Как атрибутировать воздействие на пользователя?
Комментарии (1)
Ответ сгенерирован нейросетью и может содержать ошибки
Атрибуция: как определить, какой канал привел пользователя к конверсии
Это один из самых сложных и важных вопросов в аналитике. Дам глубокий анализ разных подходов.
Проблема атрибуции
Сценарий: Пользователь совершил покупку. Но прежде чем это произошло, он:
- Видел объявление в Google Ads
- Кликнул на него
- Ушёл (не купил)
- Через неделю вернулся через organic search
- Прочитал отзывы
- Открыл YouTube видео нашей компании
- Вернулся на сайт
- Совершил покупку
Вопрос: какой канал получает кредит (credit)?
- Google Ads? (первое прикосновение)
- Organic search? (второе прикосновение)
- YouTube? (прямо перед покупкой)
- Все равно?
Это критично, потому что от ответа зависит, куда мы инвестируем маркетинг-бюджет.
Методы атрибуции
1. Last-click Attribution (Последний клик)
Суть: весь кредит идёт последнему каналу перед покупкой.
Пример:
- Google Ads → Organic Search → YouTube → Покупка
- Кредит идёт: YouTube 100%
Плюсы:
- Просто считать (почти не требует технологии)
- Понять, какой канал "закрыл" сделку
Минусы:
- Это неправильно — игнорирует весь customer journey
- Google Ads (который первый привлёк) не получает кредит
- YouTube может быть просто случайным перед покупкой
Мой опыт: много компаний используют это, потому что легко. Результат: неправильно распределяют бюджет.
2. First-click Attribution (Первый клик)
Суть: весь кредит идёт первому каналу.
Пример:
- Google Ads → Organic Search → YouTube → Покупка
- Кредит идёт: Google Ads 100%
Плюсы:
- Понять, какой канал привлекает пользователей
- Хорошо для awareness campaigns
Минусы:
- Полностью игнорирует роль других каналов
- Если Google Ads показывает объявление, но пользователь не интересуется, это не означает, что Google Ads ценен
3. Linear Attribution (Линейная атрибуция)
Суть: каждый канал получает равный кредит.
Пример:
- Google Ads → Organic Search → YouTube → Покупка
- Кредит распределяется: каждый канал = 33%
Плюсы:
- Честнее, чем last/first click
- Понять, что все каналы участвовали
Минусы:
- Игнорирует важность каждого канала
- Organic search может быть просто поиском бренда после объявления
- YouTube может быть случайностью
4. Time-decay Attribution (Временной спад)
Суть: каналы, ближе к покупке, получают больше кредита.
Пример:
- Google Ads (10 дней назад) = 10% кредита
- Organic Search (5 дней назад) = 20% кредита
- YouTube (1 день назад) = 70% кредита
- Итого: 100% (сумма = покупка)
Формула: кредит зависит от exponential decay
Плюсы:
- Интуитивно правильно (близкие каналы важнее)
- Google лучше, чем last-click (распределяет, но склоняет к концу)
Минусы:
- Требует настройки параметров (как быстро спад?)
- Может недооценить awareness channels
5. Position-based Attribution (Позиционная атрибуция)
Суть: первый и последний каналы получают больше (например, 40% каждый), остальные делят 20%.
Пример:
- Google Ads (первый) = 40%
- Organic Search = 10%
- YouTube (последний) = 50%
Плюсы:
- Даёт кредит awareness и conversion каналам
- Лучше распределяет чем linear
Минусы:
- Произвольные веса (40%/50% почему именно?)
- Не научный подход
6. Multi-touch Attribution (MTA) / Data-driven Attribution
Суть: используем машинное обучение, чтобы предсказать вероятность конверсии от каждого канала, основаясь на исторических данных.
Как работает:
- Собираем все journeys (пути пользователей)
- Для каждого пути смотрим: какие каналы привели к конверсии, какие нет
- ML модель учится: какие комбинации каналов вероятнее всего привели к конверсии
- Распределяем кредит пропорционально важности каждого канала
Пример (гипотетический):
- Анализирует 100,000 journeys
- Находит: когда Google Ads + Organic Search + YouTube вместе → 80% конверсия
- Находит: когда только YouTube → 20% конверсия
- Распределяет кредит соответственно
Плюсы:
- Это наиболее правильный подход
- Основан на реальных данных, не на предположениях
- Самый точный
Минусы:
- Дорого (нужны Google Analytics 360, данные-science team)
- Требует много исторических данных
- Сложно объяснить бизнесу
Практические подходы
Для стартапа/SMB (нет бюджета на MTA)
Мой рекомендация:
- Первичный анализ: Last-click для baseline
- Углубленный анализ: Time-decay для каналов
- Bonus: позвони нескольким случайным купившим, спроси: "Как ты узнал про нас?" — часто разговор выясняет real journey лучше, чем analytics
Для mid-size компании
Что я бы сделал:
- Внедрить UTM-параметры на все каналы
- Использовать Position-based attribution (40/20/40)
- Ежемесячно анализировать journeys вручную (на выборке)
- Сравнивать разные модели между собой
Для крупной компании
Вариант 1: Data-driven MTA (если есть бюджет)
- Google Analytics 360 + Marketo/HubSpot
- ML модели атрибуции
Вариант 2: Incrementality Testing (если MTA слишком дорого)
- A/B тестируем отключение каждого канала
- Смотрим, насколько упадёт конверсия
- Это даёт true impact каждого канала
Causal Attribution: Правильный (но сложный) способ
Суть: вместо корреляции (видел объявление → купил) ищем причину (объявление ВЫЗВАЛО покупку).
Метод: Incrementality Testing
Пример:
- Группа 1 (контроль): блокируем Google Ads
- Группа 2 (тест): обычное использование Google Ads
- Ждём месяц
- Смотрим: в контроле конверсия упала на X%?
- Значит, Google Ads вызывает X% конверсий
Это истинная атрибуция, потому что мы видим причину, не корреляцию.
Минусы:
- Дорого (теряешь выручку в тестовой группе)
- Долго (нужно 2-4 недели для статистической значимости)
- Сложно для всех каналов
Мой практический совет
Рекомендуемая иерархия методов:
1. Incremental Testing — если есть бюджет
- Это правда (каузальная атрибуция)
2. Multi-touch Attribution (ML) — если есть данные
- На 90% правда (корреляция близко к причине)
3. Time-decay — для среднего бизнеса
- На 60% правда
4. Position-based — если нет ресурсов
- На 50% правда
5. Last-click — если больше ничего нет
- На 20% правда (избегать!)
Проблемы с любой атрибуцией
Multi-device journeys
Проблема: пользователь видит объявление на мобильном, но покупает на десктоп.
- Если не синхронизировать device data, Google Ads и Desktop каналы не связаны
- Результат: неправильная атрибуция
Offline conversions
Проблема: пользователь видит объявление, но покупает в магазине.
- Digital analytics не видит эту покупку
- Результат: недооценка digital каналов
Решение: интегрировать POS системы в analytics.
Privacy (GDPR, CCPA)
Проблема: больше не можем отследить пользователей через devices/sites.
- Cookie исчезают
- Third-party data недоступна
- Сложнее делать MTA
Решение: приватность-first атрибуция (differential privacy, federated learning).
Вывод
Атрибуция — это важный, но сложный вопрос без идеального ответа.
Лучший подход:
- Используй data-driven MTA если есть ресурсы
- Дополняй incrementality testing для ключевых каналов
- Регулярно переосмысляй модель (может, сейчас другой подход лучше)
- Не полагайся на одну модель — используй несколько параллельно и сравнивай
Главная истина: не существует "правильной" атрибуции, только более или менее неправильная. Выбирай метод исходя из:
- Бюджета (сколько можешь потратить)
- Времени (как быстро нужен ответ)
- Данных (какие данные доступны)
- Бизнес-целей (что важнее: awareness или conversion)
И помни: лучше примерно правильно (time-decay), чем совсем неправильно (last-click).