Модели атрибуции: что это, виды, какую выбрать

Что такое атрибуция простыми словами?

Атрибуция это способ ответить на вопрос «какой канал принёс деньги?». Пользователь зашёл на сайт из рекламы, ушёл, вернулся через поиск, снова ушёл, потом перешёл по email-рассылке и купил. Три визита, три разных источника. Кому засчитать продажу?

Именно это и решает атрибуция (attribution). По исследованиям Google, покупатель контактирует с брендом от 20 до 500 раз до покупки. Каждый визит на сайт, клик по баннеру, просмотр видеоролика - точка касания. Attribution помогает определить вклад каждой такой точки в финальную конверсию.

Без атрибуции ваши отчёты показывают клики, визиты, показы - но не отвечают на главный вопрос: что именно из всего этого трафика привело к продаже. А значит, бюджет распределяется вслепую.

Что такое модели атрибуции простыми словами?

Что такое модель атрибуции? Это алгоритм, по которому Яндекс.Метрика, Google Analytics или другая система аналитики делит «заслугу» за конверсию между маркетинговыми каналами. Attribution models отвечают на один вопрос - кто привёл клиента - но дают разные ответы в зависимости от логики подсчёта.

Аналогия из спорта. В хоккее голевую передачу засчитывают двум игрокам, а в футболе - только одному. Результат один (шайба/гол в воротах), а система подсчёта заслуг различается. В маркетинге устроено так же: одна и та же покупка выглядит по-разному в отчётах с разными моделями. В этой статье разберём каждую из них и покажем, когда какая работает лучше.

Зачем нужны модели атрибуции?

Модели атрибуции определяют, куда вкладывать деньги. Без них вы смотрите на последний клик перед покупкой и думаете, что только он работает. А десятки предыдущих касаний остаются невидимыми. Это особенно критично, когда рекламный бюджет ограничен и ошибка в распределении стоит дорого.

Пример. Интернет-магазин электроники тратит 500 000 ₽/мес на рекламу. Путь клиента выглядит так:

1. Медийный баннер в РСЯ (первое знакомство)
2. Поисковая выдача Яндекса (изучение товара)
3. Ретаргетинг в VK (напоминание)
4. Прямой заход на сайт (покупка)

Если использовать Last Click, все конверсии «уйдут» на прямой трафик. И маркетолог решит: баннер и ретаргетинг бесполезны, отключаем. Через месяц продажи падают на 30% - потому что вход в воронку исчез.

Зачем нужны разные модели? Чтобы видеть полную картину и принимать решения на основе данных, а не домыслов. Модели помогают:

• Справедливо распределять рекламный бюджет между каналами
• Находить каналы, которые начинают или поддерживают воронку
• Корректно оценивать ROAS каждой кампании
• Не отключать работающие каналы по ошибке

Виды моделей атрибуции

Существует 8 основных моделей. Одни отдают всю ценность одному каналу (single-touch), другие распределяют её между всеми точками касания (multi-touch). Выбор между ними - вопрос не «правильности», а задачи анализа. Разберём каждую.

First click – первое взаимодействие

Модель атрибуции «первый переход» работает по принципу «кто привёл - тот и молодец». Вся ценность конверсии уходит каналу первого визита. Пользователь зашёл на сайт из статьи в Дзене, потом 5 раз возвращался через рекламу и поиск, а купил через месяц по прямой ссылке - но «автором» продажи система назначит Дзен.

Когда применять: вы хотите понять, какие каналы приводят новую аудиторию. Медийная реклама, SEO, контент-маркетинг - всё, что работает на верх воронки, получает заслуженный вес.

Где подводит: если цикл сделки длинный, а касаний много, First Click не скажет, что именно «дожало» клиента до покупки. Все промежуточные взаимодействия обесцениваются.

Last Click – последнее взаимодействие

Модель атрибуции «последний переход» - зеркальная противоположность First Click. Вся ценность достаётся каналу, с которого пользователь зашёл непосредственно перед покупкой. До 2023 года это был стандарт в Google Analytics, и многие компании до сих пор строят отчёты именно так.

Когда применять: вы оцениваете каналы «закрытия» - брендовые запросы, ретаргетинг, триггерные рассылки. Всё, что подталкивает к финальному шагу.

Где подводит: каналы верха воронки (медийная реклама, контент-маркетинг) в отчётах выглядят бесполезными. Маркетолог видит ноль конверсий у баннера и отключает его - а через 3 недели падает и низ воронки, потому что нет притока новой аудитории.

Last Non-Direct Click – последнее платное взаимодействие

Модель атрибуции «последний значимый переход» отсекает «шум» прямых заходов. Логика: если клиент набрал URL в адресной строке, он уже знает о вас — значит, кто-то его привёл раньше. Система ищет предыдущий значимый источник и присваивает конверсию ему.

Когда применять: большинство аналитиков считают эту модель оптимальной для старта. Она убирает искажение от direct-трафика, при этом остаётся понятной и простой для интерпретации.

Нюанс: слово «платное» в названии вводит в заблуждение. На самом деле ценность может получить и бесплатный канал - например, органический поиск или реферальная ссылка. Исключается только прямой заход и переход с сохранённых закладок.

Post-click конверсия

Клиент кликнул по рекламному объявлению во вторник, посмотрел каталог и ушёл. В пятницу вернулся через поиск и оформил заказ. Post-click засчитает эту конверсию рекламе, потому что первый клик произошёл внутри окна атрибуции (обычно 7-30 дней). Способ возврата на сайт роли не играет.

Когда применять: товары с длинным циклом решения - недвижимость, автомобили, корпоративный софт. Там, где никто не покупает с первого клика, но первый клик запускает процесс выбора.

Post-View конверсия

Пользователь промотал ленту, увидел ваш баннер, не кликнул - но через 2 дня сам зашёл на сайт и купил. Post-View свяжет эту покупку с показом рекламы. Окно атрибуции здесь короткое - от 1 до 7 дней, потому что связь между показом и действием слабеет быстро.

Когда применять: для видеорекламы и медийных кампаний, где цель - узнаваемость, а не прямой клик. Баннеры в РСЯ, ролики на YouTube, реклама в приложениях.

Где подводит: корреляция - не причинность. Возможно, клиент и без вашего баннера собирался купить. Доказать обратное сложно, поэтому Post-View-данные лучше использовать с осторожностью.

Linear model – линейная атрибуция

Линейная модель атрибуции распределяет ценность поровну. Четыре касания - каждому по 25%. Семь касаний - по ~14%. Никаких привилегий: первый визит из рекламы получает столько же, сколько финальный клик по email-рассылке.

Когда применять: вы только начинаете анализировать мультиканальные воронки и хотите увидеть полную картину. Linear model покажет все каналы, которые участвовали в продаже, без «перекоса» в сторону начала или конца.

Где подводит: случайное касание (промелькнувший баннер) получает тот же вес, что и осознанный поиск с коммерческим запросом. На практике касания почти никогда не бывают равноценными - но модель этого не учитывает.

Time Decay – с учётом давности взаимодействий

Эта модель работает как «эффект давности» в памяти: вчерашнее взаимодействие весит больше, чем то, что было месяц назад. Период полураспада обычно 7 дней - каждую неделю вес касания уменьшается вдвое. Канал, с которого клиент пришёл вчера, получит в 4 раза больше ценности, чем тот, что привёл его 2 недели назад.

Когда применять: краткосрочные акции, распродажи, сезонные кампании. Везде, где решение о покупке принимается под давлением срочности, Time Decay покажет, что именно «дожало» клиента.

Где подводит: контент-маркетинг и медийная реклама, которые работают на долгосрочную узнаваемость, получают минимальный вес. Если ваш бренд строится на длинной воронке, эта модель его недооценит.

U-Shape – на основе позиции

U-Shape (или Position-Based) делит ценность по формуле 40/20/40: первый канал забирает 40%, последний - тоже 40%, а всё, что между ними, делит остаток в 20%. Среди attribution models эта модель - золотая середина: она признаёт заслугу и привлечения, и закрытия.

Когда применять: у вас 4+ канала в воронке и вы понимаете, что старт и финиш сделки важнее, чем промежуточные напоминания. Типичный сценарий: B2B-компания с циклом от месяца, где первое касание (SEO или медийка) и финальное (ретаргетинг или директ) работают принципиально по-разному.

Сравнительная таблица моделей:

Какие модели атрибуции есть в Яндекс-Метрике

Модели атрибуции в Яндекс Метрике переключаются в шапке любого стандартного отчёта - и этот выбор влияет на все цифры: не только конверсии, но и распределение визитов между источниками. Фактически вы смотрите на одни и те же данные через разные «линзы». Доступны пять вариантов:

• Первый переход - визит засчитывается каналу, который привёл человека на сайт впервые за всю историю.
• Последний переход - источник берётся из последнего визита перед целевым действием.
• Последний значимый переход - то же, что предыдущий, но прямые заходы, внутренние переходы и закладки отсекаются.
• Последний переход из Директа - конверсия приписывается Яндекс.Директу, если хотя бы один визит в цепочке был из рекламы.
• Кросс-девайс последний значимый переход - объединяет путь пользователя с разных устройств (подробнее - в секции ниже).

По умолчанию Метрика подставляет «Последний значимый переход». Если вы ни разу не меняли этот переключатель, ваши отчёты уже работают по этой модели.

Какие модели атрибуции есть в Яндекс-Директе

Модели атрибуции в Директе отвечают на другой вопрос: «засчитывать ли эту конверсию рекламе?» Здесь фокус уже - только на взаимодействия с объявлениями. Четыре доступных варианта:

• Первый переход из Директа - учитывает самый ранний клик по рекламе, даже если после него было ещё 10 визитов из других источников.
• Последний переход из Директа - ценность получает последний рекламный клик в цепочке.
• Последний значимый переход - Директ засчитает конверсию себе только при условии, что оказался финальным значимым каналом (не прямой заход, не закладка).
• Автоматическая модель атрибуции - алгоритм Яндекса сам взвешивает каждое рекламное касание через ML-модель. С 2023 года Яндекс рекомендует её по умолчанию.

Если вы используете автостратегии (оплата за конверсии, целевая доля рекламных расходов) - выбирайте автоматическую. Она помогает алгоритмам оптимизации собирать больше сигналов и точнее управлять ставками в кампаниях.

Какие модели атрибуции есть в Google Analytics

Google радикально пересмотрел подход к атрибуции в 2023 году. В GA4 больше нет ни линейной, ни Time Decay, ни Position-Based моделей в ручном режиме. Осталось три варианта:

• Data-Driven Attribution - дефолтная модель. Алгоритм анализирует реальные пути конверсии на вашем сайте и рассчитывает вклад каждого канала с помощью ML. Для работы требуется минимум 300 конверсий за 30 дней.
• Last Click - для тех, кому нужна простота и сопоставимость с историческими данными.
• Google Ads last click - учитывает только рекламные касания из Google Ads, игнорируя все остальные каналы.

Что это значит на практике? Если вы годами строили отчёты по Time Decay или Linear, сравнить новые данные со старыми напрямую не получится. Придётся либо пересчитать историю, либо использовать сторонние системы аналитики.

Ещё один подводный камень: при малом объёме данных (меньше 300 конверсий/месяц) data-driven модель в GA4 выдаёт нестабильные результаты и откатывается к Last Click. Для небольших сайтов переход на GA4 фактически означает возврат к simple-touch.

Как выбрать подходящую модель атрибуции

Выбор модели зависит от трёх факторов: длины цикла сделки, количества каналов и цели анализа.

• Короткий цикл (до 7 дней), 1-2 канала: Last Click хватит. Путь простой - усложнять нет смысла.
• Средний цикл (1-4 недели), 3-5 каналов: Last Non-Direct Click или Time Decay. Вы увидите, какие маркетинговые каналы закрывают сделку, без искажения прямым трафиком.
• Длинный цикл (месяц+), 5+ каналов: U-Shape или Data-Driven. Важно оценить и вход в воронку, и закрытие. Для e-commerce с большим объёмом данных подойдёт data-driven модель в GA4 или автоматическая в Директе.

Ещё один критерий выбора - зрелость аналитики в компании. Если вы только настроили цели в Метрике и не уверены в качестве данных, начинать с multi-touch моделей рано: ошибки в разметке UTM или дублирование источников исказят результат сильнее, чем простая модель Last Non-Direct Click.

«На практике мы рекомендуем начинать с Last Non-Direct Click - она подходит 80% проектов на старте. Переходить к multi-touch моделям стоит, когда у вас накоплены данные минимум за 3 месяца и видно, что отчёты по single-touch не объясняют реальную динамику продаж. Главное правило: выбрали модель - придерживайтесь её во всех отчётах. Менять модель каждую неделю - значит потерять возможность сравнивать периоды.»

— Руководитель отдела аналитики, Ingate

Опция «Кросс-девайс»: что это, что даёт

Кросс-девайс атрибуция объединяет действия одного пользователя с разных устройств: смартфона, планшета, ноутбука. Без неё система видит три разных посетителя вместо одного. А значит, путь к конверсии разрывается.

Как это работает в Яндекс.Метрике: если пользователь авторизован в Яндексе на всех устройставх, система связывает его визиты в единую цепочку. Утром он увидел рекламу в приложении (телефон), днём зашёл почитать отзывы (рабочий ноутбук), вечером оформил заказ (домашний компьютер). Без кросс-девайса конверсия ушла бы на прямой заход с десктопа. С кросс-девайсом - распределяется по всей цепочке.

По данным Яндекса, включение кросс-девайс атрибуции увеличивает количество учтённых конверсий на 10-15%. Для мобильного трафика эффект ещё заметнее.

Ограничение: кросс-девайс работает только для авторизованных пользователей. Если посетитель не залогинен в Яндексе хотя бы на одном устройстве, связать его действия система не сможет. По нашим наблюдениям, доля «связанных» пользователей варьируется от 30% до 60% в зависимости от тематики сайта.

Основные ошибки в работе с моделями атрибуции

1. Менять модель при каждом отчёте. Сравнивать январь по Last Click и февраль по U-Shape - бессмысленно. Данные становятся несопоставимыми.
2. Игнорировать окно атрибуции. Стандартное окно в Метрике - 90 дней. Для B2B-продуктов с длинным циклом этого может не хватить. Если ваш клиент принимает решение 6 месяцев, часть касаний просто не попадёт в отчёт.

Пример ошибки. Компания продаёт промышленное оборудование (средний цикл сделки - 4 месяца). Маркетолог использует Last Click с окном 30 дней. В отчётах SEO показывает ноль конверсий - хотя первый визит из поиска происходит за 3-4 месяца до покупки. Решение: расширить окно до 180 дней и перейти на First Click или U-Shape.

3. Считать, что одна модель покажет «правду». Любая модель - упрощение. Полная картина складывается из сравнения 2-3 моделей для одного периода.
4. Не учитывать офлайн-касания. Если клиент звонил менеджеру или приходил в офис между онлайн-визитами, ни одна стандартная модель это не учтёт. Для решения этой проблемы подключают колл-трекинг и CRM-данные к системе аналитики.
5. Слепо доверять одной модели. Ни одна модель не показывает объективную истину. Это всегда упрощение реальности. Опытные аналитики смотрят 2-3 модели параллельно и обращают внимание на расхождения: если канал «выстреливает» в First Click, но проваливается в Last Click — значит, он хорошо привлекает, но плохо конвертирует.

Сквозная аналитика со специалистами Ingate

Модели атрибуции - часть более крупной задачи: связать маркетинговые расходы с реальной выручкой. Для этого нужна сквозная аналитика, которая объединяет данные из рекламных кабинетов, CRM, колл-трекинга и систем веб-аналитики в единый отчёт. Без сквозной аналитики модели атрибуции работают только с онлайн-данными, и картина остаётся неполной.

«Мы настраиваем сквозную аналитику с учётом специфики бизнеса клиента. Для e-commerce обычно хватает связки Метрика + CRM. Для B2B-компаний подключаем колл-трекинг и кастомные модели атрибуции - стандартных часто недостаточно, потому что цикл сделки длинный, а часть касаний происходит офлайн. Результат: клиент видит не просто клики и показы, а ROI каждого рубля в рекламе.»

— Руководитель направления Performance, Ingate

Ingate работает с аналитикой с 2000 года — это больше двух десятков лет на рынке digital-маркетинга. За это время мы настроили сквозную аналитику для сотен проектов в разных тематиках: от e-commerce до B2B-промышленности.

Если вы хотите разобраться, какие каналы действительно приносят продажи, а какие - расходуют бюджет, оставьте заявку на аудит аналитики. Специалисты Ingate помогут подобрать модель атрибуции, настроить отчёты и выстроить систему принятия решений на основе данных.