Атрибуция в digital-маркетинге: last-click, multi-touch, MMM

Когда клиент совершает покупку в интернет-магазине, он редко делает это с первого касания с брендом. Сначала увидел рекламу в соцсетях, потом загуглил название, перешёл из контекстной рекламы, через неделю кликнул по баннеру в РСЯ, потом получил рассылку с промокодом и наконец-то оформил заказ через прямой заход. Какой из этих каналов «принёс» эту продажу? Это и есть основной вопрос атрибуции — одной из самых сложных и плохо понимаемых дисциплин в маркетинге.

От ответа на этот вопрос зависит распределение многомиллионных бюджетов между каналами. Неправильная модель атрибуции систематически переоценивает одни каналы и недооценивает другие, что приводит к перекосам инвестиций и провалам кампаний. Разбираем основные модели атрибуции, их сильные и слабые стороны, современные подходы вроде MMM и data-driven attribution, и практические рекомендации, как выбирать модель под свой бизнес.

Почему атрибуция — проблема, а не задача

В классическом маркетинге всё было проще. Рекламу видел только тот, кто её видел; покупка происходила в магазине; связь между объявлением и продажей можно было установить с помощью промокодов или прямых вопросов клиентам. В digital-эре каждый пользователь оставляет десятки цифровых следов: посещения сайтов, клики по рекламе, открытия писем, переходы из соцсетей. Связать все эти следы с финальной покупкой — нетривиальная задача.

Главная сложность — у каждой покупки нет однозначной причины. Пользователь, увидевший баннер в одном месте и кликнувший по контекстной рекламе в другом, мог купить из-за первого, второго, обоих или ни одного — собственное решение, не связанное напрямую с рекламой. Атрибуция — это всегда модель, упрощение реальности, и разные модели дают принципиально разные ответы на один и тот же вопрос.

Last-click attribution: классическая модель

Самая старая и до сих пор распространённая модель — last-click attribution. Вся ценность конверсии присваивается последнему каналу, через который пришёл пользователь перед покупкой. Если последний клик был из контекстной рекламы — конверсия записывается контексту, остальные каналы не получают ничего.

Преимущества last-click: простота понимания и реализации, лёгкая интеграция с любыми системами аналитики, чёткие KPI по каналам. Это модель по умолчанию в большинстве рекламных платформ и аналитических систем.

Главный недостаток — систематическое искажение. Last-click переоценивает каналы, работающие на финальном этапе воронки (брендовый поиск, ретаргетинг, direct), и недооценивает каналы, формирующие первичный интерес (медийная реклама, SEO информационных запросов, контент-маркетинг). Компании, ориентирующиеся только на last-click, постепенно перестают инвестировать в верхние слои воронки, что приводит к иссяканию pipeline новых пользователей.

First-click attribution

Противоположная крайность — first-click attribution. Вся ценность присваивается первому каналу, через который пользователь узнал о бренде. Если первое касание было через рекламу в соцсетях, а покупка через 2 недели через прямой заход — конверсия записывается соцсетям.

Эта модель отражает важность первичного привлечения, но имеет обратные проблемы: переоценивает top-of-funnel каналы, недооценивает работу на финальных этапах. Используется реже, чем last-click, обычно как контрольная для оценки эффективности awareness-кампаний.

Linear attribution

Linear (linear-distribution) attribution распределяет ценность конверсии равномерно между всеми каналами в цепочке касаний. Если до покупки было 5 касаний — каждое получает 20% ценности конверсии. Простая, понятная, но игнорирующая разницу в значимости касаний.

Линейная модель хороша как переход от last-click к более сложным моделям. Она признаёт мультитач-природу пути клиента, не делая радикальных предположений о весах. Но не отражает реальность: первое и последнее касание обычно важнее средних, и линейное распределение этого не учитывает.

Time-decay attribution

Time-decay attribution даёт больший вес каналам ближе к моменту покупки. Чем раньше было касание, тем меньшую долю конверсии оно получает. Если первое касание было месяц назад, оно получит, например, 5%; касание за день до покупки — 30%.

Логика: пользователи быстрее забывают далёкие касания, недавние влияют сильнее. Модель полезна для коротких циклов покупки и для бизнесов с высокой долей повторных покупок, где предыдущие касания важны меньше последних.

U-shaped и position-based модели

U-shaped (или position-based) attribution даёт повышенные веса первому и последнему касанию, распределяя оставшийся бюджет между средними. Типичная разбивка — 40/20/40: 40% первому, 40% последнему, 20% делятся между промежуточными.

Логика модели: первое касание открывает воронку, последнее закрывает сделку — оба критически важны. Промежуточные касания помогают, но менее существенно. Подход признаёт сложную структуру customer journey без впадания в крайности last-click или first-click.

U-shaped — компромиссная модель, хорошо подходящая для большинства B2C-бизнесов с понятным двумя ключевыми этапами: первичное знакомство и финальная конверсия. Для сложных B2B-воронок с многоступенчатым принятием решения часто используется W-shaped с дополнительным акцентом на ключевой средней точке (например, момент входа в маркетинговый список).

Data-driven attribution: статистический подход

Все модели выше — rule-based: веса назначаются по правилам, выбранным человеком. Data-driven attribution идёт дальше: алгоритм машинного обучения анализирует реальные customer journeys и определяет, какие каналы и в каких комбинациях статистически влияют на вероятность конверсии.

Подход даёт более точные веса, основанные на реальных паттернах, а не на эмпирических предположениях. Различные алгоритмы используются: shapley value (концепция из теории игр), markov chains, gradient boosting на признаках customer journey.

Data-driven attribution встроена в Google Analytics 4 как модель по умолчанию (после deprecation Universal Analytics в 2023 году). Также доступна в крупных рекламных платформах (Google Ads, Facebook Ads через off-platform tracking).

Ограничения подхода: требует значительного объёма данных для статистической значимости (тысячи конверсий с детальным customer journey); чёрный ящик — сложно объяснить, почему именно такие веса; не работает на cross-device без надёжного user-id. Для маленьких бизнесов с малым количеством конверсий data-driven attribution может давать нестабильные результаты.

Data-driven attribution точнее правил, но требует объёма данных и инфраструктуры. Для большинства маленьких и средних бизнесов разумнее использовать понятную rule-based модель и фокусироваться на других факторах оптимизации.

Media Mix Modeling (MMM)

MMM — статистический подход, оценивающий вклад разных маркетинговых каналов через эконометрический анализ временных рядов. В отличие от touch-attribution, работающей на уровне отдельных пользователей и их customer journey, MMM работает с агрегированными данными: общие расходы по каналам в неделю, общие продажи в неделю, внешние факторы (сезонность, конкурентные акции, экономические показатели).

MMM не требует индивидуальных данных о пользователях — это его главная сила в эпоху усиления privacy-ограничений. Cookies, ITP, GDPR — всё это сильно ограничивает touch-attribution, но не затрагивает MMM. Подход возвращается в фокус после долгого периода доминирования цифровой атрибуции на уровне пользователя.

Модель MMM включает: исторические данные за 2–3 года продаж и расходов по каналам; внешние переменные (сезонность, праздники, экономика); событийные переменные (запуск конкурента, изменение цен, медиа-события); регрессионный анализ для определения вклада каждого канала.

Преимущества MMM: учитывает офлайн-каналы (ТВ, наружка, печатная пресса); устойчив к privacy-ограничениям; даёт долгосрочную картину (включая отложенные эффекты рекламы); подходит для крупных компаний с большим бюджетом.

Недостатки: требует исторических данных и аналитической экспертизы; не работает на детальном уровне (нельзя оптимизировать конкретные кампании внутри канала); медленно обновляется (квартально или ежемесячно).

Incrementality testing: что реально работает

Любая атрибуция отвечает на вопрос «кому из каналов записать конверсию». Но не отвечает на главный для маркетолога вопрос: «что произойдёт, если убрать этот канал?». Incrementality testing — экспериментальный подход к ответу.

Подход: для тестируемого канала создаются контрольная и тестовая группы. Контрольная не получает рекламу через этот канал, тестовая получает. Разница в конверсиях между группами показывает реальный инкрементальный вклад канала — сколько дополнительных конверсий он принёс.

Типичные сценарии тестирования: геоэксперименты (один регион получает рекламу, другой нет), временные тесты (период с рекламой vs без), audience holdout (часть аудитории не получает рекламу). Результаты часто шокируют: каналы, которым атрибуция приписывает много конверсий, могут иметь низкую инкрементальность — пользователи всё равно бы купили без этой рекламы.

Cross-device и cross-platform проблемы

Современный пользователь использует несколько устройств: смартфон, планшет, рабочий ноутбук, домашний десктоп. И несколько платформ: соцсети, поисковики, мессенджеры, мобильные приложения. Customer journey почти всегда происходит cross-device и cross-platform.

Без надёжной идентификации пользователя через устройства атрибуция фрагментируется. Один и тот же человек выглядит как несколько разных пользователей. Касание на мобильном и покупка на десктопе не связываются.

Решения: логин-системы (если пользователь авторизуется через все устройства, сервис видит его как одного человека); сторонние graph-провайдеры (специализированные сервисы, объединяющие cookies через своих партнёров); вероятностные модели (определение «вероятно один и тот же пользователь» по характеристикам). Каждый подход имеет ограничения, особенно усиливающиеся с ужесточением privacy-законодательства.

Privacy-эра и её влияние

За последние пять лет привычные методы tracking резко ослабли. ITP (Intelligent Tracking Prevention) в Safari ограничивает третьесторонние cookies до 1 дня. Firefox блокирует трекеры по умолчанию. iOS требует явного opt-in для tracking в приложениях через ATT. GDPR и аналоги ограничивают сбор персональных данных без согласия.

В этих условиях классическая user-level attribution становится менее надёжной. Доля пользователей с полным customer journey, доступным для аналитики, существенно снизилась. Атрибуция переходит к гибридным подходам: server-side tracking, моделирование пропущенных данных, частичная агрегация на стороне платформ (Facebook Aggregated Event Measurement, Google Privacy Sandbox).

Тренд — возврат к MMM как основному инструменту стратегического распределения бюджета. Touch-attribution остаётся полезной для тактических решений (оптимизация конкретных кампаний), но всё чаще дополняется или заменяется agregate-подходами.

Как выбирать модель атрибуции

Универсального правильного выбора нет. Несколько типичных рекомендаций под разные ситуации.

• Маленький бизнес, короткий цикл покупки: last-click достаточен; усилия лучше вложить в оптимизацию каналов, не в сложную атрибуцию
• Средний бизнес с заметным маркетинговым миксом: U-shaped или time-decay как компромисс между простотой и адекватностью
• Крупный бизнес с большими бюджетами: MMM на стратегическом уровне + multi-touch на тактическом + регулярные incrementality-тесты
• Долгий цикл B2B-продаж: W-shaped с акцентом на ключевые точки воронки, дополнение MMM для понимания влияния brand-маркетинга
• E-commerce с тысячами конверсий: data-driven attribution в GA4 + incrementality-тесты для верификации

Типичные ошибки в работе с атрибуцией

Несколько распространённых проблем.

Использование одной модели для всех решений. Last-click — простая, но даёт искажённую картину для решений о стратегическом распределении бюджета. Разные решения требуют разных инструментов.

Игнорирование brand-каналов. Брендовая реклама, контент-маркетинг, PR часто не «приносят конверсии» в touch-attribution — но реально формируют узнаваемость, без которой остальные каналы работают хуже. MMM и incrementality-тесты помогают увидеть это влияние.

Слепое доверие data-driven attribution. Модель — не оракул. Веса могут быть нестабильны на малых объёмах данных; могут реагировать на noise; могут систематически недооценивать каналы с долгим эффектом. Контрольные эксперименты — обязательны.

Атрибуция без understanding бизнеса. Алгоритм работает на тех данных, что есть. Если в данных не учтены офлайн-продажи, repeat-покупки, brand-эффекты — модель неполна. Атрибуция всегда должна сопровождаться качественным пониманием бизнеса и его реальных driver продаж.

Часто задаваемые вопросы

Как часто менять модель атрибуции?

Не часто. Смена модели меняет атрибутированную ценность по каналам, что усложняет сравнение периодов и анализ исторических трендов. Менять стоит, когда: модель явно даёт искажённую картину, бизнес перешёл на новую стадию (новые каналы, новая воронка), доступны новые данные, оправдывающие смену.

Можно ли использовать несколько моделей одновременно?

Можно и часто разумно. Last-click для оперативной отчётности (понятен всем стейкхолдерам), data-driven для оптимизации бюджета, MMM для стратегических решений. Главное — иметь чёткое понимание, какая модель отвечает на какой вопрос, и не путать их выводы.

Стоит ли вкладываться в data-driven attribution маленькому бизнесу?

Обычно нет. У маленького бизнеса часто слишком мало конверсий для статистической стабильности data-driven модели. Веса могут сильно колебаться от месяца к месяцу из-за случайности. Лучше использовать понятную rule-based модель и фокусироваться на крупных стратегических решениях, не на тонкой оптимизации атрибуции.

Как учесть офлайн-покупки в атрибуции?

Несколько подходов. Подключение CRM/POS-данных к аналитике для матчинга онлайн-касаний и офлайн-продаж (через email, телефон, лояльности). Опросы клиентов «как вы узнали о нас». MMM, который не требует индивидуального tracking и хорошо учитывает офлайн-каналы.

Что такое view-through attribution?

View-through (или post-view) attribution — приписывание конверсии каналу, где пользователь видел рекламу, но не кликнул. Применяется для оценки медийной рекламы и видео, где click-through редко (потому что цель — увидеть, не кликнуть). Спорный подход: связь между показом и более поздней покупкой статистически сложна и часто переоценивается.

Как часто проводить incrementality-тесты?

Для значимых каналов — раз в полгода-год. Чаще не имеет смысла из-за необходимости длительных периодов наблюдения. Для новых каналов или после крупных изменений — после стабилизации кампании (обычно 2–3 месяца после запуска). Результаты служат калибровкой атрибуционных моделей и стратегических решений по бюджету.

Заключение

Атрибуция — одна из самых сложных дисциплин маркетинга, где простые ответы обычно неправильны. За кажущейся технической проблемой «кому приписать конверсию» стоят фундаментальные вопросы причинности, мультитач-эффектов, brand-влияния, privacy-ограничений. Любая модель — упрощение, и понимание этих упрощений критично для интерпретации результатов.

Зрелая команда работает не с одной моделью, а с системой подходов. Touch-attribution для понимания customer journey на уровне отдельных конверсий. MMM для стратегического распределения между каналами с учётом долгосрочных эффектов. Incrementality-тесты для верификации модельных предположений через эксперименты. Каждый инструмент даёт свой угол зрения; вместе они формируют объёмную картину.

В ближайшие годы атрибуция будет всё больше двигаться к гибридным подходам: меньше зависимости от user-level tracking, больше использования агрегированных данных и моделирования. Команды, осваивающие эти подходы заранее, получат преимущество, когда privacy-ограничения окончательно сделают классическую touch-attribution менее надёжной. Главное в любых подходах — критическое мышление и понимание, что атрибуция отвечает не на «истинный» вопрос «кто принёс продажу», а на полезный вопрос «как разумно распределить ресурсы».