Модели атрибуции в маркетинге и рекламе

Маркетинг

30 апреля 2025

8 мин

296

Модели атрибуции в маркетинге и рекламе

Что вы узнаете

Введение в атрибуцию: почему это важно?
Полная классификация моделей атрибуции

1. Модель First Click (По первому клику)
2. Модель Last Click (По последнему клику)
3. Post-View атрибуция
4. Last Non-Direct Click
5. Top Score модель
6. Data Driven Attribution (DDA)
7. Линейная модель (Linear)
8. Time Decay (По времени)
9. U-Shaped модель (Position Based)

Атрибуция в Яндекс.Директе и Метрике: подробный разбор

Доступные модели в Яндекс.Директе
Модели в Яндекс.Метрике

Выбор модели для разных типов кампаний

Доступные модели в Яндекс.Директе
Performance-кампании (ориентированные на конверсии)
Практические рекомендации по выбору модели

Типичные ошибки в атрибуции
Будущее моделей атрибуции
Заключение: как применять эти знания на практике

Содержание статьи

В эпоху цифрового маркетинга, где потребитель взаимодействует с брендом через множество каналов перед совершением конверсии, понимание вклада каждого касания становится критически важным. Модели атрибуции – это sophisticated инструменты, позволяющие маркетологам распределять «заслуги» за конверсию между различными точками контакта в customer journey.

В этом исчерпывающем руководстве мы детально разберем все ключевые модели атрибуции, их применение в различных типах кампаний, а также особенности реализации в Яндекс.Директе и Метрике.

Введение в атрибуцию: почему это важно?

Современный покупательский путь редко бывает линейным. По данным Google, средний пользователь совершает 6-8 касаний с брендом перед конверсией. При этом:

65% взаимодействий происходят на разных устройствах;
40% покупок онлайн инициируются через mobile, но завершаются на desktop;
До 70% конверсий в некоторых вертикалях происходят после view-through (просмотра без клика).

Без правильной модели атрибуции вы рискуете:

Недооценивать важные каналы привлечения.
Перераспределять бюджет в пользу менее эффективных инструментов.
Упускать возможности для оптимизации воронки продаж.

Полная классификация моделей атрибуции

1. Модель First Click (По первому клику)

Механика: 100% ценности конверсии присваивается самому первому взаимодействию в цепочке.

Кейсы применения:

Анализ эффективности каналов первичного привлечения.
Оценка верхней части воронки (TOFU – Top of Funnel).
Брендовые кампании с длительным циклом принятия решения.

Пример.

Пользователь сначала кликнул по контекстному объявлению → Затем несколько раз заходил через органический поиск → Совершил покупку через email-рассылку.

Конверсия будет засчитана контекстной рекламе.

Преимущества:

Показывает, какие каналы лучше привлекают новых пользователей.
Помогает оценивать долгосрочный ROI верхних касаний.

Недостатки:

Игнорирует все последующие взаимодействия.
Может завышать значимость некоторых каналов.

2. Модель Last Click (По последнему клику)

Механика: 100% ценности конверсии присваивается последнему взаимодействию перед конверсией.

Кейсы применения:

Performance-кампании с четким KPI по конверсиям.
Оценка завершающих этапов воронки (BOFU – Bottom of Funnel).
Быстрые покупки с коротким циклом принятия решения.

Пример.

Поиск → Клик по контексту → Просмотр сайта → Возврат через ретаргетинг → Покупка.

Конверсия засчитывается ретаргетингу.

Преимущества:

Простота интерпретации.
Хорошо работает для прямых продаж.

Недостатки:

Полностью игнорирует верх воронки.
Может занижать роль брендинговых активностей.

3. Post-View атрибуция

Механика: Учитывает не только клики, но и показы рекламы, обычно с определенным lookback-периодом.

Кейсы применения:

Медийные и видео-кампании.
Оценка влияния display-рекламы.
Brand-awareness кампании.

Пример.

Пользователь увидел баннер → Через 3 дня ввел URL сайта напрямую → Совершил покупку.

При Post-View конверсия может быть частично засчитана показу.

Преимущества:

Учитывает скрытое влияние визуальной рекламы.
Лучше отражает реальный customer journey.

Недостатки:

Сложность в точном измерении.
Риск over-атрибуции.

4. Last Non-Direct Click

Механика: Игнорирует прямые переходы (direct traffic) и присваивает конверсию последнему непрямому источнику.

Кейсы применения:

Анализ «реальных» источников трафика.
Снижение переоценки direct-трафика.

Пример.

Контекст → Прямой заход → Соцсети → Прямой заход → Покупка.

Конверсия засчитывается соцсетям.

Преимущества:

Более реалистичное распределение.
Уменьшает проблему «последнего клика».

Недостатки:

Все еще не учитывает весь путь.
Может занижать роль некоторых каналов.

5. Top Score модель

Механика: Игнорирует прямые переходы (direct traffic) и присваивает конверсию последнему непрямому источнику.

Кейсы применения:

Анализ «реальных» источников трафика.
Снижение переоценки direct-трафика.

Преимущества:

Гибкость в настройке.
Можно адаптировать под специфику бизнеса.

Недостатки:

Субъективность в определении «значимости».
Требует глубокого понимания customer journey.

6. Data Driven Attribution (DDA)

Механика: Использует алгоритмы машинного обучения для анализа всех путей и определения реального вклада каждого канала.

Кейсы применения:

Крупные рекламные кампании с большим объемом данных.
Комплексные мультиканальные стратегии.

Пример.

Система анализирует тысячи путей и определяет, что email-рассылки увеличивают вероятность конверсии после display-показов на 35%.

Преимущества:

Максимально точное распределение.
Учитывает все взаимодействия.
Адаптируется под специфику бизнеса.

Недостатки:

Требует значительного объема данных.
Сложность в интерпретации.

7. Линейная модель (Linear)

Механика: Равномерно распределяет ценность конверсии между всеми точками контакта.

Кейсы применения:

Долгосрочные кампании.
Когда все каналы в равной степени важны.

Преимущества:

Простота и прозрачность.
Учитывает весь путь.

Недостатки:

Не отражает реальный вклад каналов.
Может завышать роль слабых касаний.

8. Time Decay (По времени)

Механика: Чем ближе касание к моменту конверсии, тем больше веса оно получает (обычно по экспоненциальной кривой).

Кейсы применения:

Кампании с коротким циклом продаж.
Когда важны завершающие этапы.

Преимущества:

Учитывает временной фактор.
Более точно, чем Last Click.

Недостатки:

Занижает роль первых касаний.
Не подходит для длинных циклов.

9. U-Shaped модель (Position Based)

Механика: Присваивает 40% ценности первому касанию, 40% – последнему перед конверсией, оставшиеся 20% распределяются между промежуточными.

Кейсы применения:

Brandformance-кампании.
Когда важны и привлечение, и завершение.

Преимущества:

Баланс между верхом и низом воронки.
Хорошо отражает реальные процессы.

Недостатки:

Фиксированное распределение.
Может не подходить для всех бизнес-моделей.

Атрибуция в Яндекс.Директе и Метрике: подробный разбор

Доступные модели в Яндекс.Директе

Last Click (по умолчанию):

Стандартная модель для performance-кампаний.
Проста в использовании, но имеет все недостатки last-click.

Last from Яндекс.Директ:

Игнорирует другие источники после клика в Директе.
Полезно для изолированной оценки эффективности Директа.

Linear:

Равномерное распределение между всеми касаниями.
Доступна только для РСЯ и ретаргетинга.

Time Decay:

Экспоненциальное затухание веса по времени.
Хорошо подходит для коротких циклов.

Модели в Яндекс.Метрике

Last Click (по умолчанию):

Аналогична Яндекс Директу.
Можно применять ко всем источникам.

Last Significant Click:

Игнорирует некоторые служебные переходы.
Более «чистые» данные.

First Click:

Для анализа первичного привлечения.
Полезна для брендинговых исследований.

Linear:

Полный аналог Яндекс Директа.
Можно применять ко всем каналам.

По позиции:

Фактически U-Shaped модель.
40%/40%/20% распределение.

Выбор модели для разных типов кампаний

Доступные модели в Яндекс.Директе

Рекомендуемые модели:

U-Shaped:

Учитывает и первое привлечение, и завершение.
Оптимальный баланс для комплексных кампаний.

Data Driven:

Если есть достаточный объем данных.
Максимально точное распределение.

Post-View:

Для оценки влияния показов.
Особенно важно для медийных и видео-форматов.

Пример настройки.

Баннерная кампания → Контекст → Повторный показ баннера → Покупка.

При U-Shaped:

Первый баннер: 40%.
Контекст: 20%.
Повторный баннер: 40%.

Performance-кампании (ориентированные на конверсии)

Рекомендуемые модели:

Last Non-Direct Click:

Исключает прямой трафик.
Более точная, чем pure Last Click.

Last Non-Direct Click:

Исключает прямой трафик.
Более точная, чем pure Last Click.

Time Decay:

Для коротких циклов продаж.
Учитывает временной фактор.

Last Click:

Когда нужна простота.
Для быстрых решений.

Пример настройки.

Контекст → Прямой заход → Ретаргетинг → Покупка. При Last Non-Direct:

Ретаргетинг получает 100%.

Практические рекомендации по выбору модели

Для новых брендов или продуктов:

Начинайте с Last Click для четкого понимания direct response.
По мере накопления данных переходите на Data Driven или U-Shaped.

Для устоявшегося бизнеса:

Используйте Data Driven как основной инструмент.
Дополняйте анализом по First Click для понимания привлечения.

Для медийных кампаний:

Обязательно включайте Post-View атрибуцию.
Сравнивайте результаты с Last Click для полной картины.

Для коротких циклов (например, e-commerce):

Time Decay или Last Non-Direct Click.
Минимизируйте влияние верхних касаний.

Для длинных циклов (B2B, дорогие покупки):

U-Shaped или Linear.
Учитывайте весь путь клиента.

Типичные ошибки в атрибуции

Слепое доверие Last Click:

Может полностью искажать картину.
Особенно опасно для брендовых кампаний.

Игнорирование кросс-девайсного поведения:

Пользователь может начинать на mobile, заканчивать на desktop.
Решение: использовать единые идентификаторы.

Неучет офлайн-конверсий:

Особенно важно для ритейла.
Решение: интеграция с CRM, промокоды.

Слишком короткий lookback-период:

Для некоторых вертикалей цикл может быть 60-90 дней.
Решение: настраивать под свой бизнес.

Смешение моделей для разных каналов:

Может приводить к double counting.
Решение: единая сквозная аналитика.

Будущее моделей атрибуции

С развитием технологий и ужесточением privacy-политик (например, отмена third-party cookies) ожидаются следующие изменения:

1. Рост популярности Data Driven моделей:

Более сложные алгоритмы.
Интеграция с AI/ML.

2. Развитие probabilistic-атрибуции:

Когда точные данные недоступны.
Статистические модели оценки.

3. Усиление роли first-party данных:

Собственные идентификаторы пользователей.
Глубокая интеграция с CRM.

4. Новые подходы к измерению офлайн-эффекта:

Гео-эксперименты.
TV-атрибуция через цифровые сигналы.

Заключение: как применять эти знания на практике

Выбор модели атрибуции – не теоретическое упражнение, а критически важное бизнес-решение. Неправильная модель может привести к:

Перераспределению бюджета в неэффективные каналы.
Игнорированию важных точек контакта.
Неверным выводам о ROI кампаний.

Практические шаги:

Начните с анализа своего customer journey.
Определите среднюю длину и сложность путей.
Выберите 2-3 модели для тестирования.
Сравните результаты и сделайте выводы.
Оптимизируйте распределение бюджета.

Для brandformance-кампаний мы рекомендуем начинать с U-Shaped модели, постепенно переходя к Data Driven по мере накопления данных. Для performance-кампаний оптимальным стартом будет Last Non-Direct Click с последующим подключением Time Decay.

Если вам нужна профессиональная настройка моделей атрибуции для ваших brandformance-кампаний, обратитесь к экспертам агентства Медиаконтекст. Мы проведем глубокий аудит вашей маркетинговой аналитики и поможем выбрать оптимальную стратегию распределения ценности конверсий.

@planerochnaya

Телеграм-канал об интернет-маркетинге и бизнесе с перцем из первых уст Владимира Пивульского

296