Модели атрибуции: что это и виды

Автор

Практика веб-аналитики без единого автора; оформлена в инструментах вроде отчёта о сравнении моделей в Google Analytics, Единой даты нет; в 2023 году Google убрал четыре модели на основе правил

Уровень

201 · Инструмент

Подходит

стартап, малый и средний бизнес, растущая компания

Время на внедрение

полдня, чтобы сравнить модели на одной конверсии, затем квартал на проверку самых больших расхождений

Что понадобится

аналитика или рекламный кабинет, которые записывают точки контакта до конверсии · одна важная конверсия: запись на приём, оплаченный заказ или первая транзакция · данные о путях по этой конверсии за 30–90 дней

Модель атрибуции — это правило, по которому заслугу за конверсию отдают точкам контакта. Покупатель редко приходит одним путём: реклама, статья, письмо, а потом поиск по названию вашей компании. Модель раскладывает заслугу по этому пути, а из раскладки получается отчёт по каналам, по которому потом делят бюджет. Модели на основе правил никто не изобретал. Они выросли из инструментов веб-аналитики, и справка самого Google описывает их одинаково: 100% последнему клику, 100% первому, поровну или с весом по времени или позиции.

Главное здесь — что правило может и чего не может. Оно делит продажи, которые уже случились. Что сделал бы покупатель без рекламы, оно не видит, а решение о бюджете зависит именно от этого.

Пять моделей на основе правил

Для одной и той же продажи каждое правило называет своего победителя. Справка Google Analytics определяет последнее взаимодействие как 100% заслуги за последний клик перед конверсией, первое — как 100% за клик, с которого начался путь, а позиционную модель — как 40% первому и последнему взаимодействию, остальные 20% распределяются по середине. Линейная модель делит заслугу поровну. Модель с учётом давности отдаёт больше касаниям ближе к продаже.

Веса в таблице взяты по договорённости. Ничто в данных не говорит, что первому и последнему касанию положено по 40%. Исследователи считают это главной слабостью моделей: обзор Каннана, Райнартца и Верхуфа описывает цель атрибуции как оценку инкрементальной ценности каждого касания, а фиксированное правило её не оценивает.

Почему модели на основе правил не показывают причину

Заслуга — не причина. Человек, который искал вашу клинику по названию, скорее всего уже собирался записаться, а клик перед записью по последнему клику получает всю заслугу. Блейк, Носко и Таделис проверили это на eBay: в аннотации они пишут, что реклама по брендовым ключам не давала измеримой краткосрочной выгоды, а отдача от платного поиска составляла лишь малую долю от обычных неэкспериментальных оценок.

Другие эксперименты приходят к тому же. Гордон с коллегами сравнили наблюдательные методы с рандомизированными тестами в Facebook (принадлежит компании Meta, признанной экстремистской организацией и запрещённой в России) и обнаружили, что наблюдательные методы часто не восстанавливают истинный эффект воздействия. В их работе 2023 года на 663 экспериментах сделан вывод: даже при богатых данных надёжно оценить причинный эффект рекламной кампании без экспериментов нельзя. Льюис и Рао провели 25 крупных полевых экспериментов и сообщают, что смещение отбора, вызванное таргетированностью рекламы, — серьёзнейшая проблема для наблюдательных методов.

Есть и то, чего правила просто не видят. В эксперименте на Yahoo Льюис и Райли выяснили, что 78% прироста продаж дали потребители, которые рекламу не кликают, как сказано в описании семинара авторов, а 93% прироста произошло в магазинах. Правилу на кликах здесь засчитывать нечего. По той же причине не видны доли тёмных соцсетей и сарафанного радио, как объясняет страница про dark social.

Берман добавляет вторую проблему: само правило меняет поведение. В его анализе стимулов издателей показано, что атрибуция по последнему касанию чрезмерно поощряет показы рекламы, и рекламодатели нередко получают меньше прибыли. Значение Шепли, метод из теории игр 1953 года, в его модели сработало лучше.

Что Google убрал в 2023 году

Google объявил 6 апреля 2023 года, что первый клик, линейная модель, модель с учётом давности и позиционная уйдут из Google Ads и GA4. Расписание есть на странице справки: с июня 2023 года эти модели нельзя было выбрать для действий-конверсий, которые их ещё не использовали, а с сентября 2023 года действия-конверсии, всё ещё использовавшие их, переключились на атрибуцию на основе данных или на последний клик, если рекламодатель выбрал его. В компании сообщили, что четыре модели использовались менее чем в 3% веб-конверсий Google Ads по данным за февраль–март 2023 года.

Справка Google Analytics сейчас перечисляет только модель на основе данных, последний клик по платным и органическим каналам и последний клик по платным каналам Google, а про четыре модели сказано, что они «больше недоступны с ноября 2023 года». Справка Google Ads называет последний клик и модель на основе данных, причём для большинства действий-конверсий по умолчанию стоит вторая. Если сегодня вам нужна линейная или позиционная картина по данным Google, её приходится собирать вне этих инструментов.

Модели атрибуции в Яндекс Метрике

Справка Яндекс Метрики описывает четыре модели: «Последний переход» (так в Метрике называется последний клик), «Первый переход кросс-девайс», «Последний значимый переход кросс-девайс» и «Автоматическая атрибуция». «Последний переход» отдаёт каждому визиту его собственный источник, без истории визитов. «Последний значимый переход» переносит визиты из незначимых источников, например прямые заходы, на предыдущий значимый источник. Автоматическая модель атрибуции сочетает определение кросс-девайсных конверсий с учётом домохозяйств на основе обезличенных данных, и данные для неё считаются с 8 апреля 2023 года.

Там же сказано, что с 20 мая 2026 года модели «первый переход», «последний значимый переход», «последний переход из Директа» и «последний переход из Директа кросс-девайс» отключены в Метрике и Директе, а сохранённые отчёты переходят на актуальные модели. Окно истории визитов — 90 дней между визитами, пользователи изменить его не могут. Проверьте свой аккаунт, прежде чем на это полагаться: Яндекс правит эти страницы, и текст справки в разных разделах согласован не полностью.

Где место атрибуции на основе данных

Атрибуция на основе данных заменяет фиксированные веса моделью, обученной на путях с конверсией и без неё. Google пишет, что его модель сопоставляет случившееся с тем, что могло бы произойти, и для хорошей подгонки рекомендует не меньше 200 конверсий и 2000 взаимодействий с рекламой за 30 дней. Из ранних академических работ в этом направлении — Шао и Ли 2011 года и Далессандро с коллегами 2012 года, которые рассматривали атрибуцию как задачу причинной оценки. Ли и Каннан обнаружили, что вклад каналов в их модели значимо отличался от других используемых метрик, а Андерл с коллегами сообщают, что их модели путей существенно отличаются от эвристик вроде последнего клика. Но такая модель всё равно засчитывает только касания, которые видит платформа. Это более точный отчёт, а не замена экспериментам. Метод разбирает страница об атрибуции на основе данных и MTA.

Правила плюс причинное измерение

Берите для динамики два-три правила рядом, а там, где бюджет велик, используйте тесты инкрементальности или гео-эксперименты. Каналы без клика закрывает моделирование маркетингового микса, а как три слоя сочетаются, показывает страница про единую систему измерения. Метод ghost ads Джонсона, Льюиса и Нуббемейера описывает более дешёвый способ собрать холдаут: при той же точности прироста затраты как минимум на порядок ниже, чем в прежних схемах. План Growth Lab начинается с отчёта, где заслуга показана по нескольким правилам, а затем выбирает один-два канала для теста.

Как применять: Модели атрибуции: что это и виды по шагам

1. Выберите одну конверсию и одно окно. Возьмите единственное событие, которое приносит деньги, например оплаченную запись или первый платёж картой, и зафиксируйте окно атрибуции, скажем 30 дней. Если смешать конверсии или окна, модели нельзя будет сравнить. Результат: одна конверсия и одно окно, записанные в шапке отчёта.
2. Прогоните одни и те же данные через два-три правила. Возьмите последний клик, первый клик и одну модель с распределением, например линейную или позиционную. Google их больше не предлагает, поэтому считайте по выгруженным путям в таблице или в хранилище данных. Результат: таблица, где строки — каналы, а столбцы — заслуга по каждому правилу.
3. Отметьте каналы, у которых заслуга скачет. Канал, который сохраняет свою долю при любом правиле, измерен сравнительно надёжно. Канал, который падает с 40% до 5%, зависит от выбранного правила. Результат: короткий список каналов, где число задаёт модель, а не рынок.
4. Спросите, что делал бы каждый такой канал без рекламы. По каждому каналу из списка назовите людей, которые купили бы и так, например тех, кто искал вас по названию. Результат: ранжированный список каналов, где заслуга скорее всего превышает реальный вклад.
5. Проверьте один-два верхних канала. Проведите на каналах из начала списка холдаут или региональный тест по страницам об инкрементальности и гео-экспериментах. Результат: измеренный прирост для каналов, где решения по бюджету самые крупные.
6. Закрепите правило для отчёта и перестаньте о нём спорить. Выберите одно правило для недельного отчёта, укажите его в шапке и меняйте только тогда, когда тесты с ним расходятся. Результат: одно стабильное число для динамики и пометка о калибровке по последним тестам.

Примеры

eBay и реклама по собственному названию

В полевом эксперименте Блейк, Носко и Таделис обнаружили, что реклама по брендовым ключам, где eBay платил за запросы с собственным названием, не давала измеримой краткосрочной выгоды. Большая часть кликов и продаж, которые рекламе засчитывали, приходила через бесплатную выдачу, когда рекламу выключали. Отчёт по последнему клику записывает каждую такую продажу в успех платного поиска.

Стоматология и путь из четырёх касаний

Иллюстративный пример, реальная клиника не подразумевается. Пациент записывается на консультацию по имплантации с ожидаемой ценностью первого визита 80 000 рублей. Путь такой: реклама в соцсети, статья в блоге, найденная в поиске, рассылка клиники, затем поиск по названию клиники. Последний клик отдаёт все 80 000 брендовому поиску. Первый клик отдаёт все 80 000 рекламе в соцсети. Линейная модель даёт каждому каналу по 20 000. Позиционная даёт 32 000 рекламе, по 8 000 статье и письму и 32 000 брендовому поиску. Один пациент и четыре разных истории о бюджете.

Компания международных платежей

Иллюстративный пример, реальная компания не подразумевается. B2B-компания по платежам видит, что 70% регистраций по последнему клику идут из брендового поиска и прямых заходов. Она переносит бюджет со спонсорства подкастов на дополнительные брендовые ключи. Регистраций с этих ключей не прибавляется: эти покупатели и так искали компанию, а за квартал поток новых лидов падает. Отключённый канал создавал те самые брендовые запросы, которые последний клик засчитывал другим.

Когда применять

Модели на основе правил подходят для недельной отчётности, для поиска каналов, которые выглядят по-разному при разных правилах, и как черновик перед тестом. В большинстве инструментов они бесплатны, их легко объяснить, а неделя к неделе они стабильны, поэтому хороши для динамики. Используйте две-три модели рядом, а не одну.

Когда не применять

Не опирайтесь на модель на основе правил, чтобы переносить крупный бюджет, доказывать, что канал работает, или сравнивать канал, который даёт клики (поиск), с каналом, действующим в основном через просмотры и сарафанное радио. Для таких решений нужен эксперимент, модель маркетингового микса или то и другое.

Частые ошибки

• Принимать результат модели за измерение эффекта, хотя она лишь делит продажи, которые уже случились.
• Читать последний клик как доказательство, что продажи делают брендовый поиск или прямые заходы, хотя многие из этих посетителей уже всё решили.
• Менять модель атрибуции посреди квартала и считать получившиеся сдвиги изменением эффективности.
• Сравнивать цифры, приписанные самой рекламной платформой, с цифрами аналитики, не проверив, совпадают ли окна и правила.
• Выбирать модель потому, что в ней любимый канал выглядит лучше, а потом защищать ею бюджет.

Вопросы и ответы

Какие основные модели атрибуции существуют?

Пять классических моделей на основе правил: последний клик, первый клик, линейная, с учётом давности и позиционная. Они отдают заслугу последнему касанию, первому, всем поровну, касаниям ближе к продаже или по 40% первому и последнему, а оставшиеся 20% делят между средними. Атрибуция на основе данных — отдельное, алгоритмическое семейство.

Какие модели атрибуции ещё есть в Google Ads?

В справке Google Ads указаны последний клик и модель на основе данных, причём для большинства действий-конверсий по умолчанию стоит модель на основе данных. Первый клик, линейная, с учётом давности и позиционная там больше не поддерживаются. Google объявил об их отключении 6 апреля 2023 года, а GA4 перестал их предлагать в ноябре 2023 года.

Какие модели атрибуции есть в Яндекс Метрике?

В справке Метрики описаны модели «Последний переход», «Первый переход кросс-девайс», «Последний значимый переход кросс-девайс» и «Автоматическая атрибуция». Там же сказано, что с 20 мая 2026 года модели «первый переход», «последний значимый переход» и две модели «последний переход из Директа» отключены в Метрике и Директе. Сохранённые отчёты автоматически переходят на актуальные модели.

Почему модели атрибуции на основе правил не показывают причину?

Они делят заслугу между касаниями, которые произошли. Что покупатель сделал бы без рекламы, они не видят. Эксперименты в eBay и Facebook показали, что наблюдательные оценки часто промахиваются мимо настоящего эффекта, иногда сильно: на рекламу кликают люди, которые и так склонны купить.

Атрибуция на основе данных — это то же самое, что инкрементальность?

Нет. Google говорит, что его модель на основе данных сопоставляет случившееся с тем, что могло бы произойти. Но она работает внутри одной платформы и учитывает только касания, которые эта платформа видит, поэтому её нужно проверять холдаутом или гео-тестом.

Источники

1. Google Ads Help, First click, linear, time decay, and position-based attribution models are going away
2. Google Ads Help, About attribution models
3. Google Ads Help, About data-driven attribution
4. Google Analytics Help, Advertising and attribution (GA4)
5. Google Analytics Help, Attribution modeling overview (Universal Analytics)
6. Yandex Metrica Help, Attribution models
7. Yandex Metrica Help, Attribution models and cross-device
8. Ron Berman, Beyond the Last Touch: Attribution in Online Advertising, Marketing Science 37(5), 2018
9. Brett R. Gordon, Florian Zettelmeyer, Neha Bhargava, Dan Chapsky, A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Marketing Science 38(2), 2019
10. Brett R. Gordon, Robert Moakler, Florian Zettelmeyer, Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement, Marketing Science 42(4), 2023
11. Thomas Blake, Chris Nosko, Steven Tadelis, Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment, NBER Working Paper 20171, 2014
12. Thomas Blake, Chris Nosko, Steven Tadelis, Consumer Heterogeneity and Paid Search Effectiveness, Econometrica 83(1), 2015
13. Randall A. Lewis, Justin M. Rao, The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4), 2015
14. Randall A. Lewis, David H. Reiley, Online ads and offline sales: measuring the effect of retail advertising via a controlled experiment on Yahoo!, Quantitative Marketing and Economics 12(3), 2014
15. UC Berkeley School of Information, Online Ads and Offline Sales, seminar description, 2014
16. Hongshuang (Alice) Li, P. K. Kannan, Attributing Conversions in a Multichannel Online Marketing Environment, Journal of Marketing Research 51(1), 2014
17. Eva Anderl, Ingo Becker, Florian von Wangenheim, Jan H. Schumann, Mapping the customer journey: Lessons learned from graph-based online attribution modeling, International Journal of Research in Marketing 33(3), 2016
18. P. K. Kannan, Werner Reinartz, Peter C. Verhoef, The path to purchase and attribution modeling: Introduction to special section, International Journal of Research in Marketing 33(3), 2016
19. Brian Dalessandro, Claudia Perlich, Ori Stitelman, Foster Provost, Causally motivated attribution for online advertising, ADKDD 2012
20. Xuhui Shao, Lexin Li, Data-driven multi-touch attribution models, ACM SIGKDD 2011
21. Garrett A. Johnson, Randall A. Lewis, Elmar I. Nubbemeyer, Ghost Ads: Improving the Economics of Measuring Online Ad Effectiveness, Journal of Marketing Research 54(6), 2017
22. Lloyd S. Shapley, A Value for n-Person Games, in Contributions to the Theory of Games II, Princeton University Press, 1953

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn