Атрибуция в сквозной аналитике: что выбрать и когда

Атрибуция в сквозной аналитике: что выбрать и когда

Атрибуция — это способ распределить ценность конверсии между точками контакта на пути пользователя. В сквозной аналитике выбор модели определяет, куда пойдут бюджеты, как оцениваются кампании и какие гипотезы останутся в «тенях» из‑за недооценки. Ниже — практическое руководство для e-commerce, b2b и мобильных продуктов, где пересекаются SEO, контекст, медийка, CRM и офлайн.

Базовые модели: когда простые правила работают лучше

• Last non-direct click — стандарт для быстрой перформанс‑оценки. Подходит при коротком цикле покупки, когда большинство решений принимаются в рамках одного сеанса или суток.
• First click — полезен для верхневоронечных кампаний и бренд‑стратегий: показывает, что действительно инициирует спрос.
• Linear — равномерно делит ценность между всеми касаниями. Удобен для стабилизации отчётов в период тестов и частой смены креативов.
• Time decay — больше веса ближе к конверсии. Подходит при длинном пути, где ретаргетинг и CRM‑коммуникации «дожимают» клиента.
• Position‑based (U‑shaped/W‑shaped) — акцент на первом и последнем контактах (и, при W‑модели, на микроконверсии). Хороший компромисс для b2b и сложных продуктовых воронок.

Алгоритмические модели: когда данных много

• Data‑Driven (DDA) — обучается на ваших конверсиях и перераспределяет ценность по реальному влиянию каналов. Нужны стабильные данные: ориентир — от 300–500 конверсий за 30 дней по типу конверсии на один источник.
• Марковские цепи — учитывают вероятности переходов и удаления шага пути. Лучше всего работают в сквозной аналитике с полноценным сбором событий и идентификаторов.
• Шепли (Shapley Values) — справедливо делит вклад на основе всех перестановок путей. Требователен к объёму данных и вычислительным ресурсам.

Как выбрать модель под бизнес‑задачу

• E‑commerce с коротким циклом (фастфуд, fashion, товары до 100$): Last non‑direct click или Time decay на 7–14 дней; для верхнего уровня — Position‑based.
• B2B/дорогие услуги с длинным циклом: Position‑based/W‑shaped, затем переход на DDA/Марков при накоплении данных. Учтите офлайн‑сделки из CRM.
• Бренд и медийка: First click для оценки инкремента на входе, Time decay для вкладов в доходимость. Комбинируйте с Brand Lift/инкрементальными тестами.
• Мобильные приложения: внутри сетей — last click по их правилам; для маркетинга в целом — сквозная Position‑based или DDA плюс MMM для бюджетов.

Критерии готовности данных

• Объём: 300+ целевых конверсий/30 дней на тип события — минимум для DDA; 1000+ для устойчивых Марковских/Шепли оценок.
• Качество идентификации: user_id/ClientID, склейка cross‑device, импорт офлайн‑конверсий из CRM/коллтрекинга.
• Приватность: server‑side трекинг, конверсии по API (CAPI), хэшированные emails для better match.
• Единые окна и UTM‑стандарты: все источники должны жить по одинаковым правилам именования и дедупликации.

Шаги внедрения в сквозной аналитике

• Соберите карту пути: источники трафика, микроконверсии, ключевые события и точки данных (web, app, CRM, офлайн).
• Нормализуйте теги: UTM‑справочник, правила канонизации рефереров, дедупликация дублей.
• Определите «истину» конверсии: where = CRM/заказ, when = момент оплаты/статус, window = X дней, view‑through = да/нет.
• Выберите стартовую модель: Position‑based или Time decay — как базовая. Параллельно запустите DDA в «песочнице» для сравнения.
• Постройте сравнение: hold‑out тесты, псевдо‑сплиты (по регионам/аудиториям), метрики инкремента и CPA по сегментам.
• Автоматизируйте экспорт конверсий в рекламные системы с той же логикой окна и дедупликацией.

Типичные ошибки

• Подмена цели: оценивать бренд‑охват по last click — недооценит upper funnel.
• Разные окна: 7‑day click в рекламной системе и 30‑day click+view в BI ломают сопоставимость.
• Игнор офлайна: без CRM загрузок b2b‑воронка искажена в пользу диджитал «дожимателей».
• Перекрученная гранулярность: попытка DDA на 20 разрозненных микроцелей без объёма.

Мини‑кейс

Интернет‑магазин электроники с циклом 10–15 дней перешёл с last click на Position‑based (40/20/40) и добавил Time decay для CRM‑писем. В результате кампании по обзорам и сравнительным статьям, недооценённые ранее, получили +28% бюджета и дали −14% CPA за 6 недель. После накопления 1200 конверсий/30 дней команда проверила DDA: распределение стало ближе к Position‑based, но точнее по ретаргету — +9% ROAS.

Как сочетать MTA и MMM

• MTA (мультитач‑атрибуция) отвечает за распределение внутри digital‑пути.
• MMM (медиамикс‑моделирование) оценивает вклад каналов на уровне бюджета и сезонности, включая офлайн и TV.
• Практика: MTA — для тактических ставок и креатива, MMM — для квартального/годового аллокационного решения.

Метрики для принятия решения

• Инкрементальный lift по конверсиям/выручке (hold‑out).
• Стабильность CPA/ROAS по 4–6 неделям.
• Сдвиг бюджета в пользу каналов верхнего уровня без роста blended CPA.
• Доля атрибуции, совпадающая с фактическим LTV в CRM по когортам.

«Главная ловушка — искать “идеальную” модель. В реальности нужно согласовать единые правила данных, окно атрибуции и процедуру пересмотра модели раз в квартал. А для решений по бюджету всегда держите рядом инкрементальные тесты — без них любая атрибуция превращается в мнение.»

Мнение эксперта: Ирина Кузнецова, руководитель отдела продуктовой аналитики

Итог

Начинайте с понятной Position‑based или Time decay, параллельно валидируйте DDA. Закрепите единые окна, импортируйте офлайн‑конверсии, автоматизируйте экспорт событий в рекламные платформы. Сверяйте результаты с инкрементальными тестами и MMM. В такой связке атрибуция перестаёт быть спором о «клике» и становится инструментом роста.

FAQ