Модель атрибуции

Модель атрибуции — это правило, по которому системы аналитики распределяют ценность конверсии между маркетинговыми каналами, которые пользователь посетил на пути к покупке.

Что такое модель атрибуции

Каждый раз, когда пользователь совершает покупку или оставляет заявку, этому действию предшествует цепочка касаний: увидел рекламу в соцсетях, потом нашел сайт через поиск, потом кликнул по ретаргетингу. Модель атрибуции отвечает на вопрос: какому из этих касаний приписать заслугу конверсии? Ответ на этот вопрос напрямую определяет, как маркетолог распределит бюджет в следующем месяце — и именно поэтому выбор модели критичен, а не формален. Компания с рекламным бюджетом 300 000 рублей в месяц, использующая неправильную модель, рискует перераспределить 60 000-90 000 рублей не в те каналы. Это не техническая деталь аналитики — это прямое влияние на рентабельность маркетинга. Простой пример: при атрибуции по последнему клику брендовый поиск выглядит золотым каналом, хотя на самом деле лишь фиксирует спрос, сформированный соцсетями или контентом.

Понятие атрибуции пришло в digital-маркетинг из академической психологии и экономики, где применялось для оценки влияния факторов на результат. В интернет-рекламе термин начал активно использоваться после 2008 года, когда Google Analytics запустил многоканальные последовательности и открыл для массового рынка инструмент анализа путей пользователей. До этого большинство рекламодателей по умолчанию работали с атрибуцией по последнему клику — просто потому что это было единственное доступное измерение. Появление инструментов многоканального анализа изменило подход к оценке эффективности, хотя и не сразу: многие агентства и клиенты еще годами продолжали отчитываться только по last-click. Постепенно осознание проблемы распространилось — особенно после того, как крупные рекламодатели начали публиковать кейсы о том, как смена модели атрибуции перевернула их представление о рентабельности каналов. Сейчас стандартом для продвинутых команд считается как минимум сравнение нескольких моделей.

В digital-маркетинге модели атрибуции стали особенно важны по мере усложнения customer journey. Пользователь в среднем совершает от 6 до 12 касаний с брендом перед покупкой — таковы данные исследования Google «The Customer Journey to Online Purchase». Для дорогих продуктов или b2b-сегмента цикл может растягиваться на месяцы: согласно данным Demand Gen Report, 67% b2b-покупателей совершают больше 3 касаний до запроса коммерческого предложения. Если вся ценность конверсии уходит только последнему каналу, маркетолог видит искаженную картину: каналы верхней воронки выглядят убыточными, хотя фактически они формируют спрос и осведомленность. Алгоритмы рекламных платформ — Google Ads, Яндекс.Директ — тоже используют атрибуцию при оптимизации ставок автоматических стратегий, то есть выбор модели влияет не только на отчетность, но и на то, как машинное обучение обучается на ваших данных.

Маркетологу и бизнесу важно понимать атрибуцию по нескольким причинам. Первая — бюджетная: неправильная атрибуция приводит к тому, что деньги перераспределяются в пользу последнего звена цепочки (чаще всего — брендовой поисковой рекламы), а каналы первичного спроса урезаются. Вторая — стратегическая: зная реальный вклад каждого канала, можно выстраивать воронку осознанно, а не интуитивно. Третья — операционная: при смене модели атрибуции KPI команды кардинально меняются, что влияет на мотивацию и приоритеты специалистов. Четвертая причина — техническая: современные рекламные платформы требуют указать модель атрибуции для автоматических стратегий, и маркетолог, не понимающий разницы между ними, просто кликает «по умолчанию» — тем самым отдавая ключевое решение системе без осознанного выбора. Грамотное управление атрибуцией — один из признаков зрелой маркетинговой команды.

Как работает модель атрибуции

1. Сбор данных о касаниях. Аналитическая система фиксирует каждый визит пользователя с указанием источника трафика — UTM-метки, реферальный URL, прямой заход. Пиксели, cookies и идентификаторы устройств позволяют отслеживать человека между сессиями на одном устройстве. Без корректно настроенной разметки UTM или сквозной аналитики цепочка касаний будет неполной, и любая модель даст некорректный результат — например, трафик из email-рассылки без UTM будет ошибочно засчитан как прямой заход.
2. Сборка пути пользователя. Система объединяет все касания одного пользователя в единую последовательность — так называемый customer journey. В Google Analytics 4 это делается через идентификаторы сессий и Client ID; в Яндекс.Метрике — через ClientID и возможную связку с CRM через офлайн-конверсии. Чем дольше окно атрибуции (стандартно 30-90 дней), тем полнее картина пути, но тем сложнее хранить и обрабатывать данные — особенно это важно для бизнесов с длинным циклом сделки.
3. Применение правила распределения ценности. После того как путь собран, модель назначает каждому каналу долю от ценности конверсии по заранее заданному правилу — первое касание, последнее, равные доли или взвешенные коэффициенты. Именно этот шаг и отличает разные модели: при атрибуции по последнему клику все 100% ценности получает последний канал, при линейной — каждый получает по 1/N, где N — число касаний в цепочке. Это правило может быть задано вручную (rule-based) или рассчитано алгоритмом машинного обучения (data-driven).
4. Агрегация и построение отчетов. Итоговые данные суммируются по каналам, кампаниям и объявлениям за выбранный период. Маркетолог видит, сколько конверсий и дохода приписано каждому источнику. Важно понимать, что суммарное число конверсий в многоканальном отчете может превышать фактическое — это нормально, потому что несколько каналов получают дробные доли одной конверсии при линейной и позиционной моделях.
5. Принятие решений о перераспределении бюджета. На основе атрибуционного отчета маркетолог корректирует ставки, бюджеты и состав каналов. Если органический поиск стабильно участвует в первом касании для 60% конверсий — это аргумент в пользу инвестиций в SEO, даже если по last-click он дает лишь 15%. Если медийная реклама фигурирует в 80% цепочек как промежуточный шаг, но не отражается в отчете по последнему клику — без атрибуционного анализа этот вклад будет невидим и канал могут ошибочно отключить.
6. Валидация модели. Опытные маркетологи не ограничиваются одной моделью — они сравнивают несколько, а в идеале проводят A/B-тесты каналов: включают или отключают один канал для части аудитории и замеряют изменение конверсии по всей воронке. Google Analytics 4 и Яндекс.Метрика позволяют переключаться между моделями прямо в интерфейсе, что дает возможность быстро оценить, как меняется картина — этот шаг занимает минуты, а инсайты могут быть неожиданными.

Виды моделей атрибуции

• Атрибуция по последнему клику (Last Click). Вся ценность конверсии уходит последнему каналу перед покупкой. Это самая распространенная и наиболее критикуемая модель: она проста в интерпретации, но систематически переоценивает нижнюю воронку — брендовый поиск, прямые заходы, ретаргетинг. По данным отраслевых отчетов, более 60% рекламодателей малого и среднего бизнеса по умолчанию используют именно ее. Оптимально применять только для быстрых транзакций с одним касанием — например, контекстная реклама на запрос «заказать пиццу с доставкой», где от клика до покупки проходит несколько минут.
• Атрибуция по первому клику (First Click). Вся ценность уходит первому касанию — каналу, который впервые привел пользователя на сайт. Переоценивает каналы привлечения (таргет, медийная реклама, SEO по информационным запросам) и полностью игнорирует роль «дожимающих» каналов. Полезна, когда нужно понять, какой канал лучше всего генерирует новый трафик — например, при запуске нового продукта и оценке первичной осведомленности среди ранее неизвестной аудитории.
• Линейная модель (Linear). Ценность делится поровну между всеми касаниями в цепочке: если пользователь сделал 4 касания, каждому достается 25%. Дает более справедливую картину, чем крайние модели, но уравнивает все касания независимо от их реальной роли — первое касание и последнее получают одинаковый вес, хотя могут существенно отличаться по значимости. Хорошо подходит для контент-маркетинга и инфобизнеса, где сложно выделить одно «главное» взаимодействие в длинной цепочке.
• Позиционная модель / U-образная (Position-Based). Первое и последнее касания получают по 40% ценности, оставшиеся 20% делятся между промежуточными. Логика проста: первое касание важно как источник знакомства с брендом, последнее — как финальный триггер конверсии, а промежуточные поддерживают интерес. Эта модель популярна у performance-маркетологов, потому что учитывает оба ключевых момента пути и хорошо работает для бизнесов с длинным циклом сделки — недвижимость, b2b, дорогостоящее образование.
• Модель на основе времени (Time Decay). Чем ближе касание к конверсии, тем больше его вес. Стандартное полувремя затухания — 7 дней: касание неделю назад получает в 2 раза меньше ценности, чем касание вчера. Хорошо отражает логику покупки с коротким циклом принятия решения, но систематически занижает каналы верхней воронки, которые «разогревают» аудиторию задолго до конверсии. Подходит для акций, флеш-распродаж и других ситуаций с явным ограничением по времени.
• Data-driven атрибуция (на основе данных). Машинное обучение анализирует реальные пути конверсии и назначает веса каждому касанию на основе его фактического статистического влияния — не по правилу, а по данным. Google Analytics 4 и Яндекс.Метрика предлагают эту модель, но для ее корректной работы нужно минимум 400-1000 конверсий в месяц. Это наиболее точный подход, который постепенно вытесняет правилобазированные модели у крупных рекламодателей с достаточным объемом данных.

Сравнение моделей атрибуции

Пример использования

Онлайн-школа по веб-дизайну с ежемесячным трафиком около 20 000 визитов работала исключительно по модели последнего клика. По отчетам, 78% продаж приносил брендовый поиск в Яндекс.Директе — и маркетолог ежемесячно увеличивал бюджет на него. Таргетированная реклама во ВКонтакте давала по отчетам лишь 4% конверсий при сравнимом бюджете и была признана неэффективной, ее почти отключили. Instagram-контент давал нулевые прямые продажи и вообще не рассматривался как рекламный канал, только как «имиджевый».

После подключения сквозной аналитики и переключения на позиционную модель картина изменилась кардинально. Выяснилось, что Instagram присутствует в цепочке 61% покупателей в роли первого касания, ВКонтакте — в 44% как промежуточное касание. Брендовый поиск по-прежнему закрывал большинство сделок, но сам спрос формировали соцсети. Маркетолог перераспределил 30% бюджета с брендового поиска на контент и таргет, сохранив достаточно на удержание поискового спроса. За 60 дней стоимость привлечения ученика снизилась с 6400 до 3700 рублей, а ежемесячный объем продаж вырос с 41 до 67 курсов при том же суммарном рекламном бюджете 180 000 рублей.

Частые вопросы