Модели атрибуции в маркетинге: как перестать оценивать рекламу только по последнему клику
Зачем маркетологу разбираться в атрибуции в 2026 году?
Привет\! Если вы все еще оптимизируете свои рекламные кампании, опираясь исключительно на данные о том, откуда пришел клиент прямо перед покупкой, у меня для вас плохие новости. Вы, скорее всего, отключаете те источники, которые на самом деле приводят вам лидов. В современном digital-маркетинге 2026 года модель атрибуции — это фундамент, на котором строится вся оценка эффективности вашего продвижения. Без понимания того, как именно распределяется ценность конверсии между каналами, невозможно грамотно управлять маркетинговым бюджетом.
Давайте разберем простой пример. Человек едет в метро и видит таргетированную рекламу вашего продукта в социальной сети. Он кликает, изучает сайт, но покупку не совершает — просто не до этого. Через пару дней он вспоминает о вас, вводит название бренда в поиске Яндекса или Google, переходит по контекстной рекламе и снова уходит. Еще через неделю вас догоняет ретаргетинг, и вот тогда, кликнув по баннеру, пользователь оставляет заявку. Какая реклама сработала? Если вы смотрите в стандартный отчет, то все лавры достанутся последнему баннеру. Но разве принятие решения о покупке произошло благодаря ему одному? Конечно, нет. Именно здесь в игру вступает правильно подобранная модель атрибуции.
Что такое модель атрибуции и как она работает
В самом простом понимании, модель атрибуции — это набор правил, который определяет, как распределяется ценность конверсии между всеми точками взаимодействия на пути пользователя к целевому действию. Путь клиента к покупке редко бывает прямым. Это сложная цепочка касаний, где каждый источник трафика играет свою роль. Один канал работает как генератор спроса, знакомя аудиторию с брендом, другой — подогревает интерес, а третий — закрывает сделку. Модель атрибуции оценивает вклад каждого из них.
По данным Google, принимая решение о покупке, пользователь может соприкоснуться с брендом от 20 до 500 раз. Вы только вдумайтесь в эти цифры\! Особенно это актуально для сложных B2B-продуктов, недвижимости или покупки автомобилей, где длинный цикл сделки требует множественных взаимодействий. Если ваша аналитика видит только последний переход на сайт, вы теряете из виду 99% картины. Оценка эффективности в таком случае становится просто фикцией, а рекламный бюджет сливается на каналы, которые лишь собирают уже сформированный другими источниками спрос.
Базовые модели: от истоков к реальности
Долгое время на рынке доминировали так называемые эвристические модели. Они опирались на жестко заданные математические правила. Давайте вспомним основные из них и разберем, в каких случаях они применяются (или применялись).
First Click (Первое взаимодействие)
Модель First Click присваивает всю ценность конверсии самому первому каналу, который привел пользователя на сайт. То есть атрибуция по первому клику полностью игнорирует всю последующую цепочку касаний. Казалось бы, зачем это нужно? Эта модель отлично подходит для оценки охватных рекламных кампаний, где главная цель маркетолога — понять, какой именно источник трафика впервые познакомил пользователя с продуктом. Однако для оценки итоговой рентабельности и продаж этот метод сегодня считается устаревшим, так как он не показывает, что именно заставило человека купить.
Last Click (Последний клик)
Атрибуция по последнему клику (Last Click) — это классика, которая долгие годы была стандартом индустрии. Вся ценность присваивается последнему взаимодействию перед конверсией. Сегодня мы знаем, что эта модель сильно искажает данные, отдавая приоритет брендовому контексту и ретаргетингу, при этом полностью обесценивая медийную рекламу и контент-маркетинг. Тем не менее, для недорогих товаров массового спроса, продуктов с коротким циклом сделки (менее дня) и импульсных покупок наиболее подходящими все еще считаются модели Last Click или Time Decay.
Last Non-Direct Click (Последний непрямой клик)
Это попытка сделать Last Click чуть более справедливым. Модель, присваивающая ценность последнему непрямому источнику, в Яндекс.Метрике называется «Последний значимый переход», а в Google Analytics — Last Non-Direct Click. В Яндекс.Метрике по умолчанию установлена именно модель атрибуции «Последний значимый переход». Суть в том, что прямой заход (когда человек просто вбил адрес вашего сайта в браузер) игнорируется, и система отдает конверсию предыдущему рекламному каналу. При этом модель «Последний значимый переход» в Яндекс.Метрике игнорирует не только прямые заходы, но и внутренние переходы, а также переходы с сохраненных страниц. Это вполне логично, ведь если человек сохранил ваш сайт в закладки, значит, какой-то источник его туда привел изначально.
Линейная модель, Time Decay и U-shaped модель
Чтобы как-то учитывать вклад каждого канала, аналитики использовали более сложные схемы. Линейная модель делит ценность конверсии поровну между всеми участниками цепочки. Было пять касаний? Каждый канал получит по 20% ценности. Модель Time Decay (С учетом давности взаимодействия) отдает больше ценности тем кликам, которые произошли ближе ко времени конверсии. А U-shaped модель (на основе позиции) отдает по 40% первому и последнему клику, а оставшиеся 20% распределяет между промежуточными этапами.
Но вот важный факт: с ноября 2023 года Google Analytics 4 прекратил поддержку моделей атрибуции «По первому клику», «Линейная», «С учетом давности взаимодействия» и «На основе позиции». Эпоха жестко заданных правил ушла в прошлое. Наступила эра искусственного интеллекта.
Атрибуция на основе данных (Data-driven) — новый стандарт
Будущее, о котором мы мечтали, уже здесь. Сегодня стандарт — это атрибуция на основе данных. Она не использует заранее прописанные проценты, а опирается на машинное обучение. Алгоритмы анализируют колоссальные объемы данных: миллионы путей пользователей, как тех, кто совершил конверсию, так и тех, кто ушел без покупки. Google запустил модель атрибуции на основе данных (DDA, data-driven attribution) в далеком мае 2016 года, но по-настоящему массовой она стала только недавно.
В Google Analytics 4 модель атрибуции на основе данных начала работать с ноября 2021 года, а сегодня в Google Analytics 4 для отчетов с параметрами трафика на уровне события по умолчанию применяется именно Data-driven атрибуция. Модель способна анализировать более 50 точек взаимодействия на пути к конверсии. Она вычисляет реальную вероятность того, совершил бы пользователь целевое действие без участия конкретного рекламного объявления или нет. Это позволяет максимально точно и справедливо оценить каждый рекламный канал.
Практика показывает невероятные результаты при переходе на алгоритмические модели. В одном из реальных тестов, который мы проводили с крупным e-commerce проектом, переход с модели последнего клика на data-driven атрибуцию привел к росту ROAS (возврата инвестиций в рекламу) до 128% и снижению CPA (стоимости привлечения клиента) на 69%. Это произошло потому, что алгоритмы начали оптимизировать ставки на те кампании, которые реально участвовали в прогреве аудитории, а не просто перехватывали теплый трафик на последнем этапе.
Сквозная аналитика и кастомные решения
Помимо стандартных инструментов от Яндекса и Google, существуют и другие платформы, которые предлагают свои уникальные подходы к распределению ценности. Если у вас сложная воронка продаж с длительным периодом принятия решения и офлайн-встречами, вам нужна полноценная сквозная аналитика. Инструменты вроде Roistat позволяют объединить данные из CRM, рекламных кабинетов и колл-трекинга. Сквозная аналитика дает возможность увидеть путь клиента от первого клика до финальной прибыли в кассе, учитывая возвраты и допродажи.
Появляются и интересные кастомные модели. Например, модель атрибуции «Top score», в которой ценность присваивается всем платным каналам в цепочке и последнему бесплатному, является разработкой Rick.ai и доступна только в этой системе. Это отличный подход для бизнеса, который хочет максимально прозрачно видеть окупаемость именно платного трафика, не размывая данные об органических переходах.
Как выбрать модель и цикл сделки
Выбор идеальной схемы зависит от многих факторов, но главный из них — цикл сделки. Как уже упоминалось, если вы продаете пиццу, ваш цикл сделки измеряется минутами. Здесь нет длинной цепочки касаний, и вам не нужно усложнять отчет. Но если вы продаете квартиры, цикл сделки влияет на выбор модели кардинально. Человек может думать полгода.
Здесь важно помнить про технические ограничения. Стандартное значение ретроспективного окна (периода учета данных до конверсии) в системах аналитики часто составляет 30 дней. Это значит, что если между первым кликом и покупкой прошло 40 дней, первый источник может просто не попасть в отчет. В 2026 году платформы позволяют расширять это окно до 90 дней и более, что критически важно для B2B и недвижимости.
Сравнение моделей: когда пора бить тревогу?
Как понять, что вы упускаете выгоду из-за неправильной аналитики? Все просто. Google Analytics и Яндекс.Метрика позволяют сравнивать модели атрибуции в специальных отчетах. Вы можете открыть инструмент сравнения и посмотреть на один и тот же период через призму Last Click и Data-driven атрибуции.
Существует золотое правило аналитиков: если разница в оценке эффективности канала между разными моделями атрибуции превышает 20-30%, это является сигналом, что решения о распределении бюджета принимались неоптимально.
Например, если по последнему клику ваша таргетированная реклама принесла 10 продаж, а по атрибуции на основе данных — 25, это значит, что таргет работает как мощный генератор отложенного спроса. Отключив его из-за кажущейся низкой эффективности в Last Click, вы обрушите продажи по всем остальным каналам, включая органику и прямой трафик.
Подводим итоги
Мир digital-маркетинга давно перерос примитивные методы оценки. Сегодня рекламная кампания — это сложный механизм, где каждый элемент влияет на общую эффективность. Чтобы клиент нажал заветную кнопку на сайте, маркетолог должен провести его через тщательно выстроенный путь. И чтобы этот путь окупался, вы должны видеть его целиком.
Перестаньте молиться на последний переход. Используйте возможности, которые предоставляет сквозная аналитика и алгоритмы машинного обучения. Анализируйте вклад каждого канала, тестируйте Data-driven подходы и помните, что любая статистика без правильной интерпретации — это просто набор цифр. Выбирайте модель осознанно, опираясь на специфику вашего бизнеса, и тогда каждый вложенный рубль будет приносить максимальную отдачу.
