Атрибуция — это способ определить, какому рекламному каналу засчитать заслугу за конкретную покупку, если человек перед ней контактировал с брендом несколько раз и через разные источники. Клиент мог сначала увидеть баннер в соцсети, через неделю кликнуть на объявление в поиске, а купить только после письма из email-рассылки, и без модели атрибуции непонятно, какой из трех каналов реально повлиял на решение.
Задача атрибуции не найти единственно верный ответ, потому что вклад каналов почти всегда смешанный, а дать маркетологу управляемую логику: на какие каналы направлять бюджет дальше, а какие сокращать, если управленческое решение приходится принимать здесь и сейчас.
Зачем нужна атрибуция
Без модели атрибуции легко сделать неверный вывод из данных: например, посчитать, что покупки приносит только последний клик по контекстной рекламе, и урезать бюджет на соцсети, которые на самом деле формировали интерес к продукту на более ранних этапах. Атрибуция помогает увидеть всю цепочку касаний клиента с брендом целиком, вплоть до самых ранних, за пределами последнего шага перед оплатой, и распределить бюджет более справедливо между каналами, которые выполняют разные задачи в воронке.
Основные модели атрибуции
- Last click (последний клик): вся заслуга уходит последнему каналу перед покупкой, самая простая модель, но она игнорирует все предыдущие касания в цепочке.
- First click (первый клик): заслуга целиком у канала, который впервые привел человека на сайт, полезна для оценки каналов привлечения новой аудитории.
- Linear (линейная): заслуга делится поровну между всеми каналами в цепочке, независимо от того, насколько близко к покупке было каждое касание.
- Time decay (с учетом давности): чем ближе касание к моменту покупки, тем больше заслуги ему достается, а ранние точки контакта учитываются слабее.
- U-shaped (позиционная): основная заслуга у первого и последнего касания, а промежуточные каналы делят между собой оставшуюся часть.
Сложность добавляет и то, что один и тот же человек может заходить с разных устройств: увидел рекламу на телефоне, а купил с рабочего компьютера. Без склейки этих визитов в единый профиль пользователя система засчитает два разных касания за двух разных людей, и атрибуция исказится еще до выбора модели распределения заслуги. Поэтому качество атрибуции напрямую зависит от того, насколько хорошо настроена идентификация пользователя между устройствами и сессиями.
Простые модели вроде last click работают на базовой аналитике и подходят небольшому бизнесу с короткой воронкой, а сложные многоканальные модели требуют настроенной сквозной аналитики и достаточного объема данных, чтобы расчет вообще имел смысл.
Data-driven атрибуция
Помимо простых правиловых моделей вроде last click или linear, крупные рекламные платформы и системы аналитики предлагают алгоритмическую атрибуцию, которую еще называют data-driven. Вместо фиксированного правила распределения заслуги алгоритм анализирует реальные пути тысяч покупателей и статистически оценивает, насколько каждое касание в цепочке в среднем повышало вероятность покупки. Такая модель точнее правиловых, но требует большого объема данных: при малом количестве конверсий в месяц алгоритму просто не на чем обучаться, и его выводы становятся ненадежными.
Из-за этого небольшой и средний бизнес чаще выбирает понятную ручную модель, а data-driven атрибуцию используют компании с достаточным потоком заявок и развитой аналитической инфраструктурой, где различия между моделями действительно ощутимы в деньгах.
Как атрибуцию считают технически
В основе почти любой модели атрибуции лежат UTM-метки: специальные параметры в ссылке, которые фиксируют, откуда именно пришел посетитель. Система аналитики собирает все визиты одного пользователя с разными UTM-метками в единую цепочку и по выбранной модели распределяет ценность итоговой покупки между источниками этой цепочки.
Пример
Интернет-магазин мебели обнаружил, что по модели last click вся выручка приписывалась контекстной рекламе, а бюджет на посевы у блогеров выглядел убыточным. При переходе на линейную модель атрибуции выяснилось, что почти треть покупателей, пришедших через контекст, впервые узнали о магазине именно из рекламной интеграции у блогера за две-три недели до покупки. После пересмотра модели компания сохранила посевы и перераспределила часть бюджета контекстной рекламы на удержание уже заинтересованной аудитории.
Типичные ошибки
- Используют одну модель атрибуции для всех решений: last click хорош для операционной оптимизации ставок, но искажает картину при оценке эффективности имиджевых каналов.
- Не настраивают UTM-метки на всех кампаниях: без единообразной разметки часть трафика попадает в аналитику как «прямые заходы», и цепочка касаний рвется.
- Игнорируют офлайн-точки контакта: звонок по номеру с визитки или рекомендация знакомого не попадают в цифровую атрибуцию, хотя реально повлияли на решение.
- Меняют модель атрибуции слишком часто: постоянные скачки методологии не дают накопить сопоставимую статистику за период.
- Путают атрибуцию с последней меткой в CRM: менеджер отдела продаж вручную выбирает источник в карточке сделки, что часто не совпадает с реальной цифровой цепочкой касаний.
Частые вопросы
Какая модель атрибуции самая правильная? Единого верного ответа нет: выбор зависит от длины цикла сделки и количества каналов, поэтому крупный бизнес часто тестирует несколько моделей параллельно и сравнивает выводы.
Нужна ли атрибуция небольшому бизнесу с одним каналом рекламы? При одном активном канале модель атрибуции почти не влияет на решения, но как только добавляется второй источник трафика, без нее быстро теряется понимание реального вклада каждого канала.
Можно ли настроить атрибуцию без специальных сервисов? Базовую модель last click показывают почти все системы аналитики по умолчанию, а для многоканальных моделей обычно нужна отдельная платформа сквозной аналитики или CRM с соответствующим модулем.
Как атрибуция связана с окном учета конверсии? Помимо самой модели распределения заслуги, важно окно атрибуции — это период, в течение которого касание вообще засчитывается как повлиявшее на покупку. Слишком короткое окно в несколько дней обрежет длинные сделки, слишком длинное в несколько месяцев начнет засчитывать случайные касания, вообще не связанные с итоговым решением.
Атрибуция напрямую связана с расчетом KPI рекламных кампаний и точностью данных, которые дают UTM-метки на каждой ссылке. Настроить сквозную аналитику и разобраться, какие каналы реально приносят продажи, поможет услуга MarcomHub.