Модели атрибуции: 6 моделей и как выбрать, чтобы не сливать бюджет на «последний клик»

Короткий ответ: универсальной модели атрибуции не существует, но для 90% компаний работает связка «Last Click для операционных решений + Data-Driven или Linear для стратегической оценки каналов». Last Click подходит только бизнесу с короткой сделкой в одно касание (простой e-com, импульсные покупки). Если у вас средний цикл сделки больше недели или больше трёх касаний до покупки — Last Click систематически занижает верхнюю часть воронки и раздувает бюджет на брендовый поиск и ретаргетинг.

Ниже — разбор шести моделей, кому какая подходит и как выбирать без религиозных споров в отделе маркетинга.

Зачем вообще спорить о моделях атрибуции

Модель атрибуции — это правило, по которому вы делите ценность конверсии между каналами и точками касания. От выбора модели зависит не абстрактная «отчётность», а конкретные деньги: куда вы направите следующий рубль бюджета.

Разница между моделями — это не погрешность в отчёте, а системная ошибка в распределении бюджета. Компания, которая считает атрибуцию по Last Click, годами недоинвестирует в медийную рекламу, контент и верхнюю воронку — просто потому, что эти каналы «не показывают конверсий» в интерфейсе. При этом сквозная аналитика без правильной модели атрибуции — это просто дорогая база данных без управленческого смысла: данные есть, а решения принимаются на глазок.

Отдельная ловушка — иллюзия точности. Красивый дашборд с цифрами до копейки создаёт ощущение объективности там, где на самом деле заложена методологическая условность. Об этом стоит помнить каждый раз, когда кто-то из команды говорит «данные показывают» — данные показывают то, что позволяет показать выбранная модель (это тоже форма иллюзии точности в аналитике).

Шесть моделей: как они распределяют ценность

Вот основные модели, которые используются в рекламных кабинетах и BI-системах. В Google Analytics 4 из них по умолчанию доступны Data-Driven и Last Click — остальные модели Google убрал из отчётов GA4 ещё в 2023 году, но они по-прежнему актуальны как расчётные модели для рекламных платформ и BI-инструментов.

• Last Click (последний клик) — вся ценность конверсии присваивается последнему каналу перед покупкой. Простая, но искажает картину при длинном цикле сделки.
• First Click (первый клик) — вся ценность присваивается каналу, который привёл первое касание. Хорошо показывает, кто «открывает» клиентов, плохо — кто закрывает сделки.
• Linear (линейная) — ценность делится поровну между всеми каналами в цепочке касаний. Справедливо на бумаге, но игнорирует разную значимость касаний.
• Time Decay (временной спад) — чем ближе касание к моменту конверсии, тем больше веса оно получает. Компромисс между Last Click и Linear.
• Position-Based (позиционная, U-образная) — обычно 40% первому касанию, 40% последнему, 20% делится между промежуточными. Подчёркивает роль «открытия» и «закрытия» сделки.
• Data-Driven (алгоритмическая) — вес каждого касания рассчитывается статистически на основе того, как оно влияет на вероятность конверсии в вашей исторической выборке данных.

Ни одна из моделей не «правильная» в абсолютном смысле — каждая отвечает на свой управленческий вопрос.

Какая модель отвечает на какой вопрос

Прежде чем спорить о модели, задайте себе не «какая модель точнее», а «какое решение я хочу принять на основе этих цифр». Разные модели просто отвечают на разные вопросы.

Практический вывод: если вы не можете сформулировать управленческий вопрос, под который выбираете модель, — вы выбираете модель наугад, и она вас обманет.

Как выбрать модель под свой бизнес: три критерия

Три вещи определяют выбор модели атрибуции сильнее, чем мода на «умную аналитику».

1. Длина цикла сделки. Если от первого касания до оплаты проходит меньше суток и один-два визита — разница между моделями минимальна, берите Last Click и не усложняйте. Если цикл — недели или месяцы (B2B, дорогие услуги, недвижимость), Last Click систематически обесценивает верхнюю воронку, и вам нужна Time Decay, Position-Based или Data-Driven.
2. Объём данных. Data-Driven атрибуция требует статистически значимого объёма конверсий — по разным оценкам и рекомендациям рекламных платформ, речь обычно о паре сотен конверсий в месяц по рекламной системе. Меньше — модель будет «шуметь» и переобучаться на случайных паттернах. У маленького бизнеса с 20–30 конверсиями в месяц Data-Driven даст менее стабильный результат, чем простая Position-Based.
3. Зрелость сквозной аналитики. Модель атрибуции значима ровно настолько, насколько у вас настроено сквозное отслеживание касаний по каналам, устройствам и офлайн-точкам (звонки, визиты в шоурум). Без этого любая модель считает по неполным данным — и чем «умнее» модель, тем увереннее она ошибается на дырявых данных.

Полезная проверка: посчитайте ROMI и ДРР по двум-трём моделям одновременно. Если картина по каналам принципиально не меняется — вы можете позволить себе простую модель. Если картина переворачивается — вопрос выбора модели становится вопросом выживания конкретных каналов в бюджете.

Типичный сценарий: как Last Click убивает верхнюю воронку

Механика ошибки почти всегда одинакова. Компания запускает медийную рекламу или контент-маркетинг, эти каналы приводят человека на сайт впервые, но не закрывают сделку сразу. Через две-три недели тот же человек ищет бренд в поиске напрямую или кликает по ретаргетингу — и вся ценность конверсии в отчёте уходит брендовому трафику или ретаргетингу.

Дальше по накатанной: медийку и контент «оптимизируют» до нуля как неэффективные, брендовый поиск и ретаргетинг получают всё больше бюджета — хотя по сути живут за счёт спроса, который создали именно урезанные каналы. Через два-три квартала общий объём органического и брендового трафика начинает падать, потому что источник спроса пересох, а в отчётности по Last Click это выглядит как «сбой платного трафика», который пытаются лечить увеличением ставок в перформансе.

Это тот случай, когда воронка продаж выглядит рабочей на уровне последнего шага и медленно разрушается на уровне первого — просто потому что модель атрибуции не показывает верхнюю часть.

Сложные случаи: несколько продуктов, несколько воронок

Отдельная сложность возникает, когда в одной компании сосуществуют разные циклы сделки: например, розница с моментальной покупкой и B2B-направление с циклом в несколько месяцев. Применять одну модель атрибуции ко всей компании в этом случае — методологическая ошибка сама по себе, независимо от того, какую модель вы выбрали.

Правильный подход — считать атрибуцию отдельно по каждой воронке с собственным циклом сделки, а не пытаться найти единую модель «для всей компании». Это требует более аккуратной настройки аналитики, но экономит куда больше денег, чем экономия на разделении отчётности: смешанная атрибуция систематически искажает картину и по короткому, и по длинному циклу одновременно, потому что «средняя температура по больнице» не отражает ни один из реальных сценариев поведения клиента.

То же касается ситуации, когда часть спроса приходит через маркетплейсы — там атрибуция чаще всего вообще не видна вашей аналитике, и её нужно оценивать отдельно, не смешивая с атрибуцией собственного сайта.

Что делать на практике: минимальная система

Не нужно строить идеальную атрибуцию с первого дня — нужна система, которая честно показывает вклад каналов и обновляется по мере роста данных.

• Зафиксируйте одну модель как основную для бюджетных решений — чтобы не менять правила игры каждый квартал и не подгонять модель под желаемый результат.
• Держите вторую модель как контрольную — например, Last Click для операционки и Position-Based или Data-Driven для стратегического пересмотра бюджета раз в квартал.
• Сверяйте атрибуцию с юнит-экономикой, а не только с количеством лидов — модель может честно распределить конверсии, но если LTV и юнит-экономика не сходятся, менять нужно не модель, а сам продукт или воронку.
• Пересматривайте модель при смене бизнес-модели — выход в B2B, запуск дорогого продукта, добавление офлайн-точек продаж — всё это меняет длину цикла сделки и, соответственно, требования к модели.
• Не отдавайте выбор модели на откуп рекламной платформе без проверки — у Google Ads и Meta есть встроенная Data-Driven атрибуция, но она считается только по касаниям внутри этой платформы и не видит остальные каналы.

Частые ошибки

• Считать Last Click «дефолтной и безопасной» моделью. Она безопасна только при коротком цикле сделки; в остальных случаях это активное решение обескровить верхнюю воронку, просто принятое по умолчанию.
• Менять модель атрибуции под желаемый результат. Если отдел закупки медийки хочет доказать её эффективность, а перформанс — свою, соблазн выбрать модель под нужный ответ велик. Модель фиксируется до анализа, а не после.
• Запускать Data-Driven атрибуцию при малом объёме данных. На выборке в десятки конверсий в месяц алгоритм переобучается на шуме и даёт менее стабильный результат, чем простая эвристика.
• Путать атрибуцию каналов с атрибуцией креативов и офферов. Модель распределяет ценность между каналами взаимодействия, а не объясняет, почему конкретный человек купил — это вопрос JTBD и кастдева, а не атрибуции.
• Игнорировать офлайн-касания. Звонок, визит в шоурум, консультация у менеджера — если они не попадают в модель атрибуции, вся картина смещается в пользу последнего цифрового касания перед офлайн-конверсией.
• Считать, что смена модели решает проблему плохих данных. Если сквозная аналитика не настроена, любая модель — хоть Last Click, хоть Data-Driven — считает по неполной картине.

FAQ

Какая модель атрибуции лучше всего подходит для малого бизнеса?

Для малого бизнеса с коротким циклом сделки и небольшим объёмом конверсий обычно достаточно Last Click или Position-Based — они просты в настройке и не требуют большого массива данных для стабильного результата. Data-Driven становится оправданной только при устойчивом потоке конверсий, обычно от нескольких сотен в месяц.

Можно ли использовать несколько моделей атрибуции одновременно?

Да, и это скорее правило, чем исключение для зрелых компаний. Обычно одна модель используется для операционных решений (например, дневная оптимизация ставок), а другая — для квартального пересмотра распределения бюджета между каналами.

Как атрибуция связана с ROMI и ДРР?

Модель атрибуции определяет, какому каналу засчитывается доход от конверсии, а значит — напрямую влияет на расчёт ROMI и ДРР по каждому каналу. Один и тот же бюджет может показывать убыточный ДРР по одной модели и прибыльный по другой — поэтому расчёт этих метрик всегда стоит указывать вместе с моделью атрибуции.

Что такое Data-Driven атрибуция и почему её называют самой точной?

Data-Driven атрибуция рассчитывает вес каждого касания статистически, на основе того, как оно исторически влияло на вероятность конверсии в ваших данных, а не по фиксированному правилу. Она точнее фиксированных моделей только при достаточном объёме данных — на малых выборках её выводы менее надёжны, чем у простых эвристик.

Нужно ли учитывать офлайн-касания в модели атрибуции?

Да, если офлайн-точки (звонки, визиты, консультации) существенны для воронки продаж. Без их учёта модель атрибуции автоматически переоценивает последний цифровой канал перед офлайн-конверсией и недооценивает каналы, которые фактически инициировали интерес.

Как часто нужно пересматривать модель атрибуции?

Модель стоит пересматривать не по календарю, а по событию: смена бизнес-модели, выход в новый сегмент с другой длиной цикла сделки, значительный рост объёма конверсий, добавление новых каналов или офлайн-точек продаж. Без таких изменений частая смена модели только мешает сравнивать периоды между собой.

Влияет ли выбор модели атрибуции на KPI маркетолога?

Напрямую. Если KPI маркетолога привязаны к количеству конверсий по конкретному каналу, а модель атрибуции занижает или завышает вклад этого канала, KPI перестают отражать реальный вклад в бизнес. Это одна из скрытых причин конфликтов между отделами перформанса и медийной рекламы при обсуждении показателей.

Если вы хотите не просто разобраться в моделях атрибуции, а построить систему маркетинга, где решения о бюджете принимаются на основе цифр, а не привычки — присмотритесь к интенсиву Marketing OS. Это про то, как выстроить маркетинг как управляемую систему, а не набор разрозненных каналов с конкурирующей отчётностью.