Data-Driven атрибуция vs Last Click: что выбрать

Открываешь отчёт по рекламным кампаниям — и видишь, что весь бюджет вроде как «отбивает» только Поиск по брендовым запросам, а РСЯ и ретаргетинг висят балластом с высоким CPA и почти без конверсий. Отключаешь их, экономишь бюджет — а через пару недель падают продажи и по брендовому Поиску тоже. Причина почти всегда одна: модель атрибуции считала вклад канала неправильно.

Я настраиваю контекстную рекламу и веду сквозную аналитику для проектов в Директе не первый год, и вопрос «какую модель атрибуции ставить» задают почти на каждом аудите. Чаще всего в Метрике по умолчанию стоит Last Click или его разновидность, а клиент даже не знает, что есть альтернатива — Data-Driven атрибуция, которая распределяет ценность конверсии между всеми точками касания на основе статистики, а не отдаёт всё последнему клику.

В статье разберу, чем отличаются эти две модели, как каждая из них искажает картину эффективности каналов, сколько данных нужно для корректной работы Data-Driven атрибуции и когда переход на неё реально меняет решения по бюджету, а когда — просто красивая цифра в отчёте без практической пользы.

Data-Driven атрибуция vs Last Click: в чём разница и как выбрать модель

Last Click — модель атрибуции по последнему клику: вся конверсия и вся её условная стоимость приписываются тому каналу, через который клиент кликнул непосредственно перед оформлением заказа или заявкой. Если человек три раза заходил с РСЯ, один раз — по брендовому запросу в Поиске, а купил после письма из ретаргетинговой кампании — вся конверсия достанется ретаргетингу, а три касания РСЯ в отчёте не отразятся вообще.

Data-Driven атрибуция устроена иначе: алгоритм анализирует тысячи цепочек касаний — какие каналы встречаются в путях, завершившихся конверсией, и какие встречаются в путях без неё, — и на основе этой статистики присваивает каждому каналу вес пропорционально его реальному вкладу. В том же примере РСЯ получит условно 34%, брендовый Поиск — 21%, ретаргетинг — 45%, а не 0/0/100.

Разница не абстрактная: на проекте с оплатой за клики и месячным бюджетом 180 000 ₽ переход с Last Click на Data-Driven атрибуцию обычно меняет ранжирование каналов по эффективности минимум на 1–2 позиции — то, что казалось убыточным «верхом воронки», в отчёте по ассоциированным конверсиям и в Data-Driven модели внезапно оказывается одним из основных источников продаж.

Что такое атрибуция в контекстной рекламе простыми словами

Атрибуция — это правило, по которому рекламная система или веб-аналитика решает, какому каналу, кампании или объявлению «засчитать» конверсию, если перед покупкой пользователь взаимодействовал с рекламой несколько раз. Без модели атрибуции невозможно посчитать ROMI по каналу — система просто не знает, кому приписывать доход.

В Яндекс Метрике эта задача решается через отчёт по многоканальным последовательностям: там видно всю цепочку касаний до конверсии, а не только последний переход. Именно этот отчёт стоит открыть первым, прежде чем спорить о том, какую модель атрибуции включать — иногда выясняется, что у 70% клиентов путь состоит из одного касания, и разница между моделями окажется несущественной.

Атрибуция напрямую влияет на карту пути клиента: если вы строите customer journey map и не учитываете модель атрибуции, легко приписать роль «закрывающего» канала не тому этапу воронки, который её реально закрывает.

Как работает модель Last Click

Last Click — самая простая и самая старая модель атрибуции. Правило одно: 100% ценности конверсии получает последний источник трафика перед целевым действием. В Яндекс Метрике по умолчанию используется её модификация — «последний значимый переход», которая игнорирует внутренние переходы и прямые заходы без явного источника, если перед ними был другой канал в течение окна учёта.

Плюс модели — предсказуемость и простота объяснения клиенту или руководителю: «эта кампания привела 23 заявки» звучит однозначно, без «условно» и «пропорционально». Минус — она системно переоценивает каналы, которые работают на нижней части воронки (брендовый Поиск, ретаргетинг, прямые заходы), и недооценивает каналы, которые формируют спрос и знакомят аудиторию с продуктом — РСЯ, медийные форматы, охватные кампании в Дзене.

Как работает Data-Driven атрибуция

Data-Driven атрибуция строится на статистической модели, которая сравнивает конверсионные и неконверсионные пути пользователей и вычисляет, насколько присутствие конкретного канала в цепочке повышает вероятность конверсии. Упрощённо: если убрать касание с РСЯ из статистики и вероятность конверсии в модели падает заметно — каналу присваивается высокий вес, даже если он почти никогда не был последним кликом.

Ключевое ограничение — модели нужен объём данных. Для устойчивого расчёта весов алгоритму обычно требуется несколько сотен конверсий в месяц по счётчику; на проектах с 15–20 заявками в месяц Data-Driven атрибуция либо недоступна, либо пересчитывает веса раз в квартал, а не еженедельно, и на коротких отрезках может «шататься» — на прошлой неделе РСЯ весил 38%, на этой — 19%, просто потому что выборка мала.

Когда какая модель лучше подходит

Выбор модели атрибуции — это не вопрос «какая правильнее», а вопрос «какая даёт управляемые и воспроизводимые решения при текущем объёме данных». Ниже — практическая таблица для быстрой ориентации.

Практический ориентир: если рекламный кабинет генерирует стабильно больше 200–300 конверсий в месяц и в медиамиксе больше двух источников трафика, Data-Driven атрибуция почти всегда даёт более честную картину. Если конверсий меньше, разумнее опираться на Last Click в связке с ручным анализом ассоциированных конверсий и отчётом по цепочкам — это компенсирует главный недостаток простой модели без риска получить нестабильные веса от алгоритма, которому не хватает данных.

Как перестроить отчётность при переходе на новую модель

Смена модели атрибуции задним числом меняет исторические цифры — конверсии по кампаниям «за прошлый месяц» в отчёте пересчитаются, и это нормально, а не ошибка выгрузки. Чтобы переход не вызвал панику у команды или клиента, стоит придерживаться простого алгоритма.

1. Зафиксировать текущие показатели по Last Click как контрольную точку — сделать выгрузку до переключения модели.
2. Включить Data-Driven атрибуцию параллельно, не отключая старый отчёт, и сравнивать оба минимум 2–3 недели.
3. Проверить, совпадает ли общее количество конверсий по счётчику — модель атрибуции не должна менять сам факт конверсии, только распределение «заслуги» между каналами.
4. Пересчитать целевые CPA и ROI по каналам под новую модель — цифры, актуальные для Last Click, будут занижать эффективность охватных каналов при прежних лимитах.
5. Донести до всех, кто читает отчёты, что сравнение периодов «до» и «после» смены модели напрямую некорректно — нужно либо пересчитать историю, либо явно помечать точку перехода на графиках.

Отдельно стоит предупредить: агентства и штатные маркетологи, которые получают KPI по количеству лидов «от последнего клика», иногда сопротивляются переходу на Data-Driven — потому что модель может снизить формальный вклад их канала. Это организационный, а не технический риск, и его стоит обсуждать до включения новой модели, а не после.

Частые ошибки при работе с моделями атрибуции

• Сравнение эффективности каналов между разными моделями атрибуции — как сравнивать температуру в градусах Цельсия и Фаренгейта без пересчёта: цифры разные по определению, а не по факту.
• Отключение охватных кампаний сразу после первого отчёта по Last Click — без проверки отчёта по ассоциированным конверсиям и без тестового периода в 2–3 недели.
• Включение Data-Driven на счётчике с малым трафиком — веса будут нестабильны, а решения на их основе — случайны.
• Игнорирование окна учёта конверсий — стандартные 30 дней могут быть слишком коротким горизонтом для B2B с циклом сделки в 2–3 месяца, и часть цепочек просто не попадёт в модель.
• Отсутствие сквозной аналитики — без связки рекламных касаний с оффлайн-продажами или отложенными конверсиями в CRM любая модель атрибуции видит только часть картины.