Картинка статьи
Никита Лисицын CEO CyberBrain

Кто такой Шепли – и как его теория помогает бизнесу зарабатывать больше

В основе платформы CyberBrain лежит Shapley Attribution – модель data driven атрибуции, которая максимально объективно оценивает вклад каждого канала в итоговые конверсии. Но кто такой Шепли? И почему его теория, созданная в середине XX века, до сих пор помогает оптимизировать маркетинг? Разберёмся вместе.

Ллойд Шепли: человек, который изобрёл справедливость

Ллойд Шепли – американский математик и экономист, один из ключевых исследователей в области кооперативной теории игр. В 2012 году был удостоен Нобелевской премии по экономике за вклад в теорию устойчивого распределения и практику моделирования рынка.

Шепли изучал, как участники команды могут справедливо распределять выгоду от совместной деятельности. Его главная разработка – значение Шепли (Shapley value) – показывает, какой вклад внёс каждый игрок в общий результат, если учесть все возможные сочетания игроков.

Как работает атрибуция Шепли

Если вы когда-нибудь делили счёт за ужин с друзьями или обсуждали, кто сколько бонусов получит на работе, вы уже сталкивались с интуитивной формой атрибуции Шепли.

Модель анализирует:

  • Как каждый участник влияет на результат.
  • Как изменяется результат, если этот участник присоединяется к разным командам.

В маркетинге атрибуция Шепли определяет, какой рекламный канал реально приводит клиентов, а какой просто занимает место в цепочке и отнимает ресурсы. Один и тот же человек (или рекламная кампания) может быть лидером в одной связке и бесполезным в другой. Именно поэтому Шепли оценивает вклад не по одиночке, а во всех возможных комбинациях. Так, например, медийная реклама может оказаться не чёрной дырой в бюджете, а важным участником цепочки, который помогает другим каналам закрывать продажи.

Как модель Шепли оценивает мультиканальную рекламу

Когда у вас масштабные кампании, вам нужна модель, которая честно покажет, кто сколько принёс прибыли. Дело в том, что линейные модели атрибуции (Last touch, First click и др.) не дают всей картины эффективности маркетинга, если вы используете:

  • более трёх площадок (Yandex, VK, TG и т. д.)
  • разные виды рекламы (performance + медийка)
  • разные настройки для рекламы (креативы / таргетинг)

Что делает атрибуция Шепли

1. Формирование коалиций
Анализируются все возможные комбинации каналов (например, канал A отдельно, каналы A+B вместе – и так далее).

2. Оценка вклада каждого канала
Рассчитывается средний прирост результата, который канал добавляет при присоединении к разным комбинациям других источников.

3. Итоговый расчёт
Для каждого канала вычисляется его средний вклад во всех возможных комбинациях – получаем объективную оценку его эффективности.

Формула расчёта атрибуции Шепли простым языком

Атрибуция Шепли для канала X = сумма [(ценность комбинации с каналом X – ценность комбинации без канала X) × вероятность появления комбинации каналов без X]

Ещё проще

Для каждой комбинации каналов сравнивается результат с каналом X и без него. Разница между этими результатами умножается на вероятность появления данной комбинации. Все полученные значения суммируются, чтобы получить средний вклад канала X.

Преимущества модели Шепли

👍 Справедливость
Каналу присваивается ценность только за реальный вклад в достижение цели.

👍 Учёт взаимодействий
Модель учитывает влияние каналов друг на друга и позволяет определить эффективные связки.

👍 Прозрачность
Логика расчёта понятна и легко объясняется бизнес-команде.

👍 Гибкость
Шепли подходит для разных типов конверсий и бизнес-задач.

Выводы

Модель Шепли – не просто теоретическая концепция. Это базовая логика платформы CyberBrain, которая помогает клиентам:

  • Видеть, какие кампании на самом деле приносят выручку.
  • Сокращать неэффективные каналы.
  • Перераспределять бюджет туда, где он работает лучше всего.

🚀 Подключайтесь к CyberBrain – и труды нобелевского лауреата будут работать на прибыльность вашего бизнеса.

поделиться:
Популярные статьи
статья 10 min read Как и зачем внедрять data-driven атрибуцию в бизнес: 5 основных шагов Атрибуция на основе данных — мощное решение для контроля эффективности и оптимизации рекламы. Но как его интегрировать и можно ли это сделать самостоятельно? В этой статье мы вместе преодолеем пять основных препятствий на пути к внедрению атрибуции — и превратим их в пять конкретных шагов для реализации.
Никита ЛисицынCEO CyberBrain
оптимизация 12 min read Больше лидов — меньше CPA: первый и единственный гайд по оптимизации медийной рекламы от CyberBrain Медийная реклама должна работать на продажи — и точка. В статье вас ждёт описание фреймворка, который служит именно этой цели.
Никита Лисицын CEO CyberBrain
3 min read Анализ расхождений трекера и кабинетов Системный подход к оптимизации медийной рекламы невозможен без чистых данных. Но что если данные трекера и рекламного кабинета не совпадают? Рассказываем, откуда берутся расхождения и что с этим делать.
Никита Лисицын CEO CyberBrain
об атрибуции просто 10 min Распространённые ошибки в маркетинговой атрибуции и как их избежать Ошибки в атрибуции могут стоить бизнесу дорого: вы теряете бюджет, усиливаете неэффективные каналы и делаете неверные выводы. В этой статье — типичные ошибки в настройке и интерпретации атрибуции и рекомендации, как их избежать.
Никита Лисицын CEO CyberBrain
на заметку маркетологам 11 min Как согласовать доступ к данным со службой безопасности Многие компании боятся делиться информацией с внешними подрядчиками — и в результате тратят месяцы на согласования или вовсе отказываются от перспективных проектов. В этой статье разбираем, как выстроить диалог со службой безопасности, какие данные действительно чувствительные и как сократить сроки согласований без ущерба для ИБ.
Никита Лисицын CEO CyberBrain
об атрибуции просто 8 min First click или Last touch? Отличия, когда и какую модель использовать Объясняем отличия моделей атрибуции в Яндекс.Метрике и даём рекомендации по их применению.
Никита Лисицын CEO CyberBrain
Подписывайтесь на канал Мониторим рынок из первоисточников и делимся краеугольными событиями IT и digital-рынков