Модели атрибуции рекламных каналов: как выбрать для сквозной аналитики

Клиент спрашивает: «Откуда пришёл этот заказ на 84 000 ₽?» — и в CRM видно последний источник: прямой заход на сайт. А неделю назад тот же человек кликнул по объявлению в Директе, потом читал отзывы через поиск, потом пришёл по ссылке из письма рассылки. Кто из этих каналов «привёл» продажу? Ответ зависит от того, какую модель атрибуции вы используете — и от этого ответа зависит, куда вы завтра перераспределите бюджет.

Я настраиваю сквозную аналитику для проектов с циклом сделки от одного клика до нескольких недель раздумий, и модель атрибуции — это ровно тот узел, где чаще всего ломается доверие к отчётам. По моему опыту, большинство рекламодателей даже не подозревают, что модель атрибуции в Яндекс Метрике можно менять, и продолжают принимать решения по данным «последнего значимого перехода», которые системно недооценивают верхние этапы воронки.

В этой статье разберу, какие модели атрибуции рекламных каналов существуют, чем они отличаются на практике, как их настроить в Яндекс Метрике и Директе и — главное — как выбрать модель под конкретный тип бизнеса, а не следовать настройке по умолчанию просто потому, что она стоит по умолчанию.

Что такое атрибуция рекламных каналов простыми словами

Атрибуция рекламных каналов — это способ распределить ценность конверсии (продажи, заявки, звонка) между всеми рекламными источниками, с которыми пользователь взаимодействовал перед тем, как совершить целевое действие. Если человек сначала увидел баннер в РСЯ, через три дня кликнул по объявлению на поиске, а ещё через два дня открыл письмо рассылки и оформил заказ — атрибуция отвечает на вопрос, какому из этих трёх касаний и в какой пропорции «засчитать» эту продажу.

Без модели атрибуции система просто не может корректно посчитать эффективность рекламы там, где путь клиента длиннее одного клика. А по моим наблюдениям, у среднего интернет-магазина с чеком выше 3000 ₽ доля многошаговых путей — от 40% до 65% всех конверсий. Игнорировать это — значит регулярно урезать бюджет каналам, которые на самом деле формируют спрос, просто потому что они не стоят «последними» в цепочке.

Какие модели атрибуции существуют: обзор основных типов

На практике встречается пять-шесть моделей, которые реально используются в работе, а не только упоминаются в теории. Их можно разделить на две группы: однокасательные (весь вес — одному переходу) и мультиканальные (вес распределяется между несколькими).

В Яндекс Метрике сейчас доступны Last Click, First Click, Last Significant Click (последний значимый переход, исключающий прямые заходы и внутренние переходы), линейная и Data-Driven атрибуция. Именно Last Significant Click стоит по умолчанию в большинстве отчётов — и именно она чаще всего вводит в заблуждение, если её не поменять осознанно.

Last Click и First Click — самые простые модели атрибуции

Last Click (атрибуция по последнему клику) отдаёт 100% ценности конверсии тому каналу, с которого пользователь перешёл непосредственно перед покупкой. Это исторически модель по умолчанию почти во всех системах аналитики — она проста, понятна и легко объяснима заказчику. Проблема в том, что она системно переоценивает каналы «нижней» воронки — брендовый поиск, ретаргетинг, прямые заходы по закладке — и обесценивает каналы, которые формируют первичный спрос: медийную рекламу, охватные кампании в РСЯ, контент.

First Click — зеркальная модель: весь вес получает первый переход в цепочке. Она хороша, когда вы оцениваете именно охватные каналы «на входе» — например, при запуске медийной рекламы в Яндекс Директе, чтобы понять, какая кампания реально приводит новых людей в воронку, а не просто «подхватывает» уже тёплых.

Мультиканальные модели атрибуции: линейная, U-образная, временной спад

Мультиканальные модели решают главную проблему однокасательных — они не игнорируют промежуточные шаги воронки. Линейная модель делит ценность конверсии поровну между всеми переходами: если было четыре касания, каждое получает 25%. Это справедливо в теории, но на практике часто искажает картину в другую сторону — переоценивает случайные, малозначимые переходы (например, повторный клик по тому же объявлению из-за забытой вкладки).

U-образная модель (Position-Based) — компромисс: 40% ценности получает первый переход, 40% — последний, оставшиеся 20% делятся между промежуточными касаниями. Она хорошо описывает логику «канал открыл воронку, канал закрыл сделку, остальные подогревали». По моему опыту, U-образная модель — разумный выбор по умолчанию для бизнеса с циклом сделки от 3 до 14 дней и 3–5 касаниями в среднем пути.

Модель временного спада (Time Decay) присваивает больший вес переходам, которые произошли ближе по времени к конверсии, и постепенно уменьшает вес более ранних касаний — обычно с периодом полураспада в 5–7 дней. Она хорошо подходит для товаров с относительно коротким циклом принятия решения, где интерес угасает быстро, если не подогревать его повторными касаниями.

Data-Driven атрибуция: как алгоритм считает вклад каждого канала

Data-Driven атрибуция (атрибуция на основе данных) — самая точная из доступных моделей, потому что она не использует фиксированные правила распределения весов, а строит их на реальной статистике конверсий вашего сайта. Алгоритм сравнивает пути пользователей, которые купили, с путями тех, кто не купил, и вычисляет, какой вклад в вероятность конверсии внёс каждый канал в каждой конкретной последовательности касаний.

В Яндекс Метрике эта модель доступна в отчётах по электронной коммерции и в Мастере отчётов при достаточном объёме данных — обычно речь о минимум 400–600 конверсий за расчётный период, иначе алгоритму не хватает статистики для устойчивых весов. Если у вас 40 заявок в месяц, Data-Driven модель будет считать веса, но с высокой погрешностью — в таком случае честнее использовать U-образную модель как более прозрачную и предсказуемую.

Атрибуция vs инкрементальные тесты: что точнее показывает вклад канала

Даже самая точная модель атрибуции остаётся моделью корреляции — она смотрит, что было в пути пользователя перед покупкой, но не доказывает причинно-следственную связь. Альтернативный подход — инкрементальные тесты (incrementality testing): вы отключаете канал в одном регионе или для части аудитории и сравниваете конверсии с контрольной группой, где канал остался включён. Разница в конверсиях — это и есть реальный, а не модельный вклад канала.

На практике инкрементальные тесты требуют заметно больше трафика и времени на подготовку, поэтому для среднего и малого бизнеса Data-Driven атрибуция остаётся разумным балансом между точностью и трудозатратами. Инкрементальные тесты имеет смысл проводить точечно — например, чтобы проверить, действительно ли ретаргетинг в Директе добавляет продажи или просто «подхватывает» тех, кто купил бы и так.

Как настроить модель атрибуции в Яндекс Метрике и Директе

Смена модели атрибуции в Яндекс Метрике делается без программирования — но требует, чтобы базовая аналитика уже была настроена корректно. Порядок действий, который я использую на своих проектах:

В самом Яндекс Директе своей модели атрибуции для стратегий назначения ставок сейчас нет — Директ использует данные о конверсиях так, как их передаёт счётчик Метрики, привязанный к рекламному кабинету. Это значит, что если вы поменяете модель атрибуции только в отчётах Метрики, но не пересмотрите, какие цели передаются в Директ для оптимизации ставок, автоматические стратегии продолжат оптимизироваться по старой логике «последнего клика».

Сравнение моделей атрибуции: какую выбрать под тип бизнеса

Ниже — обобщённый пример того, как одна и та же цепочка касаний распределяет ценность конверсии на 12 400 ₽ между тремя каналами при разных моделях атрибуции. Это иллюстративный расчёт, а не данные конкретного клиента — он показывает логику, а не факт.

При Last Click ретаргетинг выглядит единственным «рабочим» каналом — и логика подсказывает урезать бюджет на РСЯ и поиск. При U-образной модели картина честнее: медийный охват и брендовый поиск получают заслуженную часть ценности за то, что сформировали спрос, а ретаргетинг — за то, что довёл до покупки. Это разница в 4 960 ₽ на один заказ — на масштабе в 200 заказов в месяц она превращается в почти миллион рублей неверно распределённого бюджета.

Частые ошибки при выборе модели атрибуции

Когда сложная модель атрибуции не нужна

Мультиканальная и Data-Driven атрибуция — не универсальное требование, а инструмент под конкретную ситуацию. Иногда простая модель честнее сложной, потому что не создаёт иллюзию точности там, где данных недостаточно.