Эволюция атрибуции конверсий: как современные инструменты спасают рекламные бюджеты

Атрибуция как финансовый инструмент Наиболее распространенный метод атрибуции — Last-Touch. Он приписывает результат последнему рекламному каналу. Однако у такого подхода есть ограничения. Например, рекламодатель видит, что большинство конверсий приходит из поиска, и увеличивает бюджет на контекстную рекламу. Но если больше половины касаний начинались с медийной рекламы, то Last-Touch этого не покажет. В итоге значительная часть бюджета уходит на каналы последнего шага, а не на те, что реально приводят клиентов. Можно провести аналогию с футболом. Цель команды — забить как можно больше голов. Забивают их нападающие. Логично ли платить им максимальную зарплату и отказаться от защитников, ведь те не забили ни одного гола в прошлом сезоне? Очевидно, что нет: без защитников команда даже не дойдет до момента, когда нападающий получит мяч и сможет нанести удар. С рекламой происходит то же самое: Last-Touch видит лишь финальный удар, но не видит пасы — те самые предыдущие касания с рекламой, которые вообще привели к тому, что нападающий получил мяч. Last-Touch-атрибуция много лет доминировала в индустрии, но сегодня она не отражает сложные пути клиентов. Сейчас покупатель может взаимодействовать с брендом через десятки каналов, особенно в период параллельных рекламных кампаний. Игнорировать промежуточные каналы — значит рисковать потерей бюджета. Проблематика рынка: где теряются миллионы рекламодателей Медийная реклама способна сыграть решающую роль в цепочке касаний с клиентом и положительно повлиять на завершение сделки — это ее преимущество.  Часто эффективность охватных кампаний оценивается по Last-Touch-атрибуции. Это простая и понятная модель, но на практике она:

подвержена фроду, например куки-стаффингу, когда канал искусственно ставит себя последним в цепочке;

исключает вклад медийных каналов в привлечение «холодного» трафика;

не отражает влияние каналов друг на друга.

Методы Шепли и Маркова: математика справедливого распределения Представим конверсию, в которой участвовали три канала: новостной сайт, мобильная игра, агрегатор сериалов. Цепочки показов выглядят следующим образом:

Новостной сайт → мобильная игра → агрегатор сериалов → конверсия

Новостной сайт → агрегатор сериалов → конверсия

Мобильная игра → агрегатор сериалов → конверсия

Ниже приведен пример расчета вклада каналов по разным моделям атрибуции:

Таблица демонстрирует:

Last-Touch: весь результат засчитывается последнему каналу (С). Каналы A и B, которые участвовали в пути, не получают веса.

Цепи Маркова: модель учитывает вероятность переходов между каналами (например, A → B чаще, чем A → C). Таким образом A и B получают долю вклада, даже если они не финальные.

Метод Шепли: анализирует все комбинации каналов и распределяет вклад более равномерно.

Итог: Last-Touch приписывает все конверсии агрегатору сериалов, в то время как алгоритмические модели показывают более точную картину. Агрегатор сериалов остается финальной точкой, но именно новостной сайт и мобильная игра помогают пользователю дойти до покупки. Почему нельзя ограничиться только одной моделью? Потому что каждая из них строится на разной логике. Цепи Маркова оценивают вклад канала через эффект его удаления из медиаплана. Метод Шепли точнее работает при длинных цепочках или при сильной разнице между охватами каналов. Практическая польза: как это работает на деле Три ключевых преимущества алгоритмической атрибуции:

Более точное распределение бюджетаАлгоритмическая атрибуция помогает эффективно перераспределить существующий бюджет и повысить конверсии, так как учитывает все точки взаимодействия пользователя с рекламой, а не только первую или последнюю. ROI растет без дополнительных вложений. 

Прогнозирование перед изменениями Модели на основе Цепей Маркова позволяют моделировать поведение пользователей на основе их предыдущего опыта взаимодействия с рекламой. Это дает возможность просчитать сценарии «что, если». Например, что будет с конверсией, если увеличить частоту показов на 20% или запустить новый креатив. Такой подход делает оптимизацию эффективной и управляемой.

Автоматизация решений Дает возможность передавать сигналы оптимизации в DSP и кабинеты и применять правила автокорректировок на основе свежих данных. 

Автоматизированные системы непрерывно обрабатывают большие массивы данных и быстро реагируют на изменения рынка, оптимизируя рекламные кампании. Например, они принимают во внимание автоматическое изменение ставок или бюджетов в зависимости от текущего спроса, конверсии и поведения аудитории. Это позволяет достигать лучших результатов при меньших затратах.  Как внедрить подход без больших затрат 1. Сравнить модели на исторических данных. Использовать статистику за 3–6 месяцев и проверить, как рекомендации по распределению бюджета различаются у Last-Touch и алгоритмических моделей. Last-Touch-модель приписывает всю ценность конверсии последнему каналу взаимодействия с клиентом. Алгоритмические модели используют методы распределения вклада, позволяя честно оценивать роль каждого канала в итоговом эффекте кампании. Здесь стоит обратить внимание на следующее:

какие каналы получают больше внимания и бюджета по каждой модели;

как сильно различается распределение ресурсов между двумя подходами;

как потенциально могут измениться показатели доходов и расходов от рекламы, если перераспределить бюджет согласно той или иной модели.

Такой анализ позволит выявить плюсы и минусы каждой модели. К примеру, модель Last-Touch может переоценивать эффективность последних взаимодействий, при этом не учитывая роль предыдущих шагов пути клиента. Алгоритмическая модель, наоборот, способна учитывать весь комплекс действий клиента и предлагать наиболее оптимальные рекомендации. 2. Начать с ключевых каналов. Предварительно провести Last-Touch-анализ существующих маркетинговых каналов: поисковая реклама, email-маркетинг, социальные сети, медийная реклама и другие. Отследить путь клиента от первого касания до конверсии. Например, было задействовано десять рекламных каналов для привлечения клиентов, при этом вклад трех из них по модели «Цепи Маркова» оказался незначительным. Малоэффективные каналы убрали, перераспределили бюджет и получили в итоге больше конверсий за те же деньги.  В каналах, где наблюдаются наибольшие искажения, — протестировать новые модели. Если результаты окажутся положительными, можно постепенно масштабировать модель на другие каналы. Если итоги незначительные или совсем отсутствуют, то тестирование можно повторить, но уже с другой гипотезой. 3. Постепенно интегрировать данные в работу. На основании анализа сделать выводы о необходимости использования новой модели атрибуции. Использовать результаты алгоритмической атрибуции как дополнительный аргумент в планировании и шаг за шагом увеличивать их вес в принятии решений.  Заключение: атрибуция как основа роста Современная атрибуция — это не просто аналитика, а инструмент для управления финансами. В условиях, когда каждая единица бюджета должна приносить результат, игнорировать вклад всех каналов — значит терять прибыль. Переход к алгоритмическим моделям атрибуции дает возможность глубже проанализировать эффективность рекламных кампаний и получить наилучший результат при том же или меньшем бюджете.  Главный вывод: конверсия — это не одно касание, а результат работы всей воронки. Алгоритмическая атрибуция позволяет увидеть вклад каждого канала и построить более эффективную стратегию.