Заказать звонок

Модели атрибуции
в маркетинге и рекламе

Время прочтения: 8 мин.
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:
1
Недооценивать важные каналы привлечения.
2
Перераспределять бюджет в пользу менее эффективных инструментов.
3
Упускать возможности для оптимизации воронки продаж.

Полная классификация моделей атрибуции

1. Модель First Click (По первому клику)

Модели атрибуции в маркетинге: модель First Click
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)

Модели атрибуции в маркетинге: модель Last Click
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

Модели атрибуции в маркетинге: модель Post View
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

Модели атрибуции в маркетинге: модель 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)

Модели атрибуции в маркетинге: модель Linear (Линейная)
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)

Модели атрибуции в маркетинге: модель Time Decay
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)

Модели атрибуции в маркетинге: модель U-Shaped (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

1
Last Click (по умолчанию):

  • Стандартная модель для performance-кампаний.
  • Проста в использовании, но имеет все недостатки last-click.
2
Last from Яндекс.Директ:

  • Игнорирует другие источники после клика в Директе.
  • Полезно для изолированной оценки эффективности Директа.
3
Linear:

  • Равномерное распределение между всеми касаниями.
  • Доступна только для РСЯ и ретаргетинга.
4
Time Decay:

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

Модели в Яндекс.Метрике

1
Last Click (по умолчанию):

  • Аналогична Яндекс Директу.
  • Можно применять ко всем источникам.
2
Last Significant Click:

  • Игнорирует некоторые служебные переходы.
  • Более «чистые» данные.
3
First Click:

  • Для анализа первичного привлечения.
  • Полезна для брендинговых исследований.
4
Linear:

  • Полный аналог Яндекс Директа.
  • Можно применять ко всем каналам.
5
По позиции:

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

Выбор модели для разных типов кампаний

Доступные модели в Яндекс.Директе

Рекомендуемые модели:
1
U-Shaped:

  • Учитывает и первое привлечение, и завершение.
  • Оптимальный баланс для комплексных кампаний.
2
Data Driven:

  • Если есть достаточный объем данных.
  • Максимально точное распределение.
3
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:
1
Last Non-Direct Click:

  • Исключает прямой трафик.
  • Более точная, чем pure Last Click.
2
Last Non-Direct Click:

  • Исключает прямой трафик.
  • Более точная, чем pure Last Click.
3
Time Decay:

  • Для коротких циклов продаж.
  • Учитывает временной фактор.
4
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

1
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.
2
Для устоявшегося бизнеса:

  • Используйте Data Driven как основной инструмент.
  • Дополняйте анализом по First Click для понимания привлечения.
3
Для медийных кампаний:

  • Обязательно включайте Post-View атрибуцию.
  • Сравнивайте результаты с Last Click для полной картины.
4
Для коротких циклов (например, e-commerce):

  • Time Decay или Last Non-Direct Click.
  • Минимизируйте влияние верхних касаний.
5
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:
1
Начните с анализа своего customer journey.
2
Определите среднюю длину и сложность путей.
3
Выберите 2-3 модели для тестирования.
4
Сравните результаты и сделайте выводы.
5
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.
Статья была полезной?
Подпишись на полезные материалы
Делимся инсайдерской информацией, только тсссс!

Еще полезные статьи

Тренды в маркетинге 2025: ТОП-10 ключевых моментов
Что такое ассоциированные конверсии
Скликивание в Яндекс Директ
Аудит Яндекс Директ. Чек-лист