Атрибуция: какой канал на самом деле привёл клиента

Что такое атрибуция и почему это больно

Реальный путь клиента редко состоит из одного клика. Человек видит баннер в Telegram-канале, через два дня кликает по контекстной рекламе в Яндексе, ещё через неделю переходит по ретаргетингу и наконец покупает, перейдя по прямой ссылке из закладок. Пять касаний, четыре канала — и один заказ.

Атрибуция отвечает на вопрос «кому из этих четырёх засчитать продажу» — а точнее, как распределить ценность конверсии между всеми касаниями. От ответа зависят реальные деньги: если модель отдаёт всю заслугу последнему клику, ретаргетинг в отчётах будет выглядеть суперэффективным, а верхнеуровневая реклама, которая познакомила человека с продуктом, — бесполезной, хотя без неё покупки бы просто не случилось.

Без корректно настроенных UTM-меток атрибуция вообще не работает — система должна видеть каждое касание с привязкой к источнику, иначе строить цепочку не из чего.

Первый клик и последний клик — самые простые модели

Это два полюса, с которых начинают почти все:

• Last Click (последний клик). Вся ценность конверсии достаётся каналу последнего касания перед покупкой. Модель по умолчанию в большинстве рекламных кабинетов и самая простая для понимания. Проблема — она игнорирует всё, что происходило раньше, и системно завышает роль ретаргетинга и брендового поиска (человек и так собирался купить, просто гуглил название компании).
• First Click (первый клик). Вся заслуга — каналу, который впервые познакомил человека с брендом. Хорошо показывает, что генерирует новый спрос, но игнорирует всё, что довело человека до оплаты — а часто именно это самая дорогая и сложная часть воронки.

Обе модели удобны тем, что не требуют сложных расчётов — их поддерживает практически любая система аналитики «из коробки». Но именно простота делает их источником неверных решений о бюджете: маркетолог видит убыточный по last click канал и отключает его, хотя на деле тот приводил всех новых клиентов в воронку.

Линейная, временной спад, U-образная и W-образная модели

Между двумя крайностями — целый набор моделей, которые распределяют ценность между всеми касаниями, но по-разному:

Все эти модели — «правила» в чистом виде, а не результат анализа реальных данных: вы вручную решаете, что 40% ценности достаётся первому клику. Это лучше, чем last click, но всё ещё субъективно.

Атрибуция на основе данных (data-driven)

Data-driven атрибуция — модель, которая не берёт фиксированные проценты, а обучается на реальных данных: сравнивает пути клиентов, которые купили, с путями тех, кто не купил, и статистически вычисляет вклад каждого канала и точки касания в итоговую конверсию. Работает через алгоритмы, похожие на модели важности признаков в машинном обучении.

Такую атрибуцию предлагают GA4 (в отчётах атрибуции) и рекламные платформы вроде Яндекс.Директа при достаточном объёме данных. Модель точнее ручных правил, но требует минимального объёма конверсий — при малом трафике алгоритму не на чем обучаться, и он либо недоступен, либо даёт нестабильные оценки.

Модель атрибуции и окно атрибуции — не одно и то же

Помимо самой модели, на итоговую картину сильно влияет ещё один параметр — окно атрибуции (attribution window): срок, в течение которого касание вообще засчитывается как повлиявшее на конверсию. Стандартное окно в большинстве систем — 30 дней для кликов и 1 день для показов без клика, но его можно менять.

Короткое окно (7 дней) занижает роль каналов с длинным циклом принятия решения — например, контент-маркетинга, который знакомит с брендом за месяцы до покупки. Слишком длинное окно (90 дней), наоборот, может «притянуть» к конверсии случайные касания, которые на самом деле не повлияли на решение. Разумный ориентир — сверять окно атрибуции с реальной длиной цикла сделки, которую видно в CRM, а не оставлять значение по умолчанию не глядя.

Кросс-device и офлайн-конверсии — слепые зоны

Даже самая продвинутая модель атрибуции не видит того, чего не зафиксировала система аналитики. Три типичные слепые зоны:

• Смена устройств. Человек увидел рекламу с телефона, а купил с рабочего ноутбука через два дня — без авторизации и сквозной идентификации по user ID система видит это как два разных человека, и первое касание теряется.
• Офлайн-конверсии. Клиент позвонил по номеру с сайта или пришёл в шоу-рум после рекламы — если это не связано с коллтрекингом и CRM, для веб-аналитики такая продажа просто не существует.
• Разные рекламные кабинеты. Яндекс.Директ считает свою атрибуцию «внутри себя», ВКонтакте — свою, и обе системы могут одновременно «присвоить» себе одну и ту же конверсию — это называется двойным учётом.

Закрыть эти дыры помогает сквозная аналитика, которая сводит данные рекламных кабинетов, сайта, коллтрекинга и CRM в одно место — только там атрибуция становится честной, а не отчётом «в рамках одной системы».

Как выбрать модель под свой бизнес

Универсально правильной модели нет — выбор зависит от длины цикла сделки и структуры воронки. Разберём на условном примере: у компании было 3 касания перед покупкой на 40 000 ₽ — реклама в Директе (первое касание), пост у блогера (среднее касание), ретаргетинг (последнее касание). По модели last click вся выручка достанется ретаргетингу, и в отчёте реклама в Директе будет выглядеть убыточной, хотя именно она привела человека в воронку. По линейной модели каждому каналу засчитают по 13 333 ₽ — уже более честная картина, из которой видно, что все три канала внесли вклад.

Практичный подход — не выбирать одну модель «навсегда», а держать перед глазами 2-3 модели одновременно и смотреть, как меняется картина. Если канал выглядит хорошо и по last click, и по линейной модели — можно быть уверенным, что он действительно работает, а не просто получает финальный клик.

Модель атрибуции не создаёт данные — она лишь по-разному раскладывает уже случившиеся конверсии. Ошибка в разметке UTM или дыра в сквозной аналитике испортит любую, даже самую продвинутую модель.

Автоматизировать сведение данных из разных каналов под конкретную модель атрибуции — задача, которую всё чаще отдают нейросетям: выгрузку по кампаниям из нескольких кабинетов скармливают в ИИ-инструмент с просьбой пересчитать вклад каждого канала по нужной модели. Подробнее о таком применении — в статье про нейросети в аналитике.

Модели атрибуции в Яндекс.Директе и Метрике: как называются

В интерфейсах Яндекс.Директа и Яндекс.Метрики модели атрибуции называются иначе, чем в общепринятой терминологии выше, — и это частый источник путаницы, когда специалист ищет «last click» в кабинете и не находит такого пункта.

По умолчанию Яндекс.Метрика показывает отчёты по модели «Последний значимый переход» — она близка к last click, но игнорирует визиты без явного источника (внутренние переходы, повторный прямой заход в тот же день после клика по рекламе). Именно эту модель видят в стандартных отчётах, если её не переключить вручную.

В Яндекс.Директе переключение между «Последним переходом», «Первым переходом» и «Автоматической» моделью доступно прямо в статистике по конверсиям, без выгрузки данных во внешние инструменты. Автоматическая модель — data-driven аналог: вместо фиксированного правила она статистически вычисляет вклад каждого канала на основе накопленных данных о реальных конверсиях, и доступна не сразу, а при достаточном объёме статистики по аккаунту.