Attribution Model

Чтобы понять, что такое модель атрибуции, достаточно представить обычный путь покупателя к заказу. Например, сначала человек увидел рекламу товара в Instagram, затем нашел сайт через Google, а спустя несколько дней перешел по поисковому объявлению и совершил покупку.

Какой канал привел клиента? Если учитывать только последнее взаимодействие, всю ценность получит поисковая реклама. Но первое объявление познакомило человека с брендом, а органический поиск помог изучить предложение. Поэтому оценивать эффективность маркетинга исключительно по последнему переходу не всегда правильно.

По сути, модель атрибуции – это способ определить вклад каждого маркетингового контакта в достижение результата. Она помогает понять, какие каналы привлекают новую аудиторию, какие поддерживают интерес, а какие чаще участвуют в завершении покупки.

В рамках digital-маркетинга атрибуция используется для анализа рекламных кампаний, оценки эффективности каналов и перераспределения бюджета. Благодаря ей компания может принимать решения не только на основе количества кликов, но и с учетом пути клиента к конверсии.

Работа атрибуции начинается со сбора данных о взаимодействиях пользователя с сайтом и рекламными каналами. Система аналитики фиксирует переходы, кампании, источники трафика и целевые действия: покупки, отправки форм, регистрации или другие конверсии.

Когда пользователь совершает целевое действие, выбранная модель определяет, как распределить его ценность между предыдущими контактами. Например, путь клиента выглядит так:

1. Реклама в Instagram – первое знакомство с брендом.
2. Органический поиск Google – изучение товаров.
3. Google Ads – возвращение на сайт и покупка.

Предположим, пользователь совершил покупку на сумму 3 000 грн. Это условная стоимость заказа, которую мы используем для примера распределения ценности конверсии между маркетинговыми каналами.

При атрибуции по последнему клику вся ценность заказа будет присвоена Google Ads. При линейной модели каждый из трех каналов получит по 1 000 грн. А алгоритмический подход может распределить ценность иначе, исходя из анализа доступных данных.

Важно, что общая сумма конверсии не меняется. Меняется только распределение ее ценности между каналами.

Это позволяет анализировать не только прямой результат рекламы, но и взаимодействия, которые предшествовали покупке. Особенно полезен такой анализ для бизнеса с длинным циклом принятия решения, где клиент редко совершает заказ после первого посещения.

Существуют разные модели атрибуции, которые отличаются принципом распределения ценности между маркетинговыми контактами. Их можно разделить на одноканальные, многоканальные и алгоритмические.

• Last Click (последний клик) – вся ценность конверсии присваивается последнему учитываемому взаимодействию перед покупкой. Модель проста для понимания, но может недооценивать каналы, которые познакомили пользователя с брендом.
• First Click (первый клик) – 100% ценности получает первый контакт. Такой подход помогает оценить источники привлечения новой аудитории, но не учитывает вклад последующих взаимодействий.
• Linear (линейная модель) – ценность распределяется равномерно между всеми учитываемыми контактами. Если пользователь взаимодействовал с тремя каналами, каждый получает треть конверсии.
• Time Decay (с учетом давности взаимодействий) – больший вес получают контакты, которые произошли ближе к покупке. Чем раньше было взаимодействие, тем меньшую ценность оно получает.
• Position-based (на основе позиции) – обычно 40% ценности получает первый контакт, еще 40% – последний, а оставшиеся 20% распределяются между промежуточными взаимодействиями.
• Data-driven Attribution (на основе данных) – алгоритмическая модель, которая анализирует пути пользователей и оценивает вклад отдельных взаимодействий в вероятность конверсии. В отличие от моделей с фиксированными правилами, распределение ценности определяется на основе данных.

Важно учитывать, что First Click, Linear, Time Decay и Position-based остаются известными теоретическими моделями, однако с ноября 2023 года они больше не поддерживаются в Google Analytics 4 и Google Ads. В современных инструментах Google основной акцент сделан на Last Click и Data-driven Attribution.

Одноканальная атрибуция (Single-Touch Attribution) присваивает всю ценность конверсии одному взаимодействию. Например, первому или последнему клику.

Такой подход подходит для простой отчетности, но не позволяет полноценно оценить путь покупателя, если он взаимодействовал с несколькими источниками.

Многоканальная атрибуция (Multi-Touch Attribution) распределяет ценность между несколькими контактами. Это помогает учитывать роль рекламы, органического трафика, email-рассылок и других инструментов на разных этапах воронки продаж.

Например, медийная реклама может формировать первоначальный интерес, контент сайта – помогать сравнивать предложения, а поисковая реклама – возвращать пользователя для покупки.

При настройке Google Ads понимание этих различий особенно важно: кампания, которая редко получает последний клик, все равно может участвовать в привлечении клиентов и влиять на последующие конверсии.

При этом многоканальное распределение ценности не доказывает причинное влияние каждого контакта. Для оценки реального дополнительного эффекта рекламы могут потребоваться отдельные эксперименты и исследования инкрементальности.

В Google Analytics 4 атрибуция помогает оценивать вклад источников трафика в ключевые события (Key Events), включая покупки, регистрации и другие важные действия пользователей.

Сейчас в отчетах по атрибуции доступны три варианта:

• Data-driven – распределение ценности на основе алгоритмического анализа взаимодействий.
• Paid and organic last click – ценность получает последний учитываемый канал перед конверсией среди платных и органических источников.
• Google paid channels last click – при наличии подходящего взаимодействия с рекламой Google ценность присваивается последнему платному каналу Google.

По умолчанию для атрибуции ключевых событий в GA4 используется модель на основе данных. Она анализирует пути пользователей, включая сценарии с конверсиями и без них, чтобы оценивать вклад разных маркетинговых контактов.

Для анализа доступны отчеты Attribution Models и Attribution Paths. Они помогают сравнивать распределение конверсий и изучать последовательности взаимодействий перед целевым действием.

Важно также учитывать, что настройки модели влияют прежде всего на показатели с привязкой к событиям. Отчеты по привлечению пользователей и сеансам используют собственную логику атрибуции, поэтому значения в разных разделах GA4 могут отличаться.

Одна из распространенных проблем digital-аналитики – несовпадение количества конверсий в Google Analytics, Google Ads и Meta Ads.

Причина часто заключается не в технической ошибке, а в различных правилах учета и распределения конверсий.

На результаты могут влиять:

• выбранная модель атрибуции;
• окно атрибуции;
• учет кликов и просмотров рекламы;
• различия в отслеживаемых событиях;
• часовые пояса рекламных кабинетов;
• ограничения cookie и согласия пользователей;
• использование моделирования конверсий;
• различия между датой взаимодействия и датой покупки.

Например, пользователь увидел рекламу в Facebook, но позже перешел на сайт из Google и совершил заказ. Meta может учитывать эту конверсию в соответствии со своими правилами атрибуции, а Google Analytics распределит ценность по своей модели.

Поэтому две платформы могут показывать разные результаты для одного и того же бизнеса. Такие расхождения не всегда означают, что одна из систем работает неправильно.

Подробно причины различий рассматриваются в статье Brander о том, почему результаты Facebook не совпадают с Google Analytics. При этом конкретные настройки платформ необходимо проверять по актуальной документации, поскольку они меняются.

Выбор зависит от бизнес-целей, продолжительности пути клиента, количества маркетинговых каналов и доступности данных.

Для простых сценариев с коротким циклом покупки атрибуция по последнему клику позволяет быстро определить, какой канал непосредственно предшествовал конверсии. Однако если клиент знакомится с товаром через несколько рекламных кампаний, такой подход может давать неполную картину.

Data-driven Attribution полезна для оценки взаимодействий на разных этапах пути пользователя. Но ее эффективность зависит от качества измерения, доступных данных и особенностей алгоритма. Перед выбором подхода стоит:

• определить основные конверсии и их ценность;
• настроить корректное отслеживание событий;
• проверить UTM-метки и рекламные идентификаторы;
• выбрать подходящее окно атрибуции;
• оценить среднюю продолжительность пути к покупке;
• сравнить результаты доступных моделей;
• учитывать особенности рекламных платформ;
• регулярно проверять качество данных.

Отдельное внимание нужно уделять окну атрибуции. Оно определяет период, в течение которого взаимодействие может получить ценность за последующую конверсию. Например, если покупатель возвращается через несколько недель, слишком короткое окно может исключить часть ранних контактов из анализа.

При аудите рекламного аккаунта важно проверять не только кампании и расходы, но и настройки конверсий, атрибуции и качество аналитических данных. Ошибки в измерении могут привести к неправильным выводам об эффективности рекламы.

Выбранный способ распределения ценности влияет на показатели рекламных кампаний, включая количество приписанных конверсий, стоимость привлечения и окупаемость рекламных расходов.

Например, если одна кампания приводит новых пользователей, а другая возвращает их перед покупкой, модель Last Click может показывать преимущество второй кампании. При Data-driven Attribution часть ценности может быть присвоена первой.

Из-за этого показатели CPA и ROAS на уровне отдельных кампаний могут различаться в зависимости от модели. При этом общая выручка магазина не меняется: перераспределяется только ценность конверсий между маркетинговыми контактами.

Поэтому атрибуцию нельзя рассматривать отдельно от бизнес-метрик. Для принятия решений важно одновременно учитывать выручку, маржинальность, стоимость привлечения клиента, повторные покупки и фактическую прибыль.

Для бизнеса модель атрибуции – это инструмент более осознанного управления маркетинговыми инвестициями. Она помогает анализировать вклад каналов в конверсии и принимать обоснованные решения о распределении рекламного бюджета.

Для маркетологов это возможность видеть не только последнюю точку контакта, но и другие взаимодействия, которые могли участвовать в формировании спроса. Для аналитиков – способ сравнивать рекламные каналы, изучать поведение пользователей и выявлять ограничения системы измерения.

Однако даже самая сложная модель не гарантирует точного определения причин каждой покупки. Поэтому результаты атрибуции нужно дополнять бизнес-показателями, экспериментами и анализом реального прироста продаж.

В итоге, Attribution Model помогает оценивать маркетинг как систему взаимосвязанных каналов, а не набор отдельных рекламных кампаний. Правильно выбранный подход позволяет лучше понимать путь клиента, оценивать результативность продвижения и эффективнее управлять маркетинговым бюджетом.