Глоссарий атрибуции: простые объяснения ключевых терминов
Маркетинговая атрибуция — это система понятий, которые помогают честно оценить вклад разных каналов в продажи.
Атрибуция
Что это: способ понять, какой вклад в конверсию внёс каждый маркетинговый канал.
Как работает: атрибуция рассматривает путь клиента в разрезе касаний (реклама, письмо, переход по брендовому запросу) и распределяет между ними заслугу за результат.
Пример: человек увидел баннер, потом подписался на рассылку, а затем купил через поиск. В зависимости от выбранной модели атрибуции баннер — или любой другой канал в цепочке — может выглядеть как главный драйвер продаж или, наиборот, как наименее ценный участник.
Модель атрибуции
Что это: правило, по которому система делит ценность между точками контакта. Если атрибуция — это способ оценки эффективности каналов, то модель атрибуции — это оптика, через которую маркетолог смотрит на данные и делает выводы.
Как работает: разные модели по-разному оценивают путь — одни засчитывают только последнее касание, другие распределяют вес по всей цепочке.
Пример: если в цепочке «баннер → статья → поиск → покупка» работает модель «последнего касания», вся заслуга уйдёт поиску.
Окно атрибуции
Что это: период, в течение которого учитываются касания перед конверсией.
Как работает: если окно задано в 30 дней, клики старше этого срока не попадут в расчёт.
Пример: человек кликнул по рекламе 40 дней назад, а покупку сделал сегодня. При 30-дневном окне это касание не учтётся.
Модели одного касания (Single-Touch)
Последнее касание (Last Click)
Что это: конверсия полностью приписывается последнему источнику.
Как работает: всё, что было раньше, система игнорирует.
Пример: клиент увидел баннер и подписался на рассылку, но купил после клика из поиска. Вся заслуга у поиска.
Первое касание (First Click)
Что это: конверсия засчитывается каналу, который первым привёл клиента.
Как работает: считается, что именно первый контакт «зажёг» интерес.
Пример: пользователь впервые узнал о бренде из баннера. Дальше он возвращался через рассылку и поиск, но при модели First Click вся заслуга останется у баннера.
Мультиканальная атрибуция (Multi-Touch Attribution, MTA)
Линейная модель
Что это: ценность делится поровну между всеми касаниями.
Как работает: система берёт все точки и даёт каждой равную долю.
Пример: путь «баннер → рассылка → поиск» даёт по 33 % каждому источнику.
U-образная модель
Что это: больший вес получают первое и последнее касания, остальные делят остаток.
Как работает: часто используется схема 40 % + 40 % + 20 % на промежуточные.
Пример: «баннер → статья → поиск → покупка» даст 40 % баннеру, 40 % поиску, 20 % статье.
W-образная модель
Что это: повышенные веса у трёх ключевых точек: первого контакта, лидогенерации и последнего касания.
Как работает: обычно это 30 % + 30 % + 30 %, а оставшиеся 10 % распределяются на промежуточные шаги.
Пример: «баннер (первый) → квиз (лид) → поиск (последний) → покупка» — именно эти три точки получают почти весь вес.
Модель убывающего веса (Time Decay)
Что это: чем ближе касание к покупке, тем больший вес оно получает.
Как работает: считается, что свежие контакты сильнее влияют на решение.
Пример: если первый баннер был месяц назад, а поисковая реклама вчера, то поисковая реклама получит больше веса.
Data-Driven модель
Что это: модель атрибуции, в которой распределение ценности строится не по заранее заданным правилам, а на основе реальных данных о поведении пользователей.
Как работает: алгоритм анализирует тысячи цепочек конверсий и смотрит, как изменяется вероятность покупки, если то или иное касание присутствует или отсутствует. Таким образом рассчитывается вклад каждого канала в успех.
Пример: система сравнивает две ситуации: пользователи проходят путь «баннер → поиск → покупка» и «поиск → покупка» без баннера. Если вероятность конверсии заметно выше в первом случае, модель присваивает баннеру значимый вес. Если же наличие баннера почти не меняет результат, его вклад будет минимальным.
Продвинутые подходы
Маркетинговое микс-моделирование (MMM)
Что это: статистический метод, который оценивает, сколько продаж приносит каждый канал маркетинга, если смотреть на агрегированные данные за длительный период.
Как работает: для анализа берут исторические данные по выручке и расходам на рекламу. Чем больше данных, тем надёжнее результат:
-
если данные помесячные, нужно 4–5 лет, чтобы хватило наблюдений;
-
если понедельные, достаточно 2–3 лет;
-
при выраженной сезонности (например, продажи сильно скачут в Новый год или в «чёрную пятницу») период удлиняют, чтобы модель захватила несколько повторяющихся циклов и не перепутала эффект рекламы с сезонным всплеском.
Пример: ритейлер выгрузил данные за 3 года: расходы в Яндекс.Директе, наружке и VK Ads плюс общую выручку. Модель показала, что 20 % роста объясняют контекстные кампании, 10 % — наружка, а 8 % — реклама в соцсетях. Это помогает решить, куда направить бюджеты в следующем квартале.
Инкрементальность
Что это: показатель того, сколько дополнительных продаж или заявок принесла реклама.
Как работает: сравнивают две группы пользователей: одна видит рекламу, другая — нет. Разница между ними и есть реальный вклад кампании.
Пример: без рекламы покупают 100 человек из 2000, а с рекламой — 140 из 2000. Инкрементальность = +40 покупателей. То есть именно эта часть результата появилась благодаря рекламе, а не сама по себе.
Предельная эффективность (Marginal Efficiency)
Что это: показатель, который помогает понять, сколько дополнительных заявок или продаж даёт каждая новая единица бюджета.
Как работает: если увеличение вложений даёт такой же или больший результат, значит канал ещё не исчерпан. Если же прирост замедляется, то дальше вкладывать невыгодно.
Пример: вы добавили 10 000 ₽ к бюджету и получили плюс 50 заявок — это хороший результат. Но когда ещё +10 000 ₽ принесли всего 2 заявки, становится ясно: канал выжат, и деньги лучше перенаправить в другое место.
Гало-эффект (Halo Effect)
Что это: скрытое влияние имиджевых или брендовых кампаний на эффективность других каналов.
Как работает: реклама «верхнего уровня» (наружка, спонсорство, медийка) повышает узнаваемость бренда. Это не всегда видно напрямую в отчётах, но позже отражается в других каналах — например, в росте брендового поиска или CTR контекстной рекламы.
Пример: компания запускает имиджевую наружную кампанию в Москве. Прямых покупок от неё нет, но через месяц резко увеличивается число запросов бренда в Яндексе и падает стоимость клика в Директе. Это и есть проявление гало-эффекта.
