Парадокс, который сбивает с толку даже экспертов
Что такое атрибуция?
Атрибуция в маркетинге — это метод, который помогает распределить ценность одной конверсии (продажи или заявки) между участвующими рекламными каналами. Простыми словами, атрибуция помогает узнать, какой вклад вносит каждый источник привлечения клиентов в достижение конверсии. . Last-click, first-click, linear, time-decay, position-based. Возможно вы уже читали про Shapley value, Markov chains, ML-модели, возможно внедряли, тестировали, сравнивали.
И каждый раз — один и тот же вопрос: «Какая модель правильная?»
Ответ, который вам не понравится: правильной модели не существует.
Не потому что мы ещё не придумали. А потому что атрибуция — это не поиск объективной истины. Это выбор допущений о том, как люди принимают решения.
И эти допущения важнее, чем алгоритм.
Разбираем, почему сложные модели атрибуции часто врут, когда простота выигрывает у точности, и как принимать решения в условиях неопределённости.
Почему атрибуция — это философия, а не математика
Математика ищет истину. Философия — смысл.
Математическая модель атрибуции отвечает на вопрос: «Как распределить кредит за конверсию между точками касания?»
Философский вопрос звучит иначе: «Что вообще значит "внести вклад" в решение человека?»
Пример:
Человек увидел баннер → через неделю погуглил бренд → зашёл на сайт → ушёл → через три дня вернулся по прямой ссылке → купил.
- Last-click скажет: «Прямой заход — герой».
- First-click ответит: «Баннер запустил цепочку».
- Linear поделит кредит поровну.
- Time-decay отдаст больше последним касаниям.
- Алгоритмическая модель может выдать: «Баннер — 60%, прямой заход — 40%».
Какая модель права?
Все. И ни одна.
Потому что вопрос не в том, «кто виноват». А в том, что вы хотите понять:
- Что запускает интерес?
- Что закрывает сделку?
- Что удерживает от ухода?
- Что формирует лояльность?
Инсайт: модель атрибуции — это не зеркало реальности. Это линза, которая выделяет один аспект сложного процесса.
Почему сложные модели часто врут (данные, а не догадки)
Проблема 1: Неполные данные
Реальность: вы никогда не видите весь путь пользователя.
- Приватность (ITP, GDPR, блокировка трекеров) обрезает 30–60% данных.
- Кросс-девайс поведение: человек начинает на телефоне, заканчивает на десктопе.
- Офлайн-конверсии: звонок, визит в офис, рекомендация другу.
Следствие: любая модель строится на фрагменте реальности. Чем сложнее модель, тем больше она «дорисовывает» пропущенное. И тем сильнее может ошибиться.
Данные: исследование Google (2023) показало, что при потере 40% данных алгоритмическая атрибуция меняет распределение бюджета на 25–40% по сравнению с базовой моделью.
Проблема 2: Шум маскируется под сигнал
Реальность: сложные модели чувствительны к шуму.
- Случайные клики
- Боты и фрод
- Тестовые переходы команды
- Сезонные всплески
Следствие: модель находит «закономерности» в шуме и начинает оптимизировать под артефакты.
Пример из практики:
Компания внедрила ML-атрибуцию. Модель «обнаружила», что конверсии чаще происходят после просмотров видео на 3-й минуте. Бюджет перераспределили на удержание внимания к 3-й минуте.
Через месяц выяснилось: это был артефакт. На 3-й минуте в одном из популярных видео была пауза, и пользователи в этот момент переключались на другие вкладки. «Просмотр до 3-й минуты» коррелировал с общим временем сессии, а не с интересом к контенту.
Инсайт: чем сложнее модель, тем легче ей переобучиться на шум.
Проблема 3: Модели чувствительны к допущениям
Реальность: любая модель атрибуции строится на допущениях:
- «Все касания равнозначны» (linear)
- «Последнее касание важнее» (time-decay)
- «Вклад касания зависит от его позиции» (position-based)
- «Вклад определяется статистической ценностью» (Shapley)
Следствие: измените допущение — изменится результат.
Эксперимент:
Одна и та же выборка данных, 5 разных моделей:
Разные модели дают противоположные рекомендации на одних и тех же данных. Last-click направляет 65% бюджета на бренд-поиск и игнорирует верх воронки (8%). First-click переворачивает картину: 54% на верх воронки и только 12% на бренд. Linear, time-decay и алгоритмическая модели занимают промежуточные позиции, но тоже расходятся в оценках от 38% до 52% для бренд-поиска и от 15% до 33% для верхней части воронки.
Важно: один вопрос — одна модель. Не пытайтесь ответить на всё сразу.
Шаг 2: Проверьте допущения модели
Задайте себе:
- Что модель считает «вкладом»? (клик, просмотр, время?)
- Как модель обрабатывает пропущенные данные? (игнорирует, интерполирует, взвешивает?)
- Что модель считает «конверсией»? (клик, заявка, оплата, повторная покупка?)
Если допущения не соответствуют вашей реальности — модель будет врать.
Шаг 3: Протестируйте на исторических данных
Возьмите период, когда вы ещё не оптимизировали по модели.
Запустите несколько моделей параллельно.
Сравните:
- Насколько разные рекомендации они дают?
- Какая модель лучше предсказывает фактические результаты?
Инсайт: если модели дают радикально разные ответы — значит, данных недостаточно или процесс слишком сложен для одной модели.
Шаг 4: Внедряйте с «предохранителями»
Не перераспределяйте 100% бюджета по новой модели.
Правило 80/20:
- 80% бюджета — по проверенной, консервативной модели
- 20% — на тестирование рекомендаций новой модели
Мониторинг:
- Следите не только за конверсией, но и за качеством лидов, LTV, маржинальностью
- Если метрики расходятся — модель может оптимизировать не то
Шаг 5: Пересматривайте допущения регулярно
Рынок меняется. Поведение клиентов меняется. Платформы меняются.
Чек-лист для ежеквартального пересмотра:
- Изменился ли цикл покупки?
- Появились ли новые каналы или форматы?
- Изменилась ли приватность и доступность данных?
- Стали ли конверсии качественнее или дешевле?
Если да — возможно, пришло время пересмотреть модель.
Неочевидные связи: когда атрибуция влияет не на бюджет, а на стратегию
Атрибуция как инструмент коммуникации
Модель атрибуции — это не только цифры. Это язык, на котором вы говорите с командой и руководством.
Пример:
- Маркетолог говорит: «Контекст даёт 70% конверсий».
- Аналитик отвечает: «По модели Shapley — 40%, остальное — контент и бренд».
- Руководитель слышит: «Вы не можете договориться, кто прав».
Решение: используйте атрибуцию не для спора, а для исследования.
«Давайте посмотрим, как меняется картина при разных допущениях. Что если последнее касание важно для закрытия, а первое — для открытия? Как нам балансировать?»
Инсайт: атрибуция — это не аргумент. Это начало разговора.
Атрибуция как зеркало организационной структуры
Часто модель атрибуции отражает не поведение клиентов, а структуру компании.
Пример:
- Команда контекстной рекламы продвигает last-click.
- Команда контента — first-click или multi-touch.
- Бренд-менеджеры — алгоритмические модели, которые «доказывают» ценность бренда.
Следствие: выбор модели становится политическим решением, а не аналитическим.
Решение: разделите вопросы:
- «Что работает?» — аналитика, эксперименты, данные
- «Как распределять бюджет?» — стратегия, ценности, приоритеты бизнеса
Инсайт: атрибуция не должна заменять стратегическое мышление. Она должна его информировать.
Что делать, если вы не доверяете ни одной модели
Подход 1: Консервативный микс
Не выбирайте одну модель. Используйте несколько параллельно.
Как:
- Last-click — для оперативных решений (что отключить прямо сейчас)
- Multi-touch — для тактического планирования (куда сдвинуть бюджет на месяц)
- Качественные исследования — для стратегии (что вообще стоит тестировать)
Правило: если модели согласны — действуйте уверенно. Если расходятся — инвестируйте в исследование, а не в оптимизацию.
Подход 2: Эксперименты вместо атрибуции
Атрибуция наблюдает. Эксперименты проверяют.
Как:
- Гео-тесты: отключите канал в одном регионе, сравните с контрольным
- Holdout-группы: не показывайте рекламу части аудитории, измерите инкремент
- A/B-тесты креативов и офферов: измеряйте влияние напрямую
Преимущество: вы измеряете причинно-следственную связь, а не корреляцию.
Инсайт: атрибуция говорит «что связано». Эксперименты говорят «что вызывает».
Подход 3: Сценарное планирование
Не ищите «правильный» ответ. Готовьтесь к разным сценариям.
Как:
- Сценарий А: если last-click прав — фокус на закрытие
- Сценарий Б: если first-click прав — фокус на осведомлённость
- Сценарий В: если модель шумит — фокус на диверсификацию
Решение: для каждого сценария — план действий и триггеры переключения.
Инсайт: в условиях неопределённости гибкость важнее точности.
Вывод
Атрибуция — это не поиск истины. Это выбор линзы, через которую вы смотрите на сложность человеческого поведения.
Сложные модели не врут потому, что они плохие. Они врут, когда мы ожидаем от них того, что они не могут дать: объективности в субъективном процессе.
Не спрашивайте: «Какая модель правильная?»
Спрашивайте:
- «На какой вопрос я хочу ответить?»
- «Какие допущения я готов принять?»
- «Как я проверю, что модель не ведёт меня в тупик?»
- «Что я буду делать, если модели дают разные ответы?»
Иногда простой last-click с ясными допущениями полезнее, чем «чёрный ящик», который никто не понимает.
Потому что в маркетинге, как в философии, важнее не ответ. Важнее вопрос, который вы задаёте.
GORAWEB - разработка и продвижение сайтов