С какими атрибуционными моделями работал которые учитывают весь пусть клиента

Атрибуционные модели: полный путь клиента

Атрибуция — одна из самых сложных и важных задач в аналитике. Вопрос простой: «Какой маркетинговый канал заслуживает кредита за конверсию?» Но ответ сложный, потому что путь клиента обычно состоит из 5-15 touchpoint-ов. Я работал с несколькими моделями атрибуции, которые пытаются решить эту проблему комплексно.

1. Базовые (последовательные) модели атрибуции

Last-Click Attribution

Путь клиента:
Google Ads → Blog → Email → Organic → ПОКУПКА

Last-Click дает 100% кредит: Organic (последний touchpoint)
Просто, но неправильно: Google Ads и Email прошли всю работу, а не получают кредит

First-Click Attribution

Тот же путь:
Google Ads → Blog → Email → Organic → ПОКУПКА

First-Click дает 100% кредит: Google Ads
Тоже неправильно: Organic был ближе всего к покупке

Linear Attribution

Тот же путь (5 touchpoint-ов):

Каждый touchpoint получает равный кредит: 20% каждому
Google Ads: 20%
Blog: 20%
Email: 20%
Organic: 20%
Дirect: 20%

Проблема: предполагает, что все touchpoint-ы одинаково важны, что редко верно

Time Decay Attribution

Ближе к покупке — больше кредита:
Google Ads: 5% (давно, мало значит)
Blog: 10%
Email: 15%
Organic: 30% (недавно, много значит)
Direct: 40% (прямо перед покупкой)

Преимущество: учитывает, что недавние touchpoint-ы важнее
Недостаток: слишком произвольно распределяет кредит

Position-Based (U-shaped) Attribution

Модель: первый и последний touchpoint-ы получают основной кредит
Google Ads: 40% (первый)
Blog: 5%
Email: 10%
Organic: 5%
Direct: 40% (последний)

Логика: первый привел внимание, последний закрыл сделку
Использовал эту модель в компаниях с длинными sales cycle-ами (B2B)

2. Продвинутые модели: от марксизма к реальности

Data-Driven Attribution (DDA)

Гугл часто предлагает эту модель через GA4. Идея: использовать машинное обучение для расчета вклада каждого touchpoint-а.

Как работает:
1. Собирают путь клиента (все touchpoint-ы от первого контакта до конверсии)
2. Кроме того, собирают пути, где НЕ было конверсии
3. Модель обучается на обоих наборах данных
4. Вычисляет вероятность конверсии с каждым touchpoint-ом
5. Распределяет кредит пропорционально этой вероятности

Пример реальной расчета:
Путь: Google Ads → Blog → Email → Organic → Покупка

Модель выясняет:
- Без Google Ads: вероятность конверсии 10% (клиент всё равно мог придти через другой канал)
- Без Blog: вероятность конверсии 45% (Blog добавил значительный вклад)
- Без Email: вероятность конверсии 25% (Email существенен)
- Без Organic: вероятность конверсии 5% (Organic был критичен)

Кредит распределяется пропорционально:
Google Ads: 10%
Blog: 25%
Email: 35%
Organic: 30%

Где я его использовал:

• E-commerce компания с 5-step journey
• Google Analytics 4 имеет встроенную DDA модель
• Результат: понял, что Facebook Ads приносит мало прямых конверсий, но 70% их вклада — в зарождении интереса
• Decision: сохранили Facebook, но перефокусировали бюджет на нижние воронки

3. Многотачечные модели (Multi-Touch Attribution)

Incrementality Testing (Causality-based Attribution)

Это не модель распределения кредита, а способ понять: «Действительно ли этот канал приносит конверсии?»

Методология:
1. Берёшь аудиторию, которая обычно видит рекламу
2. Делишь на test и control группы
3. Test группе показываешь рекламу
4. Control группе НЕ показываешь (или показываешь другую рекламу)
5. Сравниваешь конверсии

Пример:
Google Ads Test Group: 1000 пользователей видят объявления → 50 конверсий = 5% CR
Google Ads Control Group: 1000 пользователей НЕ видят объявления → 30 конверсий = 3% CR

Incremental Impact = 5% - 3% = 2% → Google Ads приносит 2% incremental конверсий

Это правда! Не просто корреляция, а причинно-следственная связь

Где я это использовал:

• SaaS компания: нужно было понять, какой ROI у Google Ads
• Раньше: считали через last-click, казалось, что ROI = 3:1
• После incrementality test: понял, что реальный ROI = 1.5:1 (много трафика была бы органичной)
• Decision: сократили бюджет Google Ads на 30%

4. Сложные кросс-девайсные модели

Cross-Device Attribution

Реальный путь клиента в 2024:
День 1: Видит рекламу на YouTube с телефона → не кликает
День 2: Видит retargeting на Facebook с компьютера → кликает, но не покупает
День 3: Пересылает себе ссылку на email
День 4: Открывает email на планшете, кликает
День 5: На компьютере завершает покупку

Проблема: Last-click скажет, что это Direct (с email), а Facebook скажет, что это Facebook

Решение: Google Analytics с Cross-Domain Tracking
- User ID tracking: если пользователь залогинен, отслеживаем его по user_id
- Позволяет собрать полный путь

Где я это использовал:

• B2B SaaS: путь от awareness (LinkedIn) к purchase (direct email от sales) длится 30 дней
• Без cross-device tracking: казалось, что Direct (20%) и Google Ads (15%) — главные источники
• С cross-device: понял, что LinkedIn (50%), Google Ads (30%), Direct (20%)
• Decision: увеличили LinkedIn бюджет в 2 раза

5. Максимально продвинутые модели

Shapley Value Attribution

Это теоретико-игровой подход, взяли из экономики.

Идея: Представь touchpoint-ы как "игроки в коалиции". 
Шапли-значение показывает справедливое распределение кредита, 
если каждый игрок вносит вклад в разных комбинациях.

Пример:
Путь: Email → Google Ads → Покупка

Проверяют все возможные комбинации:
1. Email один: конверсия 10%
2. Google Ads один: конверсия 20%
3. Email + Google Ads: конверсия 50%
4. Пусто: 0%

Шапли значение рассчитывает справедливый кредит:
Email: 15% (маржинальный вклад в разных сценариях)
Google Ads: 35%

Почему это работает: учитывает не просто порядок, но и все комбинации

Где я пытался это использовать:

• ML моделью пытались реализовать
• Проблема: слишком сложно для интерпретации
• Результат: понял, что для практических решений data-driven атрибуция проще и эффективнее

Markov Chain Attribution

Модель переходов между touchpoint-ами.

Типичные переходы:
Start → Google Ads (вероятность 30%)
Google Ads → Blog (вероятность 40%)
Google Ads → Прямой выход (вероятность 30%)
Blog → Email (вероятность 50%)
Email → Purchase (вероятность 60%)
Email → Выход (вероятность 40%)

Марков цепь считает: какова вероятность того, что каждый touchpoint-point 
приведёт к конверсии, учитывая график переходов?

Результат: каждому touchpoint-у присваивается вероятность конверсии
Кредит распределяется пропорционально этой вероятности

Где я это использовал:

• Медиа-компания с 3+ шагами в funnel-е
• Понимали: что Email drive-т conversions? Или Email just capture ready-to-buy users?
• Markov цепь ответила: Email добавляет 35% вероятности конверсии

6. Практический пример: реальный проект

Сценарий: B2B SaaS платформа для управления проектами

Бизнес-цель: понять ROI каждого маркетинг-канала

Анализ путей (выборка 1000 конвертировавших клиентов):

Типичный путь:
1. LinkedIn Ad → 40% пользователей
2. Google Search (organic/paid) → 80% пользователей
3. Industry Blog (из нашей сети) → 45% пользователей
4. Product Hunt / HN → 30% пользователей
5. Email Newsletter → 55% пользователей
6. Direct → 20% пользователей

(Проценты сверху 100, потому что пользователи имели множественные touchpoint-ы)

Применённые модели:

1. Last-Click
   LinkedIn: 15%
   Google: 40%
   Blog: 20%
   PH/HN: 5%
   Email: 15%
   Direct: 5%
   → Google выглядит лучшим источником

2. Data-Driven (GA4)
   LinkedIn: 25% (больше, потому что многие путём начинаются с LinkedIn)
   Google: 30% (меньше, потому что много organic)
   Blog: 20%
   PH/HN: 10%
   Email: 10%
   Direct: 5%
   → LinkedIn лучше, чем казалось

3. Incrementality Testing (контролируемый эксперимент)
   LinkedIn: incremental 12% (много organic трафика)
   Google: incremental 20% (настоящий вклад меньше, чем казалось)
   Email: incremental 15% (хороший канал, часто люди готовы купить)
   
Решение на основе анализа:
- Уменьшили Google Ads бюджет на 20% (ROI переоценивался)
- Увеличили LinkedIn на 40% (недооценивалась)
- Создали программу Email nurturing (хорошая ROI)

7. Практические рекомендации

Какую модель выбрать в зависимости от бизнеса?

1. Если один-два touchpoint в пути → Last-Click достаточно
   Пример: игры в App Store (реклама → скачивание)

2. Если 3-5 touchpoint-ов, 7-14 дневный cycle → Data-Driven Attribution
   Пример: e-commerce (0-5% conversion rate)
   Инструменты: GA4, Adjust, AppsFlyer

3. Если 5+ touchpoint-ов, 30+ дневный cycle → Incrementality Testing
   Пример: B2B SaaS, Finance
   Инструменты: своя AB test система, Measured, Reforge platform experiments

4. Если cross-device и cross-browser важно → User ID tracking + Data-Driven
   Пример: мобильное приложение + веб
   Инструменты: GA4 с User ID, Firebase Analytics

5. Если очень сложная воронка с feedback loops → Markov Chain
   Пример: маркетплейсы с повторными покупками

Три ошибки, которые совершал:

⚠️ Ошибка 1: Слепо верить одной модели

• Применял Data-Driven и думал, что это истина
• Потом запустил incrementality test и выяснилось совсем другое
• Решение: всегда сравниваю несколько моделей, ищу консенсус

⚠️ Ошибка 2: Игнорировать brand effect

• Data-Driven Model показала, что Direct преимущественно неприбыльный
• На самом деле: Google Ads создаёт brand awareness → люди приходят Direct
• Решение: использовать incrementality testing, не только attribution

⚠️ Ошибка 3: Слишком много данных → паралич анализа

• Собрал все touchpoint-ы (10+) за 30 дней
• Модель говорила: всё важно в равной степени
• Решение: фокусироваться на топ-5 touchpoint-ов, игнорировать noise

Вывод

Нет идеальной модели атрибуции. Правда где-то посередине:

• Last-Click — просто, но неправильно
• Data-Driven — хороший компромисс для большинства случаев
• Incrementality Testing — дороже, но даёт правду
• Комбинация моделей — лучший подход для принятия решений

Важно помнить: атрибуция — это не наука, это инженерия. Цель не в идеальном распределении кредита, а в принятии правильных решений по распределению маркетинг-бюджета. Выбирай модель, которая лучше помогает в твоём бизнесе.