Многоканальные последовательности в Яндекс Метрике: гайд

Клиент увидел объявление в Директе, ушёл, через два дня вернулся по прямому заходу, ещё через неделю нашёл сайт через органику и только тогда оставил заявку. Если смотреть на такую конверсию через обычный отчёт по последнему переходу, вся заслуга уйдёт органическому поиску, а Директ окажется «неэффективным» — хотя именно он запустил цепочку.

Я настраиваю и веду Яндекс Директ для бизнеса и регулярно вижу, как клиенты режут бюджет на канал, который на самом деле приводит клиентов, просто не в последний момент. Отчёт «Многоканальные последовательности» в Яндекс Метрике — один из немногих встроенных инструментов, который показывает всю цепочку касаний, а не только последний шаг перед конверсией.

В статье разберу, что такое многоканальные последовательности в Яндекс Метрике, какие модели атрибуции доступны в отчёте, как читать таблицу цепочек и как использовать эти данные, чтобы не срезать бюджет с канала, который на самом деле работает — просто не «в лоб».

Что такое многоканальные последовательности в Яндекс Метрике

Многоканальные последовательности — это отчёт в Яндекс Метрике, который показывает цепочку источников трафика, через которые пользователь прошёл перед тем, как совершить целевое действие. Вместо одной строки «источник → конверсия» отчёт строит путь из нескольких визитов: например, «Директ → Органический поиск → Прямой заход → Заявка».

Технически отчёт находится в разделе «Отчёты → Стандартные отчёты → Источники → Многоканальные последовательности» и работает на основе истории визитов конкретного посетителя (по его ClientID) за выбранный период до достижения цели. Если вы уже настраивали цели в Метрике, следующий логичный шаг — посмотреть, что происходит с трафиком до конверсии, а не только в момент конверсии. Если целей ещё нет или вы не уверены, что они настроены корректно, стоит сначала свериться с базовой настройкой — я подробно разбирал это в статье про Яндекс Метрику с нуля.

Зачем нужен отчёт «Многоканальные последовательности»

Обычные отчёты Метрики и Директа по умолчанию показывают атрибуцию по последнему значимому переходу — то есть засчитывают конверсию тому источнику, который сработал последним. Для бизнеса с коротким циклом сделки (например, доставка еды) это работает почти всегда. Но для тематик с обдумыванием — турагентства, мебель, обучение, B2B-поставки — путь клиента часто состоит из 3–6 визитов через разные каналы, и последний переход искажает картину.

Я видел проект туристического агентства, где по отчёту «последний переход» реклама в Директе давала 14 заявок за месяц с ценой заявки 1 340 ₽, а органический поиск — 41 заявку почти бесплатно. При переходе на многоканальные последовательности выяснилось, что 29 из этих 41 «органических» заявок начинались визитом с рекламного объявления за 4–11 дней до конверсии — то есть Директ фактически запускал больше половины «бесплатных» лидов. Похожая логика характерна для рекламы турагентства в Яндекс Директ, где решение о покупке тура редко принимается за один визит.

Отчёт закрывает три практические задачи: понять реальный вклад каждого канала в конверсии, оценить типичную длину пути клиента (сколько визитов и дней проходит до заявки) и найти каналы, которые работают «на разогрев» интереса, даже если формально не закрывают продажу.

Как открыть отчёт и настроить группировку по каналам

Открывается отчёт через раздел «Источники → Многоканальные последовательности» в интерфейсе Метрики. Перед анализом важно настроить три параметра:

Для оптовых B2B-продаж с длинным циклом сделки окно ретроспективы в 30 дней часто недостаточно — сделка может закрываться через 2–3 месяца после первого касания. В такой нише, как реклама оптовых поставок для B2B, я обычно ставлю окно на максимум и дополнительно смотрю данные за квартал, а не за месяц — иначе часть цепочек просто не попадёт в отчёт.

Какие модели атрибуции доступны в отчёте

Внутри отчёта многоканальных последовательностей можно переключать модель атрибуции — то есть правило, по которому заслуга за конверсию распределяется между источниками цепочки. От выбранной модели зависит, каким каналам «достанутся» конверсии в отчётах.

На практике я почти всегда смотрю два отчёта параллельно — по последнему значимому переходу (как база для сравнения с привычными цифрами Директа) и по первому переходу (чтобы увидеть, какие каналы формируют спрос). Разница между ними — и есть та самая «скрытая» ценность канала, которая не видна в стандартной отчётности.

Многоканальные последовательности vs атрибуция в целях

Отдельный отчёт «Атрибуция» в разделе целей Метрики решает похожую, но не идентичную задачу — он позволяет применить выбранную модель атрибуции ко всем стандартным отчётам сразу, а не только к анализу конкретной цепочки. Разница в глубине детализации.

На практике я начинаю с многоканальных последовательностей, чтобы понять структуру пути, а затем настраиваю нужную модель в отчёте атрибуции, чтобы регулярно смотреть агрегированные цифры без ручного пересчёта каждый раз. Подробнее про то, как в целом использовать данные Метрики для оценки рекламы, я писал в статье Яндекс Метрика для анализа рекламы.

Как читать таблицу цепочек и путей конверсии

Таблица отчёта строится по строкам-цепочкам: каждая строка — уникальная комбинация источников в порядке визитов, а в колонках — число конверсий по этой цепочке и доля от общего числа. Ниже пример упрощённого мокапа того, как может выглядеть такая таблица для интернет-магазина мебели.

В этом мокапе видно то, что я регулярно встречаю на реальных проектах: самая частая цепочка — не единственный визит из Директа, а связка «Директ → прямой заход». Это означает, что пользователь кликнул по объявлению, ушёл думать, а потом вернулся напрямую — и в отчёте по последнему переходу вся конверсия запишется на «прямые заходы», хотя инициировал контакт именно Директ. Без многоканальных последовательностей эта связь остаётся невидимой, и решение «отключить Директ, у нас растут прямые заходы» становится ошибкой, которая режет весь поток лидов.

При чтении таблицы я обращаю внимание на три вещи. Первое — какие каналы чаще стоят в начале цепочки (это источники привлечения, их роль — знакомство). Второе — какие каналы чаще закрывают цепочку последним визитом (это источники дожима, их роль — конверсия). Третье — длина цепочки: если у вас большинство конверсий закрывается за 1 визит, ассоциированные модели почти не изменят картину; если типичная цепочка — 3-5 визитов, разница между «последним переходом» и «первым переходом» может быть кратной.

Ассоциированные конверсии и индекс взаимодействия — что это и как считать

В том же разделе Метрики есть отчёт «Ассоциированные конверсии», который считает не цепочки целиком, а вклад каждого источника — независимо от его позиции в пути. Ключевая метрика здесь — индекс взаимодействия: отношение числа ассоциированных конверсий (когда источник участвовал в пути, но не был последним) к числу конверсий последнего клика.

Формула читается так: если у канала индекс взаимодействия равен 1, он участвует в конверсиях примерно так же часто как «закрывающий» и как «участник цепочки» — то есть его роль сбалансирована. Если индекс выше 1, канал чаще выступает в роли «подготовителя» — он приводит пользователя, но саму заявку оставляет другому каналу. Если индекс близко к 0, канал почти всегда закрывает сделку сам и редко встречается в середине пути.

На практике у медийной рекламы, тематических баннеров и первого касания через соцсети индекс взаимодействия обычно заметно выше 1 — это нормально, такие каналы почти по определению работают на узнаваемость, а не на моментальную конверсию. У брендового поиска и прямых заходов индекс обычно ниже 1 — эти каналы почти всегда «закрывающие». Задача не в том, чтобы у всех каналов индекс был одинаковым, а в том, чтобы понимать эту роль и оценивать канал по соответствующей ей логике, а не рубить медийку по CPA в последнем клике.

Как применить данные ассоциированных конверсий для оптимизации бюджета

Дальше — самое интересное: как перевести эти отчёты в конкретные решения по распределению бюджета. Ниже алгоритм, который я использую сам, когда нужно защитить бюджет на «имиджевые» и верхнеуровневые каналы перед клиентом или руководством.

1. Выгрузить отчёт по последнему значимому переходу за период не менее 30–60 дней (чем длиннее цикл сделки, тем больше нужен период) и зафиксировать текущие цифры по каждому каналу — это «официальная» база для сравнения.
2. Выгрузить тот же период по модели «первый переход» и сравнить долю конверсий по каждому каналу. Каналы, у которых доля в первом переходе заметно выше, чем в последнем, — это источники спроса, которые недооценены в стандартной отчётности.
3. Открыть отчёт «Ассоциированные конверсии» и выписать индекс взаимодействия по каждому каналу — это подтверждающий сигнал к предыдущему пункту.
4. Посчитать «расширенный» CPA: разделить бюджет канала не только на конверсии последнего клика, но и на сумму (конверсии последнего клика + ассоциированные конверсии, взвешенные, например, с коэффициентом 0,3–0,5). Это не точная модель атрибуции, а быстрый способ увидеть, что реальная эффективность канала выше формальной.
5. Принять решение по краевым случаям: если канал с высоким индексом взаимодействия при этом даёт крайне мало ассоциированных конверсий в абсолютных числах — сокращать бюджет можно смело, роль «участника» не спасает, если участие единичное. Если абсолютные числа значимы — сокращение бюджета нужно тестировать поэтапно, а не разом.
6. Перепроверить решение через 30 дней после любого изменения бюджета — многоканальные эффекты проявляются с задержкой, и резкий вывод бюджета из канала-подготовителя может «просесть» в показателях остальных каналов не сразу, а через 2-4 недели.

Такой алгоритм не заменяет глубокую атрибуционную модель (например, Data-Driven Attribution, если она доступна и накоплено достаточно данных), но даёт рабочий компромисс между точностью и скоростью — обычно на его настройку у меня уходит 1-2 часа на проект, а не недели на построение сложной модели.

Типичные ошибки при анализе многоканальных последовательностей

Работая с этим отчётом на десятках проектов, я регулярно вижу одни и те же ошибки — фиксирую их здесь, чтобы вы могли сразу их избежать.

• Слишком короткий период анализа. Если цикл сделки в вашей нише 2-3 недели, а вы смотрите отчёт за последние 7 дней, большая часть цепочек попросту не успеет «закрыться» конверсией внутри окна — картина будет искажена в сторону коротких путей.
• Игнорирование настроек окна учёта визитов. По умолчанию Метрика учитывает визиты в пределах 90 дней до конверсии, но если у вас длинный B2B-цикл продажи (полгода и больше), реальная цепочка может быть длиннее окна — часть данных попросту не попадёт в отчёт.
• Смешивание разных целей в одном отчёте. Если у вас настроены и «заявка», и «звонок», и «добавление в корзину» как отдельные цели, но вы анализируете их вперемешку, цепочки будут «размыты» — я рекомендую строить отдельный отчёт по каждой финальной бизнес-цели.
• Перенос выводов B2C на B2B и наоборот. В B2C цепочки короче и решение принимает один человек, поэтому многоканальность не всегда критична. В B2B решение часто принимает несколько человек за несколько недель, и роль ассоциированных каналов там выше — не переносите пороговые значения индекса взаимодействия из одной сферы в другую без проверки.
• Отказ от UTM-меток на «второстепенных» каналах. Если email-рассылки, посты в соцсетях или партнёрские ссылки идут без разметки, они попадают в отчёт как «переходы по ссылкам» или «внутренние переходы», и вклад канала в цепочку становится невозможно вычленить корректно.

Что делать, если данных для анализа мало

Отдельная проблема — небольшие проекты, где число конверсий в месяц измеряется десятками, а не сотнями. В этом случае разбивка по детальным цепочкам даёт слишком мало наблюдений на каждую строку, и статистический шум перекрывает реальный сигнал. Здесь я рекомендую три упрощения. Первое — анализировать не полные цепочки, а группы каналов (например, «весь платный трафик» против «весь органический»), это укрупняет выборку. Второе — увеличивать период анализа до 3-6 месяцев, если сезонность позволяет. Третье — переходить от отчёта по цепочкам к более простому отчёту «Ассоциированные конверсии», где данные агрегированы по источнику целиком и не режутся на подцепочки — там устойчивый сигнал появляется быстрее.

Если же трафика достаточно (от пары сотен конверсий в месяц и выше), можно пробовать более продвинутые модели атрибуции внутри самой Метрики или выгружать сырые данные через API и считать атрибуцию на основе алгоритмов машинного обучения — но это уже отдельная задача, требующая аналитика с опытом работы с данными, а не просто маркетолога, читающего стандартные отчёты.