Как атрибуция дополняет моделирование маркетингового микса

На что опираться в первую очередь? На атрибуцию, которая показывает путь отдельного пользователя к покупке, или на моделирование маркетингового микса (MMM), которое оценивает общий вклад каналов и факторов в продажи? На практике эффективнее всего сочетать оба подхода. Атрибуция помогает принимать решения на уровне кампаний и креативов, а MMM — управлять бюджетами и планировать стратегию каналов с учётом сезонности и внешних факторов.

Два уровня измерения: что считает атрибуция, а что — MMM

Атрибуция multi-touch

Что это. Метод, который распределяет вклад в конверсию между всеми касаниями пользователя — от первого контакта до покупки. В отличие от моделей, засчитывающих результат одному источнику (например, последний клик), multi-touch позволяет учесть всю цепочку взаимодействий и показать, как разные каналы совместно влияют на решение. По сути, это правила или алгоритмы распределения, которые определяют, какие источники повлияли на результат и в какой степени.

Где полезна. MTA помогает понять, какие каналы и связки действительно работают на уровне кампаний. Она позволяет управлять ставками и аудиториями, корректировать креативы, находить слабые звенья в воронке и справедливо распределять бюджеты между источниками.

Ключевые элементы

• Распределение вклада. Модель делит ценность конверсии между несколькими касаниями (например, равномерно, с временным распадом или алгоритмически на основе статистики).

• Учёт последовательности. Можно анализировать, какие каналы чаще выступают в роли триггера, а какие доводят пользователя до покупки.

Ограничения

• Кросс-девайсные пробелы. Один и тот же человек может увидеть рекламу на телефоне, а оформить заказ с ноутбука. Если у аналитической системы (например, веб-аналитики, мобильного трекера или CRM) нет сквозного идентификатора, она воспримет это как действия двух разных пользователей. В результате цепочка обрывается, и часть касаний распределяется некорректно.

• Блокировки и приватность. Современные платформы ограничивают отслеживание: в iOS действует политика App Tracking Transparency (ATT), из-за которой часто недоступен идентификатор IDFA; браузеры вроде Safari и Firefox блокируют сторонние cookie и сокращают срок их жизни; в Chrome Google не отключает сторонние cookie полностью, переходя к механизму Privacy Sandbox и режимам совместимости. Всё это приводит к тому, что часть взаимодействий остаётся невидимой для модели.

• Качество и полнота данных. Multi-touch опирается на точность логов, которые собирают рекламные платформы, системы аналитики и CRM. Если параметры передаются с ошибками или разные системы по-разному маркируют каналы, модель будет распределять вклад неверно.

• Отложенный эффект. Multi-touch учитывает несколько касаний в рамках заданного окна атрибуции (например, 30, 90 или 180 дней). Технически окно можно увеличить, но влияние кампаний на очень длинном горизонте (месяцы и годы) всё равно фиксируется плохо: часть эффекта теряется или смешивается с другими факторами. Из-за этого долгосрочные имиджевые активности часто оказываются недооценёнными.

• Сложность внедрения. Для работы MTA нужны собранные и связные данные о путях пользователей. Чем больше каналов и устройств, тем выше требования к инфраструктуре (логам, идентификаторам, сквозной аналитике).

Примечание для рынка РФ

В экосистеме Яндекса «из коробки» доступны только модели атрибуции на базе правил (single-touch): Первый переход, Последний переход, Последний значимый переход, Последний переход из Директа. В Яндекс.Директе есть также Автоматическая атрибуция на алгоритмах машинного обучения. Все эти варианты засчитывают конверсию одному источнику. Классическая multi-touch атрибуция (MTA) работает иначе — она распределяет вклад между всеми касаниями в пути пользователя. В Яндексе такой модели по умолчанию нет; если бизнесу нужна именно MTA, её строят самостоятельно на основе логов.

Моделирование маркетингового микса (MMM)

Что это. Моделирование маркетингового микса (MMM) — это метод статистического анализа, который связывает расходы на рекламу и другие маркетинговые активности с итоговыми продажами. Берутся данные в разрезе недель или месяцев: сколько вложили в разные каналы, какие были цены, акции, сезонные колебания. На этой основе строится модель, которая показывает, как именно менялись продажи, когда менялись вложения и внешние условия.

Где полезна. MMM помогает отвечать на стратегические вопросы. Сколько стоит добавить бюджета в телевизор или онлайн-видео? Какую отдачу даёт наружная реклама в сочетании с digital? Какие каналы поддерживают продажи в низкий сезон? Такой подход не расскажет, какое объявление принесло заказ сегодня, но позволит понять, какие каналы формируют вклад в бизнес на горизонте квартала или года.

Ключевые элементы

• Adstock (отложенный эффект). Реклама продолжает влиять на продажи и после завершения кампании; модель учитывает затухание эффекта во времени.

• Diminishing returns (убывающая отдача). При росте вложений эффективность канала растёт не линейно: каждая дополнительная единица бюджета даёт всё меньше результата.

• Сезонность и внешние факторы. Праздники, погода, акции конкурентов могут усиливать или снижать эффект рекламы, и модель должна учитывать эти переменные.

Ограничения

• Требуется длительная и разнообразная история данных (обычно 2–3 года), чтобы модель могла увидеть закономерности.

• MMM работает на агрегированных показателях, поэтому не даёт деталей по креативам и отдельным кампаниям.

• Модель чувствительна к качеству данных. Когда два канала почти всегда работают вместе и показывают схожую динамику (например, ТВ и онлайн-видео запускаются параллельно), модель не может точно определить, какой из них повлиял на продажи. В результате часть эффекта приписывается одному каналу за счёт другого. Чтобы избежать искажений, нужны периоды, когда каналы тестируются по отдельности.

• Нужна регулярная перекалибровка: новые кампании и изменения рынка быстро делают старые модели неточными.

Кратко: различия атрибуции и моделирования маркетингового микса

Атрибуция показывает путь отдельного пользователя к покупке и помогает принимать решения внутри кампаний здесь и сейчас. MMM, напротив, оценивает вклад каналов в продажи с учётом сезонности и внешних факторов и используется для стратегического распределения бюджетов на горизонте квартала или года.

Как два метода дополняют друг друга: пример на реальных данных

Атрибуция показывает, что наибольшее количество конверсий приносят перформанс-каналы. При этом брендовые поисковые запросы и e-mail-рассылки чаще всего оказываются последними шагами в цепочке перед покупкой.

Моделирование маркетингового микса даёт другую перспективу: медийные каналы, которые работают на охват, тоже заметно влияют на продажи, но их эффект проявляется не сразу, а через одну-три недели. При стабильной частоте показов отдача от таких каналов растёт, но после определённого уровня вложений наступает насыщение, и прирост продаж становится меньше. Если не учитывать этот эффект, вклад охватных кампаний может оказаться заниженным.

Как объединить выводы

• для перформанс-каналов сохраняем приоритетное внимание и оперативное управление на основе атрибуции;

• медийные бюджеты распределяем в квартальном планировании, опираясь на расчёты MMM с учётом задержки эффекта и порога насыщения;

• проверяем полученные выводы с помощью тестов инкрементальности, например отключая канал в части регионов и сравнивая результаты;

• повторяем такой цикл анализа и корректировки ежемесячно.

Как связать атрибуцию и MMM на практике: чек-лист для внедрения (РФ/СНГ)

1. Единый сбор данных
Сначала нужно собрать все источники в одну систему: расходы и результаты из VK Ads, MyTarget, Яндекс.Директа и Метрики, AppMetrica, CRM и фактические продажи. Данные приводятся к общему формату: одинаковая разметка UTM-меток, сквозные идентификаторы (user/client ID), единый справочник каналов (бренд/небренд, медиа/перформанс). Это база, без которой модели будут давать искажённые результаты.

2. Атрибуция — быстрые ответы на уровне кампаний
Для оперативной диагностики используем готовые модели на базе правил в Метрике и Директе. Если важно видеть весь путь клиента, строим собственную multi-touch модель: учитываем клики и показы, задаём окна атрибуции (30, 90 или 180 дней), соединяем данные по разным устройствам через идентификаторы.
Примечание: в AppMetrica по умолчанию используется last click; если его нет, учитывается последний показ. Для показов окно — 24 часа, для кликов (Install Referrer) — 10 дней, но в некоторых источниках эти параметры можно менять.

3. MMM — стратегический взгляд на уровне каналов
MMM строится на недельных данных минимум за 2 года. Модель показывает, как изменяются продажи при изменениях бюджетов и внешних факторов.
Обязательно учитываются:

• Отложенный эффект (adstock): реклама продолжает работать некоторое время после показа.

• Убывающая отдача (diminishing returns): каждый следующий рубль в канал даёт меньший прирост, чем предыдущий.

• Сезонность и промо: праздники, акции, распродажи.

• Цены и макрофакторы: изменение цены товара или внешняя экономическая ситуация.

4. Когда каналы сложно разделить (проблема коллинеарности)
Если два канала всегда запускаются вместе и показывают одинаковую динамику (например, ТВ и онлайн-видео), модель не сможет понять, какой из них реально влияет на продажи. В таком случае часть эффекта «перекидывается» между ними, и оценки искажаются. Чтобы избежать этого, используют раздельные периоды активности (например, тестировать ТВ отдельно от видео) или объединяют такие каналы в один блок для анализа.

5. Сведение выводов
Сравниваем результаты: вклад каналов по атрибуции и ROI/эластичности по MMM. Если расхождения велики, это сигнал проверить настройки окон, склейку кросс-девайс, качество данных — или провести отдельный эксперимент.

6. Эксперименты (инкрементальность)
Чтобы подтвердить выводы моделей, проводят тесты по принципу «контроль/тест»: у части аудитории канал уменьшают или отключают, у другой — оставляют. Разница показывает реальный вклад канала.

Сроки:

• Перформанс-каналы — 2–4 недели.

• Видео и медийка — плюс пост-окно 1–2 недели для отложенных конверсий.

• Geo-lift — 4–6 недель и дольше при небольших объёмах.

Эксперименты нужны, чтобы проверить модели: атрибуция часто завышает кликовые каналы, MMM — занижает долгосрочные охватные.

7. Пересмотр бюджета
Каждые 4–8 недель обновляем данные, пересчитываем модели и уточняем план бюджета и очередь экспериментов.

8. Минимальные требования к данным

• История для MMM — не менее 104–156 недель (2–3 года). Для месячной агрегации — 4–5 лет.

• Для «всегда включённых» каналов (например, брендовый поиск) нужны отдельные тесты или периоды, иначе их влияние сложно оценить.

9. Терминология и унификация платформ
VK Ads объединяет часть функций myTarget, поэтому в проектах встречаются оба названия. Важно привести их к единому справочнику каналов. В Яндекс.Метрике и Директе внимательно следим за согласованностью отчётов по показам и кликам и за корректностью UTM-разметки.

Часто задаваемые вопросы

В: В чём основное отличие между атрибуцией и MMM?
О: Атрибуция показывает, как пользователи проходят путь к конверсии через разные касания. MMM оценивает, как каналы и факторы (сезонность, бюджеты) влияют на продажи на агрегированном уровне.

В: Может ли атрибуция заменить MMM и наоборот?
О: Нет. Атрибуция даёт детализацию на уровне путей и кампаний, но не учитывает внешние факторы и накопительный эффект. MMM работает с агрегированными данными, но не показывает, что делать с конкретным креативом или кампанией. Вместе они дают полную картину.

В: Почему нельзя просто поставить большое окно атрибуции, например год?
О: Технически это возможно, но с ростом окна увеличивается вероятность искажения данных: эффекты разных кампаний смешиваются, становится трудно отделить реальный вклад отдельных каналов.

В: Почему в MMM вклад каналов иногда распределяется неправильно?
О: Когда два канала всегда запускаются вместе и повторяют динамику друг друга, модель не может точно разделить их влияние. В таких случаях часть эффекта приписывается одному каналу за счёт другого. Чтобы избежать этого, нужны периоды раздельного тестирования.

В: Можно ли начинать с простых правил атрибуции, а потом перейти к MTA и MMM?
О: Да. Обычно начинают с моделей на базе правил для оперативного анализа, а параллельно собирают данные и переходят к multi-touch и MMM, когда появляется достаточный объём истории.

В: Какие источники данных стоит подключить в первую очередь?
О: Рекламные системы (VK Ads, MyTarget, Яндекс.Директ), аналитика (Яндекс.Метрика, AppMetrica), CRM и данные о продажах. Важно привести всё к единому стандарту: настроить UTM-метки, идентификаторы и справочники каналов.

Заключение

Атрибуция и MMM закрывают разные уровни одного и того же вопроса: как маркетинг влияет на продажи. Атрибуция помогает выигрывать каждый день на уровне кампаний и креативов. MMM помогает выигрывать квартал — на уровне каналов и портфеля инвестиций. Связав их через единый сбор данных и регулярные эксперименты, вы получите управляемую систему, которая объясняет прошлое, корректно измеряет настоящее и уверенно планирует будущее.

Для российского рынка оптимальный путь такой: локальные источники данных → атрибуция на базе правил в Метрике/Директе + (по необходимости) собственная MTA → MMM с adstock и насыщением → план экспериментов → итерации каждые 4–8 недель. Это реалистично, прозрачно и окупается быстрее, чем попытка угадать единственно верную модель.

Глоссарий

Атрибуция (multi-touch). Распределяет вклад в конверсию между касаниями. Как работает: анализирует цепочки визитов и показов и применяет правила или алгоритм распределения. Пример: Яндекс.Директ → VK Ads → e-mail — вклад делится между всеми тремя (в MTA) или засчитывается по выбранному правилу (в Метрике/Директе).

MMM (marketing mix modeling). Оценивает влияние каналов и факторов на продажи на агрегированном уровне. Как работает: регрессия с учётом adstock, убывающей отдачи и сезонности. Пример: рост инвестиций в видео сегодня частично влияет на продажи через 1–3 недели.

Adstock / отложенный эффект. Накопление и затухание влияния рекламы во времени. Пример: эффект ТВ или видео держится после окончания кампании.

Насыщение (diminishing returns). Убывающая отдача при росте инвестиций сверх порога. Пример: удвоение бюджета даёт меньше чем двукратный прирост.

Инкрементальность. Приращение результата благодаря рекламе по сравнению с контролем. Как работает: тест/контроль по регионам или сегментам. Пример: отключили канал в 10 % аудиторий — сравнили с остальными.

Модели атрибуции в Метрике/Директе. Первый переход, Последний переход, Последний значимый переход, Последний переход из Директа, Автоматическая и отчёты по показам; кросс-девайс доступен в ряде сценариев.