Кому засчитать конверсию? Простое объяснение атрибуции с примерами

Вы уже пользуетесь моделью атрибуции – даже если не знаете об этом

Даже если вы никогда не задумывались об атрибуции, она уже влияет на ваш маркетинг. У любой аналитической системы – Яндекс.Метрики, рекламных кабинетов соцсетей – по умолчанию заложена модель атрибуции. Она определяет, кому из каналов засчитывается результат: например, последнему перед покупкой, первому в цепочке или всем понемногу.

Работать без понимания модели – как ходить без очков. Всё выглядит размытым: показы, клики, конверсии. И какие инструменты действительно приводят клиентов, а какие просто создают иллюзию вовлечённости, остаётся неясным.

Один и тот же канал может казаться либо героем, либо пустой тратой бюджета – только из-за того, какую модель атрибуции вы используете. Не зная этого, легко:

• Отключить рекламный источник, который на самом деле приносит выручку.
• Масштабировать канал, который просто занимает место в цепочке касаний.

Понимание атрибуции – это не про красивые отчёты. Это про контроль. Про умение интерпретировать данные и понимать, какие каналы и связки действительно работают.

Базовые модели атрибуции

Эти модели просто фиксируют факт участия канала, не пытаясь понять его реальную ценность.

1. Последний клик (Last Click / Last Touch)

Логика: всю награду забирает тот канал, который стоял непосредственно перед покупкой и забил решающий гол. Все предыдущие касания игнорируется. Last touch – это ёжик в тумане. Он видит только последнего участника рекламной цепочки и игнорирует всех остальных. Медийка в его поле зрения вообще не попадает.

Пример цепочки: баннер → email → брендовый поиск → покупка.

Результат: весь эффект приписан брендовой выдаче.

2. Первый клик (First Click / First Touch)

Логика: модель-романтик, для которой главное – где продукт и клиент познакомились. Первое касание получает 100% ценности.

Пример цепочки: статья в блоге → ремаркетинг → прямой заход → покупка.

Результат: вся ценность присвоена статье, несмотря на дальнейшие касания.

3. Линейная модель (Linear)

Логика: всем поровну. Конверсия делится равными долями между всеми касаниями.

Пример цепочки: баннер → блогер → email → прямой заход.

Результат: каждый канал получает по 25% ценности.

4. Позиционные модели (U‑образная, W‑образная, Z-образная)

Логика: позиционные модели (U‑, W‑ и Z‑образная) – это способ заранее договориться, какие точки в пути клиента считаем «опорными» и даём им повышенный вес. Логика простая и нарастающая:

• U‑образная: важны старт и финиш. Первое знакомство и последнее касание перед покупкой получают большую часть ценности, остальные делят остаток.
• W‑образная: к старту и финишу добавляется ещё одна значимая точка посередине (например, заполнение формы или другая микро‑конверсия). Теперь «крупные доли» у трёх точек.
• Z‑образная: появляется четвёртая опорная точка – ещё одно критичное действие в цепочке. В итоге четыре ключевых касания делят основную ценность, а остальные делят между собой поровну то, что осталось.

То есть каждый следующий вариант просто добавляет +1 важное касание, которое тоже получает повышенный вес. Когда у бизнеса по пути к покупке выстраиваются дополнительные касания, имеет смысл переходить от U к W, а затем к Z.

Пример цепочки (U-образная модель): баннер → email → блогер → вебинар.

Результат: баннер и вебинар получают по 40%, email и блогер по 10%.

5. Time Decay (затухание во времени)

Логика: чем ближе касание к покупке, тем больше его вес. Ранние контакты «остывают»: их вклад уменьшается по экспоненте или по заранее заданной шкале.

Пример: цепочка такая: баннер в соцсети → статья на сайте → подписка на рассылку → вебинар с менеджером → покупка.

Результат: основная ценность у вебинара – он был ближе всего к покупке. Подписка получит меньше, статья ещё меньше, баннер – минимальный вес. Точные проценты задаются настройками модели: чем дальше шаг от покупки, тем он менее значим.

6. Модель ассоциированных конверсий

Логика: это Наруто с техникой клонирования. Каждое касание в пути клиента получает целую конверсию – не долю, а полноценную единицу.

Пример цепочки: баннерная кампания → рассылка → сообщение в мессенджере → брендовый поиск → покупка.

Результат: баннер, рассылка, мессенджер и брендовый поиск – все получают по 1 конверсии. В отчёте конверсий больше, чем реальных покупок, поэтому сравнивать каналы по эффективности на такой модели бессмысленно: цифры раздуты клонами.

Когда простых правил уже мало: подключаем data‑driven модели

Data-driven модели рассчитывают вклад каналов математически, на основе данных, а не по заранее заданным правилам. Одни из самых популярных: Марковские цепи и модель Шепли.

1. Цепи Маркова: что будет, если отключить канал?

Логика: оценить, насколько канал влияет на вероятность дойти до конверсии, исходя из реальных переходов между касаниями.

Как это работает в общих чертах:

• Строим граф переходов. Смотрим, как пользователи двигаются: из канала A – в B, из B – в конверсию и т. д.
• Считаем вероятности. Для каждого перехода считаем вероятность, что он произойдёт.
• «Удаляем» канал. Берём канал X, убираем его из графа и пересчитываем общую вероятность дойти до покупки.
• Сравниваем. Разница между исходной вероятностью и новой – вклад канала X.

Пример:
У вас часто встречаются цепочки:

• соцсеть → сайт → покупка
• контекст → сайт → покупка
• соцсеть → контент → контекст → сайт → покупка
  

Если убрать «соцсеть» и заметить, что доля людей, доходящих до покупки, резко падает, – эта соцсеть важна. Если убрать «контент», а конверсии почти не изменились, – вклад канала низкий.

Главное про Маркова: модель учитывает последовательность шагов и опирается на эффект «удаления» (removal effect): насколько система проседает без конкретного элемента.

2. Модель Шепли: каким будет вклад канала в продажи, если перебрать все комбинации каналов?

Логика: справедливо распределить ценность между участниками, учитывая все возможные комбинации каналов. Основано на теории кооперативных игр.

Как это работает в общих чертах:

• Берём все возможные порядки появления каналов. Представляем, что каналы подключаются в разной очередности.
• Считаем маржинальный вклад. Для каждой очередности смотрим, на сколько вырос результат, когда к уже «подключённым» добавили текущий канал.
• Усредняем. Средний маржинальный вклад канала во всех порядках – это и будет его доля.

Пример:

• Есть три канала: A, B и C.
• Мы рассматриваем порядки A→B→C, B→A→C, C→A→B и т. д.
• Каждый раз фиксируем, сколько добавил канал в момент подключения. В конце берём среднее – получаем вклад.

Главное про Шепли: модель чувствительна к составу каналов (коалициям), а не к реальной последовательности касаний конкретного пользователя.

Эту модель стоит пробовать, если вы:

• Запускаете много разной рекламы (медийку, performance, programmatic).
• Ведёте пользователя по длинной воронке.
• Хотите максимально точно распределять бюджет на основе данных.

В чём разница между Шепли и Марковым

• Марков смотрит на реальные пути и проверяет: «Что произойдёт, если убрать канал?». Важен порядок касаний.
• Шепли перебирает все возможные наборы каналов и вычисляет средний маржинальный вклад каждого. Порядок не важен, важен сам факт «включённости» в разные комбинации.

Атрибуция – это градусник, а не метеостанция

Даже самая продвинутая модель атрибуции – это градусник, а не метеостанция. Градусник показывает температуру, но не объясняет, почему выпал снег, подул ветер или температура упала до –20°. Так же и атрибуция: она помогает понять, какие каналы или касания дали вклад в конверсии, как распределяется эффективность и кто сработал лучше, но она:

• Не расскажет, почему вырос спрос.
• Не покажет, как изменилась аудитория.
• Не объяснит, почему канал перестал работать.

Атрибуция – это инструмент учёта, а не интерпретации, поэтому она не заменит:

• Гипотез.
• Качественных исследований.
• Инкрементного тестирования.
• Моделирования маркетингового микса.

Атрибуция не всевидящее око, но это базовая точка отсчёта. Как термометр в горах: без него никак, но одного термометра мало, чтобы предсказать лавину.

Как выбрать модель под ваш бизнес

• Посмотрите на путь клиента. Сколько касаний, как долго человек принимает решение.
• Начните с базовых моделей. Last Touch / First Click / Linear – хорошая стартовая точка, пока вы не накопили данные и компетенции.
• Переходите к data‑driven по мере роста. Когда каналов много и бюджет ощутимый, Шепли или Марков помогут распределять деньги точнее.
• Регулярно пересматривайте подход. Бизнес меняется – меняется и модель атрибуции.

Простая памятка

• Короткий цикл сделки, продвижение через performance → пробуйте Last Click.
• Короткий цикл сделки, продвижение через медийку → рекомендуем First Touch.
• Много рекламы, но в основном performance → Time decay или цепи Маркова.
• Много разной рекламы: и медийка, и performance, и programmatic → модель Шепли.

Резюмируем

«Все модели неверны, но некоторые полезны», – говорил статистик Джордж Бокс. Атрибуция – именно такой инструмент. Она не заменяет тестов, исследований и продуктовой аналитики, но без неё нельзя осознанно управлять рекламой и бюджетом.