Мультиканальная атрибуция

Мультиканальная атрибуция (MCA) - это модель распределения ценности конверсии между каналами взаимодействия пользователя с брендом. MCA решает две задачи: распределение конверсии (allocation problem) и приближённую оценку влияния каналов (causal approximation) в условиях отсутствия экспериментальных данных.

Коротко: Это способ понять, какой вклад внёс каждый канал в продажу. Вместо того чтобы отдавать всю заслугу последнему клику, система распределяет «благодарность» между всеми касаниями. Важно: атрибуция - это приближение, а не истина. Она помогает принимать решения о бюджете, но реальный эффект каналов измеряется только через эксперименты.

В интернет-маркетинге мультиканальная атрибуция помогает принимать обоснованные решения о распределении бюджета. Без MCA компании рискуют переоценивать последний канал (поисковую рекламу) и недооценивать поддерживающие каналы (медийную рекламу, соцсети). Разные модели дают разные распределения бюджета, что создаёт конфликт оптимизации - выбор модели определяет, какие каналы получат финансирование.

Например, пользователь увидел рекламу в соцсетях, открыл электронное письмо, прочитал блог и купил через поиск. Модель MCA распределяет долю вклада между всеми касаниями, показывая, что соцсети и блог тоже сыграли роль в конверсии.

Фундаментальная проблема атрибуции

Атрибуция - это попытка решить проблему контрфактического влияния каналов при отсутствии экспериментального дизайна. В реальности невозможно одновременно показать и не показать рекламу одному пользователю, чтобы измерить разницу. Поэтому все модели атрибуции - это приближения, а не истина.

Ключевые ограничения:

• Атрибуция не измеряет причинно-следственный эффект (causality). Модели распределяют кредит, но не показывают, сколько дополнительных продаж принёс каждый канал.
• Отсутствие контрфактических данных - невозможно узнать, что сделал бы пользователь без рекламы.
• Смещение выбора (selection bias) - пользователи, видевшие рекламу, могут отличаться от тех, кто её не видел.
• Фрагментация пути - данные о поведении пользователя часто неполные из-за ограничений cookies и блокировщиков.

Реальный эффект каналов измеряется через incrementality-тесты (A/B-тесты, гео-холд-ауты). Это ближайшее наблюдаемое приближение к причинно-следственному эффекту в условиях экспериментальных ограничений. Атрибуция - это инструмент для принятия решений о бюджете, а не истина.

Классы моделей атрибуции

Все модели атрибуции делятся на 3 класса в зависимости от того, как они распределяют кредит и какие данные используют:

Класс 1: Эвристические модели распределения

Эти модели используют фиксированные правила, а не данные о путях пользователей. Они не требуют больших объёмов данных, но дают грубое приближение.

• Last Click (Последний клик). 100% ценности отдаётся последнему каналу. Переоценивает каналы нижней воронки (поиск, прямой заход).
• First Click (Первый клик). 100% ценности отдаётся первому каналу. Переоценивает каналы верхней воронки (соцсети, медийная реклама).
• Линейная. Ценность распределяется равномерно между всеми каналами. Игнорирует разную роль каналов на разных этапах воронки.
• U-shape (В-образная). Большая часть ценности (обычно по 40%) отдаётся первому и последнему каналам, остальное распределяется между промежуточными. Компромисс между first и last click.

Класс 2: Вероятностные модели (на основе данных путей)

Эти модели используют данные о реальных путях пользователей для распределения кредита. Требуют больших объёмов данных и сложной настройки.

• Time-decay (Затухание). Больше ценности получают каналы, ближайшие к конверсии. Использует экспоненциальное затухание с заданным периодом (например, 7 дней). Учитывает временной фактор.
• Markov chains attribution. Рассматривает путь пользователя как последовательность состояний (каналов). Вклад канала оценивается через удаление канала из модели (removal effect) и изменение вероятности конверсии.
• Shapley value attribution. Подход из теории кооперативных игр. Каждый канал - игрок, конверсия - общий выигрыш. Вклад канала - средний маржинальный вклад по всем комбинациям каналов. Учитывает синергию между каналами.

Класс 3: Каузальные подходы (измерение реального эффекта)

Эти методы не являются моделями атрибуции в классическом смысле. Они измеряют реальный дополнительный эффект каналов через эксперименты или эконометрику.

• Incrementality-тесты (A/B-тесты, гео-холд-ауты). Измеряют реальный дополнительный эффект канала путём сравнения групп с рекламой и без неё. Это ближайшее приближение к истине, но требует экспериментов и ресурсов.
• Marketing Mix Modeling (MMM). Эконометрические модели на агрегированных данных (недели, месяцы). Оценивают влияние каналов на макроуровне. Дополняет MCA: MMM даёт понимание долгосрочного эффекта, MCA - тактическое распределение бюджета.

Сравнение подходов

Подход	Тип	Данные	Что измеряет	Ограничения
Last / First / Linear	Эвристический	Минимум данных (только последний клик)	Распределение кредита по правилу	Грубое приближение, игнорирует путь
U-shape / Time-decay	Эвристический / Вероятностный	Пути пользователей	Распределение кредита с учётом позиции или времени	Зависит от выбранных параметров
Markov / Shapley	Вероятностный	Полные пути пользователей	Статистическая оценка вклада каналов	Требует больших данных, сложная настройка
Incrementality-тесты	Каузальный / Экспериментальный	Экспериментальные данные	Реальный дополнительный эффект канала	Дорого, сложно, не всегда возможно
MMM	Эконометрический	Агрегированные данные (временные ряды)	Долгосрочный эффект каналов	Не работает на уровне пользователей

Как использовать MCA для принятия решений

Атрибуция используется не для поиска истины, а для принятия решений о бюджете. Разные модели дают разные распределения бюджета, поэтому важно:

1. Выбрать модель, соответствующую бизнес-логике (что важнее - привлечение или закрытие сделок?). 2. Сравнивать результаты с incrementality-тестами для калибровки. 3. Использовать MCA как 1 из сигналов, а не единственный источник истины. 4. Понимать, что разные модели = разные неявные функции потерь (loss functions). Каждая модель оптимизирует разные метрики, что ведёт к разным бюджетным решениям.

Пример конфликта:

• Last-click модель покажет, что поиск приносит 60% конверсий → бюджет перераспределяется в поиск.
• First-click модель покажет, что соцсети приносят 50% → бюджет перераспределяется в соцсети.
• Обе модели "правильные" в рамках своих допущений, но ведут к разным решениям.

Решение: использовать incrementality-тесты для понимания реального эффекта и калибровки модели атрибуции.

Где используется

• Digital-маркетинг.
• Аналитика рекламных кампаний.
• Оптимизация бюджетов.
• Оценка эффективности каналов.
• Сравнение с incrementality-тестами.

Преимущества

• Более согласованное распределение кредитов между каналами в рамках выбранной модели.
• Понимание роли каждого канала в пути пользователя.
• Оптимизация маркетинговых затрат на основе данных.

Ограничения

• Атрибуция не гарантирует "точность" - она лишь меняет распределение кредитов в зависимости от выбранной модели.
• Сложность реализации и настройки (особенно для вероятностных моделей).
• Требует больших объёмов данных.
• Не все модели подходят для всех типов бизнеса.
• Атрибуция ≠ incrementality - модели не измеряют реальный дополнительный эффект.

Часто задаваемые вопросы

Что такое мультиканальная атрибуция простыми словами?

Это система, которая помогает маркетологу понять, какой вклад внёс каждый канал в продажу. Вместо того чтобы отдавать всю заслугу последнему клику, она распределяет "благодарность" между всеми касаниями пользователя с брендом.

Какая модель атрибуции самая точная?

Data-driven модели (Markov, Shapley) дают наиболее статистически обоснованное распределение. Однако даже они - приближение, а не истина. Реальный эффект каналов измеряется только через incrementality-тесты.

Зачем нужна мультиканальная атрибуция?

Чтобы не переоценивать последний канал (поиск) и не недооценивать поддерживающие (медийную рекламу, соцсети). Это помогает принимать обоснованные решения о распределении бюджета. Однако атрибуция - это инструмент для принятия решений, а не истина.

В чём разница между атрибуцией и incrementality?

Атрибуция распределяет кредит за конверсию между каналами на основе модели. Incrementality измеряет реальный дополнительный эффект канала через эксперименты (A/B-тесты, гео-холд-ауты). Incrementality - ближайшее приближение к истине, атрибуция - инструмент для принятия решений.

Какие инструменты поддерживают мультиканальную атрибуцию?

Google Analytics 4, Яндекс Метрика, Roistat, Owox и другие платформы сквозной аналитики.

Что такое конфликт оптимизации в атрибуции?

Разные модели атрибуции дают разные распределения бюджета. Это приводит к разным решениям об оптимизации. Например, last-click модель будет перераспределять бюджет в поиск, а first-click - в верхние каналы. Выбор модели влияет на то, какие каналы получат финансирование.

Как атрибуция связана с ROMI?

Атрибуция помогает более точно рассчитать ROMI по каналам, распределяя доход между касаниями. Однако важно помнить: ROMI на основе атрибуции - это расчётный показатель, который зависит от выбранной модели и не является абсолютной истиной.

Что такое Marketing Mix Modeling (MMM) и чем он отличается от MCA?

MMM - это эконометрический подход на агрегированных данных (недели, месяцы). Оценивает влияние каналов на макроуровне. MCA - микро-подход, работающий на уровне отдельных пользователей. MMM даёт понимание долгосрочного эффекта, MCA - тактическое распределение бюджета. Они дополняют друг друга.

Связанные термины

• Атрибуция
• Конверсия
• Клиентский путь
• ROMI
• Google Analytics 4
• Яндекс Метрика
• Ретаргетинг
• Каналы маркетинга