Как правильно выбирать атрибуционные модели для честного расчёта стоимости конверсии

Введение

В цифровом маркетинге атрибуция — это способ распределить «заслугу» за конверсию между взаимодействиями пользователей с каналами и кампаниями. Правильная модель атрибуции критична для расчёта стоимости конверсии (Cost per Conversion) и, как следствие, для принятия грамотных маркетинговых решений: оптимизации бюджетов, оценки эффективности каналов и масштабирования роста.

Почему выбор модели атрибуции важен

Разные модели дают разные результаты: стоимость конверсии, возвращаемость инвестиций (ROAS) и приоритеты каналов могут кардинально измениться. Неправильный выбор модели ведёт к:

• перераспределению бюджета в пользу неэффективных каналов;
• недооценке длительных воздействующих кампаний;
• неоптимальным решениям при ценообразовании и развитии продуктовой стратегии.

Краткий обзор основных атрибуционных моделей

Ниже перечислены наиболее распространённые модели атрибуции и их ключевые характеристики.

Last click (последний клик)

Вся заслуга за конверсию присваивается последнему взаимодействию перед конверсией. Простая и часто используемая модель, но игнорирует предыдущие точки контакта.

First click (первый клик)

Весь вес получает первое взаимодействие. Подходит для оценки каналов, привлекающих новых пользователей, но не учитывает влияние напоминаний и ретаргетинга.

Linear (линейная)

Равномерно распределяет вес между всеми взаимодействиями на пути к конверсии. Справедливо отражает вклад всех точек контакта, но не показывает различия по важности этапов в воронке.

Time decay (спад по времени)

Больше веса получают более недавние касания. Подходит когда близость к конверсии критична (например, распродажи с коротким циклом принятия решения).

Position-based / U-shaped (позиционная, U-образная)

Уделяет большой вес первому и последнему касаниям, а меньший — промежуточным. Компромисс между первичным вовлечением и финальным подтолкнувшим касанием.

Data-driven / Algorithmic (данные/алгоритмическая)

Использует статистику и алгоритмы (часто машинное обучение), чтобы оценить вклад каждого взаимодействия на основе исторических данных. Теоретически наиболее точная, но требует достаточного объёма и качества данных.

Как выбор модели влияет на стоимость конверсии — примеры и статистика

Возьмём пример интернет-магазина со следующими каналами: контекстная реклама (Search), реклама в соцсетях (Social), email-рассылки (Email) и органический поиск (Organic). Ниже — упрощённые данные по 100 конверсиям и распределению касаний.

Если пересчитать по модели Linear (вес распределяется поровну между касаниями), доля конверсий, приходящаяся на Email и Organic, возрастёт, а на Search и Social — уменьшится. В примере стоимость конверсии Email может вырасти или упасть в зависимости от того, сколько касаний Email было на пути к конверсии. На практике изменение модели приводит к смещению CPA по каналам на 15–50% в зависимости от характера воронки.

Реальные исследования показывают, что переход от last click к data-driven может изменить оценку вклада каналов в среднем на 20–40%, а в отдельных случаях — до 70%. Это означает, что бренды, использующие устаревшую атрибуцию, могут неверно выводить бюджеты и недооценивать «длинные» кампании.

Как выбрать модель: практическая методика

Выбор модели зависит от бизнеса, цикла покупки и доступности данных. Рекомендованная поэтапная методика:

1. Определить характер пути клиента: короткий (несколько дней) или длинный (недели, месяцы).
2. Оценить объём и качество данных: доступны ли полные пути, есть ли идентификация пользователей (CRM, User ID)
3. Запустить базовые модели (last click, first click, linear) и сравнить результаты по KPI.
4. Рассчитать sensitivity: насколько меняется CPA при смене модели (в процентах).
5. По возможности внедрить data-driven модель и сравнить с простыми моделями.
6. Провести A/B тесты бюджетного перераспределения (при небольших рисках) или экспериментальный перенос части бюджета между каналами.

Критерии выбора модели по типу бизнеса

• E-commerce с коротким циклом: чаще работают time decay или last click, но стоит сравнить с position-based.
• Сложные B2B-продажи: data-driven или position-based, поскольку этапы осознанного принятия решения важны.
• Брендовые кампании и долгосрочный маркетинг: linear или data-driven, чтобы учесть вклад информационных касаний.

Ошибки и ограничения при использовании атрибуции

Несколько распространённых ошибок, которые приводят к неверным выводам:

• Опора только на last click как единственную метрику;
• Игнорирование офлайн-каналов и звонков;
• Неполные данные (удалённые cookies, ограниченная атрибуция без User ID);
• Смешивание разных периодов (несоответствие окна атрибуции и бизнес-реальности);
• Отсутствие регулярного пересмотра модели при изменении стратегии.

Окно атрибуции

Важная деталь — глубина окна атрибуции. Для ретаргетинга и email часто используют 30 дней, для быстрых промо — 7 дней. Выбор окна влияет на распределение веса и, соответственно, на CPA.

Инструменты для анализа атрибуции

Существуют разные инструменты: встроенные в рекламные платформы модели, сторонние аналитические платформы и собственные (in-house) решения. Критерии выбора инструмента:

• Возможность объединять онлайн и офлайн данные;
• Глубина и прозрачность модели (чтобы понимать, как распределяется вес);
• Автоматизация и отчётность;
• Соответствие требованиям конфиденциальности и GDPR/локальных законов.

Пример внедрения data-driven модели: шаги и результаты

Компания X (ритейл) с месячным бюджетом 1 000 000 ₽ использовала last click, считая Search главным источником. После внедрения data-driven модели и объединения CRM-данных выяснилось, что ключевую роль играют Email и Display: они обеспечивали 45% вкладов в конверсии, хотя last click показывал 20%. В результате перераспределения бюджета (сокращение затрат на Search на 15% и увеличение инвестиций в Email/Display на 20%) средняя стоимость заказа снизилась с 6 500 ₽ до 5 200 ₽ — уменьшение на 20% за три месяца.

Таблица сравнения моделей

Метрики, которые нужно отслеживать при смене модели

• CPA (Cost per Acquisition) по каналам и в целом;
• ROAS по каналам;
• Lifetime Value (LTV) привлечённых пользователей;
• Доля многоканальных путей к конверсии;
• Изменение в доле возвратов и повторных покупок.

Риски и как их минимизировать

Риски при переходе на новую модель:

• Краткосрочное ухудшение KPI из-за перераспределения бюджета;
• Ошибочная интерпретация новых данных;
• Технические сложности с объединением источников данных.

Минимизация рисков:

1. Проводить пилот на части бюджета;
2. Сравнивать результаты в динамике (не по 1–2 дням);
3. Использовать контрольные группы и A/B эксперименты;
4. Вести документацию и регламенты по пересмотру модели.

Практические советы по внедрению (совет автора)

«Лучше начать с простых сравнений нескольких моделей и маленьких экспериментов, чем сразу довериться «чёрному ящику» data-driven. Постепенное наращивание уровня сложности с параллельной валидацией ROI и LTV поможет избежать перебоев в бизнесе и даст устойчивое понимание истинной стоимости конверсии.»

Чек-лист для запуска корректной атрибуции

• Собрать все источники данных (реклама, CRM, офлайн) в одном месте;
• Определить окно атрибуции, соответствующее циклу покупки;
• Запустить минимум три модели (last click, linear, position-based) для сравнения;
• Оценить изменение CPA, ROAS и LTV при смене модели;
• Провести пилот перераспределения бюджета и оценить эффект в течение 1–3 месяцев;
• Если данные позволяют — внедрять data-driven и отслеживать его стабильность.

Заключение

Атрибуция — это не просто техническая настройка, а основа для принятия маркетинговых решений. Неправильная модель может привести к неверным инвестициям и упущенным возможностям. В идеале компании переходят от простых моделей к data-driven, но делают это поэтапно: собирают качественные данные, проводят сравнения, тестируют перераспределение бюджета и фиксируют результаты.

Ключевые выводы:

• Выбор модели атрибуции напрямую влияет на расчёт стоимости конверсии и приоритет каналов.
• Data-driven обеспечивает наибольшую точность при достаточном объёме и качестве данных.
• Для минимизации рисков рекомендуется проводить пошаговые эксперименты и валидацию метрик.

Авторская рекомендация: начать с анализа и сравнения нескольких простых моделей, далее внедрять эксперименты и только потом масштабировать data-driven подход, чтобы обеспечить корректный и устойчивый расчёт стоимости конверсии.