Модели атрибуции Шепли и Маркова: чем отличаются, когда и какую использовать

Data driven атрибуция (на основе данных) нужна в тех случаях, когда бизнесу уже недостаточно простых правил вроде last touch (последнее касание) или linear (линейное распределение). Когда в воронке много касаний, каналы работают вместе, а ошибка в оценке вклада приводит к неверному распределению бюджета, приходится переходить к моделям, которые считают вклад на основе реальных путей пользователей.

В этой статье разбираем только два подхода: модель Маркова и атрибуцию Шепли. Это частный материал внутри большой темы атрибуции. Если вам нужен общий разбор того, что такое атрибуция, какие бывают модели, что такое окно атрибуции и как выбрать подход под задачу, сначала откройте главный гайд по атрибуции.

Что такое data driven атрибуция

Data driven атрибуция – это подход, в котором ценность касаний распределяется не по заранее заданному правилу, а на основе фактических данных о путях пользователей. Иначе говоря, модель не получает готовый ответ в духе «первое касание всегда важнее» или «всё отдаём последнему клику». Она смотрит на реальные цепочки и пытается понять, какой вклад канал вносит в конверсию.

Это важно, когда пользователь до заявки или покупки проходит не один шаг, а несколько. Например, сначала видит баннер, потом переходит из поиска, позже возвращается из ретаргетинга и только после этого конвертируется. В такой ситуации rule-based модели часто упрощают картину. Data driven подходы нужны именно для того, чтобы оценить вклад каналов точнее.

На практике чаще всего сравнивают два метода:

• модель Маркова, где вклад оценивается через изменение вероятности конверсии при исключении канала из пути;
• атрибуцию Шепли, где вклад канала считается как его средний маржинальный вклад во всех возможных комбинациях источников.

Обе модели относятся к атрибуции на основе данных, но считают вклад по-разному. Из-за этого они по-разному ведут себя в коротких и длинных цепочках, в чистом перформанс и в смешанном медиамиксе.

Как работает модель Маркова

Модель Маркова описывает путь пользователя как последовательность переходов между каналами. Дальше система оценивает, как изменится вероятность конверсии, если убрать из этой цепочки конкретный канал. Этот принцип обычно называют removal effect, то есть эффектом исключения.

Логика здесь простая: если убрать канал, а вероятность конверсии заметно падает, значит канал вносил существенный вклад. Если почти ничего не меняется, значит его роль была слабее.

Как считается вклад в модели Маркова

В упрощённом виде логика выглядит так:

1. берутся реальные пользовательские пути;
2. строится модель переходов между каналами;
3. из расчёта по очереди исключают каждый канал;
4. пересчитывают вероятность достижения конверсии;
5. вклад канала определяют по тому, насколько изменилась итоговая вероятность.

Сильная сторона этого подхода в том, что он работает не с абстрактными правилами, а с фактической структурой пути. Модель видит порядок касаний и учитывает, что один канал может часто стоять в начале, а другой – ближе к конверсии.

Когда Марков подходит лучше

Модель Маркова чаще всего подходит в таких ситуациях:

• вы только начинаете внедрять data driven атрибуцию и хотите стартовать с более понятной логики;
• воронка в основном состоит из перформанс-каналов;
• путей много, но структура касаний относительно понятна;
• бизнесу важно анализировать именно переходы между каналами, а не только состав комбинаций.

Марков удобен, когда нужно быстро получить рабочую модель и проверить, как изменится взгляд на каналы по сравнению с rule-based атрибуцией.

Ограничения модели Маркова

У модели есть и слабые места.

Во-первых, она чувствительна к тому, как именно устроены пути. Если в цепочках много повторяющихся касаний одного и того же канала, его вклад может раздуваться. Это особенно заметно в сценариях, где есть частотная медийка или один и тот же источник появляется несколько раз.

Во-вторых, Марков лучше работает там, где структура касаний достаточно стабильна. Если данные шумные, пути очень дробные, а каналы объединены неаккуратно, результат становится менее надёжным.

В-третьих, в смешанном медиамиксе модель может давать спорную картину, если часть касаний повторяется очень часто или если верх воронки представлен большим объёмом охватных взаимодействий. В таких случаях требуется особенно аккуратная подготовка данных и проверка результата на здравый смысл.

Как работает атрибуция Шепли

Атрибуция Шепли пришла из теории кооперативных игр. В этой логике каждый канал рассматривается как участник общей системы, а конверсия – как совместный результат работы нескольких источников.

Смысл подхода в том, чтобы понять, какой средний дополнительный вклад канал вносит в результат, если добавлять его к разным комбинациям других каналов. В отличие от Маркова, здесь фокус не на последовательности переходов, а на том, как меняется результат в разных наборах источников.

Как считается вклад в атрибуции Шепли

В упрощённой форме логика такая:

1. берутся каналы, которые участвовали в пути к конверсии;
2. рассматриваются разные комбинации этих каналов;
3. оценивается, какой прирост результата даёт добавление каждого канала;
4. этот прирост усредняется по всем вариантам сочетаний.

Итог – справедливое распределение вклада между источниками по их среднему маржинальному эффекту, то есть по тому, что именно канал добавляет к общему результату в составе разных комбинаций.

Когда Шепли подходит лучше

Атрибуция Шепли особенно полезна в следующих случаях:

• воронка действительно мультиканальная;
• есть микс из перформанс и медийных размещений;
• нужно оценивать вклад каналов не по позиции в цепочке, а по их совместной работе;
• команда принимает решения о перераспределении бюджета между разными классами каналов.

Шепли чаще используют там, где бизнесу важно не просто увидеть путь, а справедливо разделить итоговый результат между источниками, которые работали вместе.

Ограничения атрибуции Шепли

Главный плюс Шепли – более аккуратная работа с совместным вкладом каналов. Но этот же подход делает модель более требовательной.

Во-первых, для корректного расчёта нужны качественные данные и хорошо собранные цепочки. Если у вас слабый трекинг, разрозненные источники или неустойчивая разметка, расчёт будет формально сложным, но практически ненадёжным.

Во-вторых, по мере роста числа каналов и вариантов комбинаций растёт вычислительная сложность. Это не значит, что модель невозможно применять, но она требует более зрелой аналитической инфраструктуры.

В-третьих, Шепли не стоит воспринимать как волшебную кнопку «самой правильной» атрибуции. Это сильный метод, но он тоже зависит от качества входных данных, правил подготовки цепочек и общей логики измерения.

Марков vs Шепли: ключевые отличия

Ниже – короткое сравнение двух подходов.

Главное различие между ними такое: Марков отвечает на вопрос, что будет, если убрать канал из пути, а Шепли – сколько в среднем канал добавляет к общему результату в составе разных комбинаций.

Как выбрать между Марковым и Шепли

Выбирать между этими моделями нужно не по принципу «какая из них моднее», а по типу задач, структуре воронки и качеству данных.

Если у вас в основном перформанс-каналы

Когда медиамикс состоит в основном из поиска, ретаргетинга, перформанс-соцсетей и других каналов с понятным переходом к конверсии, начинать часто проще с Маркова. Он лучше ложится на задачу анализа реальных путей и позволяет получить первую data driven оценку без избыточной сложности.

Если у вас микс перформанс и медийки

Когда воронка строится не только на нижней части спроса, но и на охватных каналах, контенте, видео, Telegram, influence и других форматах, Шепли обычно оказывается устойчивее как инструмент распределения вклада. Он лучше показывает совместную работу каналов и меньше зависит от позиции касания в цепочке.

Если путь пользователя длинный и неоднородный

Чем больше касаний в пути и чем сильнее они взаимодействуют между собой, тем выше ценность подхода Шепли. Если же путь относительно короткий и важнее видеть именно логику переходов, Марков может быть более понятным и практичным выбором.

Если данных пока мало или инфраструктура незрелая

В такой ситуации лучше не пытаться сразу строить максимально сложную систему. Если трекинг сырой, цепочки собираются нестабильно, а данные из разных источников плохо связаны, результат любой data driven модели будет ненадёжным. В этом случае сначала нужно привести в порядок разметку, сбор касаний и связку источников.

Если задача – быстро получить рабочую модель

Для старта чаще выбирают Маркова: он проще объясняется команде и хорошо подходит как первый шаг в сторону data driven атрибуции.

Если задача – точнее оценивать вклад каналов в сложном миксе

Если бизнес уже дошёл до уровня, где важно распределять бюджет между медийкой, перформансом и верхней частью воронки на основе более справедливой логики, разумнее смотреть в сторону Шепли.

Итоговый принцип выбора простой:

• Марков – когда важен анализ переходов и нужен более простой старт;
• Шепли – когда важен справедливый вклад каналов в сложной совместной работе.

Частые вопросы по моделям Шепли и Маркова

Чем Шепли отличается от Маркова

Марков оценивает вклад канала через изменение вероятности конверсии при его исключении из пути. Шепли считает средний дополнительный вклад канала во всех возможных комбинациях источников. Поэтому Марков сильнее завязан на переходы, а Шепли – на совместный вклад каналов.

Где нужен больший объём данных

Обе модели чувствительны к качеству и полноте данных. Но по мере усложнения медиамикса и роста числа комбинаций атрибуция Шепли обычно требует более зрелой подготовки данных и более серьёзной вычислительной среды.

Может ли Марков переоценивать повторные касания

Да, в некоторых сценариях это возможно. Если один и тот же канал часто повторяется в пути, а особенно если он стоит в начале длинных цепочек, его вклад может оказываться завышенным. Поэтому результат важно проверять на адекватность и сопоставлять с логикой кампаний.

Что лучше для мультиканального сплита

В смешанном медиамиксе, где вместе работают перформанс, охватные и брендовые каналы, Шепли обычно удобнее как модель справедливого распределения вклада. Но это работает только при хорошем качестве данных и корректной подготовке цепочек.

Когда вообще не стоит внедрять data driven атрибуцию

Когда каналов мало, путь короткий, конверсий недостаточно, а качество трекинга низкое. В такой ситуации сложная модель создаёт ощущение точности, но не даёт надёжной основы для решений. Сначала нужно наладить сбор данных и базовую аналитику.

Вывод

И Марков, и Шепли относятся к data driven атрибуции, но решают задачу по-разному.

Модель Маркова полезна, когда нужно понять роль каналов через логику переходов и получить рабочий старт для анализа пользовательских путей. Атрибуция Шепли сильнее там, где результат формируется совместной работой нескольких каналов и бизнесу важно распределять вклад справедливее, чем это делают rule-based модели.

Если вам нужен не частный разбор двух подходов, а полная система координат по теме атрибуции – с моделями, окнами атрибуции, ошибками интерпретации и логикой выбора – перейдите в главный гайд по атрибуции.

Смотрите также

Главный гайд по атрибуции
Атрибуция в маркетинге: модели, окно атрибуции, ошибки и как выбрать подход

Окно атрибуции
Окно атрибуции: что это такое и как его правильно оценивать

Словарь терминов
Глоссарий атрибуции: простые объяснения ключевых терминов