Модели атрибуции
Модели атрибуции - правила и алгоритмы, определяющие, каким образом ценность конверсии распределяется между маркетинговыми касаниями (точками контакта) на пути пользователя. Выбор модели атрибуции напрямую влияет на то, как будет оцениваться эффективность рекламных каналов и, как следствие, на решения о распределении маркетингового бюджета.
В отличие от атрибуции как общего процесса приписывания ценности, модели атрибуции представляют собой конкретные математические и логические схемы, по которым этот процесс выполняется. Понимание особенностей разных моделей позволяет маркетологу сознательно выбирать инструмент оценки, соответствующий целям бизнеса и реальному поведению целевой аудитории.
Классификация моделей атрибуции
[править]Все модели атрибуции можно разделить на 3 большие группы, различающиеся по сложности и принципу распределения ценности.
Одноконтактные модели
[править]Модели, приписывающие 100 % ценности конверсии одному касанию. Просты в понимании и реализации, но сильно упрощают реальную картину, игнорируя все остальные взаимодействия пользователя с брендом.
Многоконтактные модели
[править]Модели, распределяющие ценность между несколькими (или всеми) касаниями на пути к конверсии. Более точно отражают сложный путь современного покупателя, но требуют более продвинутых инструментов аналитики.
Модели, основанные на данных
[править]Наиболее сложные алгоритмы, использующие методы машинного обучения для расчёта статистического вклада каждого канала на основе анализа огромного количества пользовательских путей.
Подробный обзор моделей атрибуции
[править]Одноконтактные модели
[править]Последний клик (Last Click)
[править]Самая простая и исторически самая распространённая модель. Вся ценность конверсии полностью приписывается последнему источнику перехода, с которого пользователь попал на сайт перед совершением целевого действия.
Когда используется:
- В качестве базовой модели по умолчанию во многих рекламных кабинетах.
- Для оценки эффективности каналов, которые напрямую «закрывают» продажи.
- В бизнесах с очень коротким циклом принятия решения.
Недостатки:
- Полностью обесценивает все предыдущие касания (контент-маркетинг, SMM, медийную рекламу).
- Создаёт иллюзию, что только последний канал «продаёт», а остальные не работают.
- Приводит к перекосу бюджета в сторону «нижних» каналов.
Первый клик (First Click)
[править]Зеркальная противоположность последнему клику. Вся ценность отдаётся самому первому источнику, с которого пользователь впервые попал на сайт.
Когда используется:
- Для оценки эффективности каналов, отвечающих за узнаваемость и первое знакомство с брендом.
- В бизнесах, где важно первое впечатление (например, сложные B2B-продукты).
- Для анализа работы имиджевой рекламы.
Недостатки:
- Игнорирует все последующие касания, которые могли сыграть решающую роль в момент выбора.
- Не показывает, насколько эффективно каналы «дожимают» клиента.
Последний непрямой клик (Last Non-Direct Click)
[править]Модель, которая игнорирует прямые заходы (пользователь ввёл адрес вручную или перешёл по закладке). Если последним касанием был прямой заход, система откатывается назад и берёт предыдущий рекламный источник. Эта модель используется по умолчанию в некоторых версиях Google Analytics.
Когда используется:
- Когда прямые заходы считаются не самостоятельным каналом, а следствием других рекламных усилий.
- Для более точной оценки эффективности рекламных каналов без учёта «прямого» трафика лояльных пользователей.
Многоконтактные модели
[править]Линейная модель (Linear)
[править]Самая простая многоконтактная модель. Ценность конверсии равномерно распределяется между всеми касаниями на пути пользователя. Если на пути было 5 касаний, каждое получит по 20 % ценности.
Когда используется:
- На начальном этапе, когда нет понимания, какой канал важнее.
- Для получения общей, неискажённой картины пути клиента.
- В бизнесах с равномерным влиянием всех каналов на всех этапах воронки.
Недостатки:
- Уравнивает каналы, хотя в реальности их вклад почти всегда разный.
- Может переоценивать малоэффективные касания.
Модель с затуханием (Time Decay)
[править]Ценность распределяется неравномерно: чем ближе касание к моменту конверсии, тем больший вес оно получает. Последний клик получает максимальную долю, первый - минимальную.
Когда используется:
- В бизнесах с длинным циклом принятия решения, где последние шаги критичны.
- Когда важно учитывать все касания, но при этом подчёркивать роль «закрывающих» каналов.
- Для ситуаций, где клиент долго выбирает, но решение принимает под влиянием последних стимулов.
Модель на основе позиции (Position Based) / U-образная модель
[править]Фиксированная доля ценности (обычно 40 %) отдаётся первому касанию, ещё 40 % - последнему касанию, а оставшиеся 20 % равномерно распределяются между всеми промежуточными касаниями.
Когда используется:
- Когда и первое знакомство, и последний шаг одинаково важны.
- В бизнесах, где нужно оценивать как каналы привлечения, так и каналы «дожима».
- Как хороший компромисс между учётом всех касаний и фокусом на ключевых точках.
W-образная модель
[править]Усложнённый вариант позиционной модели. Фиксированная доля ценности отдаётся первому касанию, касанию, которое привело к созданию лида (например, заполнение формы), и последнему касанию перед продажей. Промежуточные касания получают остаток.
Когда используется:
- В сложных продажах с чётко выделенными этапами (привлечение → лид → сделка).
- В B2B-маркетинге, где путь клиента имеет несколько ключевых вех.
Модели, основанные на данных
[править]Алгоритмическая атрибуция (Data-Driven Attribution)
[править]Наиболее сложный и точный подход, доступный в продвинутых системах аналитики. Алгоритмы машинного обучения анализируют тысячи пользовательских путей, сравнивают поведение тех, кто совершил конверсию, с теми, кто не совершил, и математически вычисляют реальный вклад каждого канала.
Как это работает:
- Система собирает данные обо всех путях пользователей.
- Модель строит прогноз вероятности конверсии при наличии или отсутствии определённых касаний.
- На основе статистической значимости определяется вклад каждого канала.
Когда используется:
- При наличии большого объёма данных (тысячи конверсий и сотни тысяч путей).
- В сложных мультиканальных стратегиях.
- Для максимально точной оптимизации бюджета.
Ограничения:
- Требует большого количества данных для обучения модели.
- Сложна для интерпретации без специальных знаний.
- Не все системы аналитики поддерживают такой функционал.
Сравнение моделей атрибуции
[править]| Модель | Принцип распределения | Сложность | Когда применять |
|---|---|---|---|
| Последний клик | 100 % последнему касанию | Очень низкая | Короткий цикл, транзакционные каналы |
| Первый клик | 100 % первому касанию | Очень низкая | Оценка имиджевых каналов |
| Линейная | Равномерно по всем касаниям | Низкая | На старте, равнозначные каналы |
| С затуханием | Больше последним касаниям | Средняя | Длинный цикл, важность последних шагов |
| По позиции (U-образная) | 40 % первому, 40 % последнему, 20 % промежуточным | Средняя | Важность и первого, и последнего касания |
| На основе данных | Статистический расчёт вклада | Высокая | Большие данные, мультиканальные стратегии |
Как выбрать модель атрибуции
[править]Универсального ответа на вопрос, какая модель правильная, не существует. Выбор зависит от нескольких факторов.
Бизнес-модель и цикл сделки
[править]- Для интернет-магазина с быстрыми покупками может быть достаточно модели последнего клика.
- Для продажи сложного B2B-оборудования с циклом сделки в полгода необходима многоконтактная или алгоритмическая модель.
Маркетинговые цели
[править]- Если цель - оценить эффективность узнаваемости бренда, стоит смотреть на модель первого клика.
- Если нужно понять, какой канал лучше «закрывает» продажи - на последний клик.
- Для комплексной оптимизации бюджета нужна многоконтактная модель.
Доступные данные и инструменты
[править]- Если в компании только начинают заниматься аналитикой и данных мало, можно начать с линейной модели.
- Если используется Google Analytics 4 и накоплено достаточно конверсий, стоит протестировать модель на основе данных.
- Системы сквозной аналитики позволяют строить более сложные модели с учётом офлайн-конверсий.
Типичные ошибки при выборе модели
[править]- Использование одной модели для всех отчётов. Для разных задач могут требоваться разные модели.
- Слепая вера в последний клик. Самая распространённая ошибка, ведущая к недооценке контент-маркетинга, SEO и социальных сетей.
- Выбор модели без учёта цикла сделки. Модель первого клика в продажах с коротким циклом может давать искажённую картину так же, как и модель последнего клика в длинных продажах.
- Игнорирование ограничений модели. Любая модель - это упрощение. Важно понимать, что именно она учитывает, а что игнорирует.
