Как выбрать модель атрибуции и не исказить вклад рекламных каналов

Выбор модели атрибуции (правила распределения ценности конверсии) начинается с определения данных, которые должны отобразиться в отчете. Одна модель помогает найти источник первоначального привлечения, другая показывает завершающее взаимодействие, третья распределяет ценность конверсии между несколькими касаниями (взаимодействиями клиента с источниками). После постановки задачи нужно определить, какую часть пути клиента видит аналитика, и сравнить допустимые модели при одинаковых настройках.

Универсального правила нет, поскольку каждая модель отвечает на свой вопрос и пропускает часть пути.

Как выбрать модель атрибуции: короткий алгоритм

Чтобы выбрать модель, последовательно проводят пять проверок:

1. Управленческая задача. Зафиксируйте требование к отчету и решение, которое команда примет по его результатам;

2. Наблюдаемый путь. Опишите наблюдаемые касания, повторные визиты, устройства, прямые заходы и продолжительность цикла сделки;

3. Полнота данных. Проверьте разметку источников, связь идентификаторов, статусы CRM, офлайн-конверсии и дедупликацию (удаление повторно учтенных событий);

4. Допустимые модели. Оставьте варианты, которые поддерживает аналитическая или рекламная система и для которых хватает наблюдений;

5. Сопоставимое сравнение. Постройте отчеты за один период с одинаковыми конверсиями, одинаковым окном атрибуции, часовым поясом и правилами учета.

Для разных задач могут подойти разные модели. В отчете о первичном привлечении и при настройке передачи данных автоматической стратегии (алгоритмического управления рекламной кампанией) одна конверсия может распределяться по-разному.

“Attribution is widely used to formulate and evaluate marketing but often without a clear specification of the measurement objective and the decision-making needs.”

Joseph Kelly, Jon Vaver, Jim Koehler, исследователи Google, авторы A Causal Framework for Digital Attribution

Авторы работы 2018 года отмечают, что цифровую атрибуцию часто применяют без четкой цели измерения и связи с управленческим решением. Поэтому сначала определяют, на какой вопрос должны ответить данные, а затем выбирают модель.

Что именно распределяет модель атрибуции

Модель атрибуции — это правило или алгоритм, который распределяет ценность наблюдаемой конверсии между зафиксированными касаниями. Касанием считается взаимодействие пользователя с источником, которое зафиксировала система. Это может быть переход по объявлению, визит из поиска или прямой заход.

Ценностью может быть одна конверсия, выручка от заказа или другой заранее выбранный показатель. Если модель отнесла к каналу 40% ценности, это значит, что канал получил такую долю по правилам модели с учетом доступной истории касаний.

Почему присвоенная ценность не доказывает причинный эффект

Атрибуция не отвечает на вопрос, совершил бы человек покупку без рекламы или нет. Зафиксированное касание могло повлиять на решение, совпасть с уже сформированным спросом или появиться в пути клиента из-за правил показа рекламы.

Сопоставление наблюдательных методов (анализ данных без эксперимента) с полевыми экспериментами (экспериментами в реальных условиях) Facebook показало, что last-touch attribution — присвоение результата последнему касанию — может значительно завышать оценку эффективности рекламы по сравнению с экспериментальным измерением. Авторы другого исследования изучили 663 эксперимента Facebook и не смогли надежно восстановить причинный эффект двумя неэкспериментальными методами даже при наличии более 5000 пользовательских признаков в исходных данных.

Атрибуционная доля, причинный эффект и инкрементальность обозначают разные величины. Инкрементальность показывает дополнительный результат, который возник благодаря воздействию и отсутствовал бы без него.

Чем отличаются основные модели атрибуции

Модели атрибуции по-разному распределяют ценность одной конверсии, поэтому результаты на одном и том же наборе данных различаются:

Модели, которые учитывают только одно касание, дают искаженную оценку, поскольку присваивают всю ценность конверсии одному источнику и не учитывают вклад остальных. Last Click пропускает ранние касания, First Click — завершающие взаимодействия. Многокасательные модели учитывают больше касаний, но равные доли, позиционные веса и затухание остаются допущениями.

Data-Driven Attribution тоже зависит от доступной истории и логики платформы. Но для этого подхода нет единого минимального числа конверсий. Пригодность здесь оценивают по документации системы, доступности модели и устойчивости результата на данных конкретного рекламодателя.

Как управленческая задача меняет выбор модели

Источник первоначального привлечения

First Click показывает, с какого известного касания начался наблюдаемый путь. Называть его источником спроса рискованно, поскольку аналитика видит первый зафиксированный контакт в своем окне, хотя человек мог познакомиться с брендом раньше или в другой среде.

Взаимодействие перед конверсией

Last Click определяет источник последнего известного перехода. Last Non-Direct Click учитывает последнее непрямое касание, если конверсионный визит отмечен как прямой. Обе модели показывают последнее известное взаимодействие, но не распределяют ценность между предыдущими каналами.

Распределение ценности по пути

Linear, Position-Based и Time Decay показывают, как доли каналов меняются при разных предположениях. Если при смене правила доля канала резко меняется, аналитику стоит изучить его позицию в пути. Одного такого расхождения недостаточно для отключения канала или переноса бюджета.

Отчетность и обучение рекламной стратегии

Отчетная модель помогает команде интерпретировать результаты. Модель внутри рекламной системы может определять, какие конверсии передаются автоматической стратегии для обучения, то есть какие события алгоритм использует при управлении показами и ставками.

Для этих задач команда может выбрать разные модели. Команде нужно зафиксировать, чем различаются модели, и проверять правила учета, прежде чем переносить цифры между отчетом и рекламной системой.

Какие данные нужны для корректной атрибуции

Перед выбором модели проверяют:

• Единые названия и разметку рекламных источников;

• Одинаковый набор целевых событий и правила расчета их ценности;

• Историю визитов и последовательность касаний;

• Возможность связать взаимодействия одного клиента между устройствами;

• Связь веб-идентификатора, обращения и сделки в CRM;

• Возврат статусов продаж и офлайн-конверсий в аналитику;

• Единые правила дедупликации, то есть удаления повторного учета одной конверсии;

• Зафиксированные правила post-click и post-view.

Post-click-конверсия происходит после зарегистрированного клика. Post-view-конверсию система связывает с показом рекламы без известного клика. Если два отчета используют разные правила, они расходятся и из-за модели, и из-за состава учтенных взаимодействий.

Какие выводы искажаются из-за потери данных

Если система зафиксировала не все касания, вывод может быть ошибочным:

Что происходит при длинном B2B-цикле

В B2B сайт часто регистрирует заявку раньше, чем в CRM появляются результаты квалификации, коммерческое предложение и оплата. Без связи рекламного идентификатора с CRM модель покажет распределение заявок, но вклад каналов в оплаченные сделки останется неизвестным.

Отчет по заявкам полезен сам по себе, если команда делает выводы только о заявках и не переносит их на выручку. Возврат статусов продаж расширяет наблюдаемый путь, но сам по себе не восстанавливает ранние касания и связи между устройствами.

Как связаны окно атрибуции и цикл сделки

Окно атрибуции — период истории, в котором система ищет касания, связанные с конверсией. Касание за пределами окна выпадает из распределения, даже если оно влияло на реальный путь клиента.

Окно выбирают вместе с моделью. В окно должна попадать релевантная часть наблюдаемого пути, поэтому при его выборе учитывают, как фактически распределено время от известного первого контакта до целевого события. Одна лишь длина цикла сделки не определяет модель.

Сравнение теряет смысл, если для First Click взяли одну глубину истории, а для Last Click или многокасательной модели — другую. В таком отчете одновременно меняются правило распределения и набор доступных касаний.

Дерево выбора модели по задаче и ограничениям данных

Последовательность проверок выглядит так:

1. Какой вопрос поставлен? First Click описывает первое известное привлечение, Last Click и Last Non-Direct Click — завершающее взаимодействие, а многокасательные и алгоритмические модели — распределение ценности по пути;

2. Сколько касаний наблюдается? При одном известном касании модели формально дадут одинаковый результат. Расхождения появляются на многокасательных путях;

3. Полна ли идентификация? Из-за разрывов между устройствами, прямых визитов и неполных платформенных данных результат учитывает только доступный фрагмент истории;

4. Связаны ли CRM и офлайн-продажи? Без этой связи отчет отражает заявки или другие онлайн-события, но не показывает распределение оплаченных сделок;

5. Где будут применять модель? В управленческом отчете нужно понятно описать допущения и сделать результаты сопоставимыми. Для автоматической стратегии выбирают модели, которые поддерживает и рекомендует конкретная рекламная система.

Если после проверок остается несколько допустимых вариантов, команда проводит анализ чувствительности (проверка устойчивости выводов к допущениям), сравнивая распределения и определяя, какие выводы сохраняются, если изменить разумное допущение.

Как один путь клиента выглядит в разных моделях

Условия расчетного примера

Аналитика зафиксировала четыре касания: рекламу в социальной сети, органический поиск, email-рассылку и прямой визит с покупкой. Условная ценность покупки — 10 000 рублей. Все взаимодействия произошли в одном окне и относятся к одному клиенту.

В примере Position-Based Attribution первое и последнее касания получают по 40 %, два промежуточных — по 10 %. Для Time Decay вес каждого следующего касания увеличивается вдвое. После нормализации (приведения весов к общей сумме) доли составляют 6,67 %, 13,33 %, 26,67 % и 53,33 %. Эти настройки нужны только для расчета и не служат отраслевым стандартом.

Фактическая покупка и ее ценность во всех строках одинаковы. Меняется лишь способ распределения 10 000 рублей. Такой расчет показывает последствия допущений, но не позволяет определить, какую выручку принес каждый канал и какова вероятность покупки без конкретного касания.

Как корректно сравнить модели перед изменением бюджета

Для сравнения нужен единый протокол:

1. Зафиксировать бизнес-вопрос и рассматриваемое решение;

2. Выбрать один период анализа и один часовой пояс;

3. Использовать одинаковые конверсии, статусы и правила расчета ценности;

4. Установить одинаковое окно или документировать неизменяемое ограничение платформы;

5. Сохранить единые правила идентификации пользователей и связи устройств;

6. Применить одинаковую дедупликацию конверсий;

7. Отдельно зафиксировать включение post-click и post-view;

8. Сравнить долю каждого канала, число путей и позиции касаний;

9. Проверить, вызваны ли крупные изменения механикой модели или пропусками данных.

При сравнении нужно разделить устойчивые и чувствительные выводы. Устойчивый вывод сохраняется при нескольких допустимых правилах. Если вывод резко меняется вместе с моделью, нужно проверить путь и качество данных или провести дополнительное измерение.

Практическим продолжением этого анализа служит кейс сравнения data-driven и стандартных моделей атрибуции в медийной рекламе.

Какие модели доступны в Яндекс Метрике и Директе

Перед изменением действующих кампаний названия и ограничения функций нужно повторно сверить с документацией.

Модели в Яндекс Метрике

В Метрике доступны последний переход, первый переход кросс-девайс, последний значимый переход кросс-девайс и автоматическая атрибуция. Кросс-девайсная логика связывает историю, которую система относит к одному посетителю на разных устройствах согласно документации Метрики.

При первом и последнем значимом переходах кросс-девайс система перестает учитывать предыдущую историю, если между визитами прошло 90 дней. Пользователь не может изменить это ограничение в настройках Метрики. Если в другом отчете задано произвольное окно, результаты нельзя считать полностью сопоставимыми.

Модели и стратегии в Яндекс Директе

Документация Директа описывает автоматическую атрибуцию, первый переход кросс-девайс, последний переход и последний значимый переход кросс-девайс. В модели «Первый переход кросс-девайс» источником считается первый переход на сайт за последние 180 дней с учетом разных устройств. Последний переход определяет источник текущего визита без предыдущей истории и подходит для технического анализа сайта по правилам Директа.

Автоматическая атрибуция Директа работает на основе алгоритмов машинного обучения, которые учитывают время взаимодействий и тип устройства. Яндекс рекомендует эту модель для обучения конверсионных стратегий, поскольку при обучении учитываются дополнительные данные о взаимодействиях, связанных с конверсией. В кампаниях с оплатой за конверсии выбранная модель влияет на то, какие визиты пользователя будут оплачиваться согласно документации Директа.

Что изменилось 20 мая 2026 года

С 20 мая 2026 года Метрика и Директ отключили модели «Первый переход», «Последний значимый переход», «Последний переход из Директа» и «Последний переход из Директа кросс-девайс». В сохраненных отчетах системы автоматически заменяют отключенные варианты актуальными моделями по сообщению Яндекса.

Из-за автоматической замены прежнее название сохраненного отчета не гарантирует прежнюю логику после этой даты. Для сравнения нужно зафиксировать фактически примененную модель.

Когда атрибуцию нужно дополнить экспериментом

Эксперимент нужен, когда важно выяснить, сколько продаж, выручки или других целевых результатов принес рекламный канал сверх того, что произошло бы без рекламы.

Атрибуционная модель не позволяет провести такое контрфактическое сравнение (сравнение с отсутствием воздействия).

Для причинной оценки инкрементального ROAS (окупаемости дополнительного эффекта рекламы) применяют, в частности, рандомизированные парные геоэксперименты (сравнение случайно выбранных пар регионов) с сопоставлением тестовых и контрольных регионов. Временная регрессия (модель зависимости показателя от времени) для геоэкспериментов может прогнозировать контрфактическую динамику рынка и оценивать накопленный причинный эффект рекламы в рамках описанного исследователями дизайна.

Выбор дизайна зависит от возможности сформировать контроль, объема данных и допущений метода. Marketing Mix Modeling (моделирование вклада маркетинговых каналов), цепи Маркова (вероятностная модель переходов между состояниями) и вектор Шепли (метод распределения вклада участников) относятся к другим аналитическим подходам. Для каждого аналитического подхода нужно отдельно поставить задачу и проверить данные.

Когда пересматривать выбранную модель

Нет обязательного календарного интервала, через который нужно менять модель. Модель нужно пересмотреть, если из-за изменений наблюдаемый путь выглядит иначе или отчет используют для другой задачи:

• Запуск нового продукта или изменение целевой конверсии;

• Добавление или отключение рекламных каналов;

• Существенное изменение пути клиента или продолжительности сделки;

• Рост доли повторных продаж;

• Подключение CRM, офлайн-статусов или кросс-девайсной идентификации;

• Изменение доступных на платформе моделей и правил учета;

• Смена назначения отчета или автоматической стратегии.

Прежнюю модель можно сохранить, если она по-прежнему отвечает на исходный вопрос, а сопоставимый анализ не меняет выводы существенно.

Заключение

Модель атрибуции полезна, если она соответствует управленческому решению, учитывает весь наблюдаемый путь, а отчеты построены на сопоставимых настройках. Модель распределяет известную ценность между известными касаниями, поэтому доля канала меняется в зависимости от правил учета. Причинный дополнительный эффект требует эксперимента или другого обоснованного причинного дизайна (метода оценки причинного влияния).