Data Driven атрибуция
Класс подходов, где веса касаний рассчитываются на данных о путях пользователей, а не задаются фиксированными правилами.

Модель Маркова
Data driven подход, где пользовательские пути описываются переходами между каналами, а вклад оценивается через изменение вероятности конверсии при исключении канала.

Значение Шепли
Метод распределения вклада, где вклад канала равен среднему маржинальному эффекту во всех комбинациях источников.

Заключение

Модели атрибуции помогают разложить итоговый результат по каналам и понять, какую роль каждый из них играет в медиамиксе. Для простых performance-воронок подходят базовые модели на основе правил, а вот сложная мультиканальная реклама уже требует Data Driven подхода.

Мы используем модель Шепли — №1 Data Driven модель атрибуции среди топ-100 рекламодателей РФ, которая принесла 2 млрд выручки нашему клиенту ГК ФСК. О том, как мы как мы внедрили post-view аналитику и атрибуцию Шепли, читайте в кейсе ГК ФСК: как вывести медийную рекламу из серой зоны маркетинга.

Если нужно готовое решение по сквозной аналитике и умной атрибуции, обращайтесь: hello@cybrain.io

Наш Telegram — подписывайтесь, там тоже полезно: t.me/cyberbrainio