Методы атрибуции

Методы атрибуции (также модели атрибуции или правила распределения ценности конверсий) - это правила и алгоритмы, с помощью которых ценность целевого действия (покупки, регистрации, заявки) распределяется между различными точками взаимодействия с пользователем на его пути к конверсии. Атрибуция отвечает на ключевой вопрос маркетинга: какой канал или рекламное касание в действительности привело клиента.

Для интернет-маркетолога выбор метода атрибуции является стратегическим решением, от которого зависит распределение рекламного бюджета и оценка эффективности каналов. Использование устаревших моделей (например, Last-Touch) может приводить к недооценке каналов, которые работают на ранних этапах воронки (медийная реклама, контент-маркетинг), и к переоценке каналов последнего клика (поисковая реклама). В 2025-2026 годах, в условиях усиления регуляции персональных данных и отказа от сторонних cookie, роль продвинутых методов атрибуции (Data-Driven, Markov chains, Shapley Value) становится критически важной для точного планирования бюджетов.

Зачем нужна атрибуция

В современном многоканальном маркетинге пользователь редко совершает покупку с первого клика. Типичный путь может включать десятки касаний: просмотр баннера в медийной сети, клик по посту в VK, переход из Telegram-канала, чтение отзывов и, наконец, поисковый запрос в Яндексе. Без системы атрибуции маркетолог не может объективно ответить на вопрос, какой из этих каналов сработал.

Основные задачи атрибуции:

• Оптимизация бюджета. Понимание реального вклада каждого канала позволяет перераспределять средства в пользу самых эффективных.
• Прогнозирование. Продвинутые модели позволяют моделировать сценарии «что, если»: как изменится конверсия при отключении 1 из каналов или увеличении частоты показов.
• Обоснование решений. Data-Driven атрибуция даёт объективные данные для защиты бюджета на «верхнеуровневые» каналы перед руководством или клиентом.
• Автоматизация. Сигналы от систем атрибуции могут передаваться в DSP и рекламные кабинеты для автоматической корректировки ставок.

Односложные (rule-based) модели атрибуции

Это традиционные модели, основанные на фиксированных правилах. Они просты в реализации, но часто искажают реальную картину, так как не учитывают сложность пользовательского пути.

Last-Touch (последнее касание)

Самая распространённая и самая критикуемая модель. Вся ценность конверсии (100%) приписывается последнему каналу, с которым взаимодействовал пользователь перед покупкой.

• Плюсы. Простота расчёта, стандарт для многих рекламных кабинетов.
• Минусы. Игнорирует все предыдущие касания. Модель переоценивает каналы закрытия сделок (например, контекстная реклама) и недооценивает каналы, которые формируют спрос (медийная реклама, контент). Роман Кохановский (AdRiver) приводит аналогию с футболом: платить зарплату только нападающему, забывая о защитниках, которые доставили ему мяч. Особенно опасна эта модель для оценки direct response кампаний.

First-Touch (первое касание)

Противоположность Last-Touch. Вся ценность отдаётся каналу, который привёл пользователя на сайт впервые.

• Плюсы. Позволяет оценить эффективность каналов на стадии знакомства с брендом.
• Минусы. Игнорирует все последующие касания, которые могли сыграть решающую роль в убеждении клиента совершить покупку.

Линейная модель (Linear)

Ценность конверсии (100%) распределяется равномерно между всеми точками касания в пути пользователя. Если было 5 касаний, каждое получает по 20%.

• Плюсы. Учитывает вклад всех каналов.
• Минусы. Не отражает реальную значимость каждого этапа. Первое касание и последнее получают одинаковый вес, хотя их роль в конверсии может быть принципиально разной.

Модель с убыванием (Time-Decay)

Каналы, расположенные ближе к моменту конверсии, получают больший вес. Обычно используется экспоненциальное убывание.

• Плюсы. Логично отражает ситуацию, когда последние касания важнее для непосредственного завершения сделки.
• Минусы. Произвольный характер убывания (не основан на реальных данных), всё ещё недооценивает ранние касания.

Позиционная модель (Position-Based / U-Shaped)

Наибольший вес (обычно по 40%) отдаётся первому и последнему касанию, а оставшиеся 20% распределяются между промежуточными.

• Плюсы. Признаёт важность как привлечения, так и закрытия.
• Минусы. Процентное распределение является искусственным и не отражает реальной статистики.

Алгоритмические (data-driven) модели атрибуции

Эти модели используют математические алгоритмы и машинное обучение для анализа всех возможных путей пользователей и расчёта вероятностного вклада каждого канала. Они считаются «золотым стандартом» в 2025-2026 годах.

Атрибуция на основе цепей Маркова (Markov chains)

Метод, который рассматривает путь пользователя как последовательность переходов между состояниями (каналами). Модель анализирует все успешные и неуспешные цепочки и рассчитывает «эффект удаления» (removal effect) - как изменится общая вероятность конверсии, если убрать определённый канал из всех путей.

• Как это работает. Строятся графы переходов. Канал, без которого конверсия падает сильнее всего, получает наибольший вес.
• Применение. Используется в кросс-атрибуции для оценки взаимодействия разных сред, например, ТВ и диджитал. Исследование Initiative и «АДВ+Эндемика» для FMCG-компании «Арнест ЮниРусь» показало, что именно цепи Маркова позволили доказать, что ТВ обеспечивает 80% атрибуцированных к медиа покупок и даёт дополнительный прирост продаж +17%.

Метод Шепли (Shapley Value)

Метод, заимствованный из теории кооперативных игр (лауреат Нобелевской премии). Он анализирует вклад канала во всех возможных комбинациях (коалициях) с другими каналами. Ценность канала определяется как его средний маржинальный вклад при добавлении в любую существующую коалицию. Это одна из самых сложных математических моделей атрибуции.

• Преимущество. Обеспечивает наиболее справедливое и математически обоснованное распределение, особенно при длинных цепочках и сильной разнице в охватах каналов. Исследование Киевского национального университета подтверждает, что модель на основе значений Шепли демонстрирует более высокую точность по сравнению с rule-based моделями.

Data-Driven атрибуция в Google Analytics 4 (GA4)

Начиная с GA4, эта модель используется по умолчанию. Алгоритмы Google используют машинное обучение для анализа путей конверсии на уровне пользователей. Модель учитывает множество факторов, включая тип устройства, время до конверсии и взаимодействие с разными каналами, чтобы присвоить каждому касанию «рейтинг» на основе его фактического влияния, а не произвольных правил. Это особенно важно в эпоху, когда данные о пользователях становятся менее доступными из-за ограничений на сторонние cookie.

Сравнение подходов

Выбор метода зависит от зрелости аналитики в компании и сложности маркетинга.

Модель	Принцип работы	Когда использовать
Last-Touch	100% последнему каналу	Для упрощённой отчётности в каналах direct response, когда важен только факт закрытия сделки.
First-Touch	100% первому каналу	Для оценки эффективности брендинговых и имиджевых кампаний.
Линейная / Позиционная	Равномерное или весовое распределение	Для промежуточного анализа, когда нет технической возможности внедрить алгоритмические модели.
Цепи Маркова	Анализ вероятности удаления канала	Для сложных, перекрёстных медиамиксов, где нужно понять синергию каналов (например, ТВ + диджитал).
Метод Шепли	Анализ вклада во всех комбинациях	Для максимально точной, научно обоснованной оценки вклада каждого канала.
Data-Driven (GA4)	Машинное обучение на пользовательских данных	Стандарт для digital-маркетинга при использовании Google Analytics 4.

Как выбрать и внедрить метод атрибуции

Внедрение продвинутой атрибуции не требует мгновенного отказа от привычных отчётов. Эксперты рекомендуют поэтапный подход.

1. Сравнить модели на исторических данных. Используйте статистику за 3-6 месяцев. В GA4 есть инструмент «Сравнение моделей» (Реклама > Атрибуция), который позволяет посмотреть, как различается распределение ценности по Last-Touch и Data-Driven моделям.
2. Начать с ключевых каналов. Выделите 3-5 каналов, где наблюдаются наибольшие искажения (например, медийная реклама, которую Last-Touch «обнуляет»). Протестируйте на них новые модели.
3. Постепенная интеграция. Используйте результаты алгоритмической атрибуции как дополнительный аргумент при планировании бюджета. Постепенно увеличивайте их вес в принятии решений о распределении средств.

Ошибки и ограничения

• Технологическая сложность. Для внедрения цепей Маркова или метода Шепли требуются квалифицированные аналитики и доступ к «чистым» данным на уровне пользовательских ID.
• Конфиденциальность данных. Сбор данных для атрибуции должен строго соответствовать 152-ФЗ и политикам платформ. Использование стабильных идентификаторов (например, на основе данных операторов связи) возможно только с согласия пользователей.
• Фрод. Некоторые модели, особенно Last-Touch, подвержены такому виду мошенничества, как cookie stuffing, когда канал искусственно ставит себя последним в цепочке.

Связанные термины

• Сквозная аналитика
• Модели атрибуции
• CPA
• ROI
• Big Data
• Маркетинговая аналитика
• Веб-аналитика
• Машинное обучение