Модели атрибуции: как выбрать подходящую и объективно оценить эффективность рекламы

Пользователь может увидеть медийную рекламу, через несколько дней найти компанию в поиске, перейти из другого источника и только потом совершить покупку. Обычно клиенты делают несколько контактов: чтобы компания увидела их все, а не только одну конверсию, используют атрибуцию — способ распределить ценность конверсии между источниками.

Атрибуция конверсий подсказывает, какую роль каждый канал сыграл на пути клиента к покупке. А правила, по которым это делается, называются моделью атрибуции. Она определяет, как конверсия распределится между каналами в отчёте.

Разные модели атрибуции по-своему оценивают вклад источников. Одна учитывает первый переход пользователя, другая — последний значимый источник перед конверсией, третья использует алгоритмы машинного обучения и дополнительные сигналы о поведении пользователя. Поэтому один и тот же путь клиента может выглядеть по-разному в зависимости от выбранных моделей. 

На связи Андрей Луненко, руководитель продуктового маркетинга Яндекс Метрики. В этой статье разбираю разные модели атрибуции и рассказываю, как работать с аналитикой, чтобы она приносила пользу.

Почему нет одной правильной модели атрибуции

Нельзя говорить, что какая-то одна модель атрибуции является единственно правильной. Разные правила отвечают на разные вопросы. Чаще всего в аналитике встречаются такие подходы:

• Модель первого перехода — конверсия засчитывается источнику, который первым привлёк пользователя.

• Последний переход — конверсия достаётся источнику, который человек посетил перед покупкой. 

• Линейная — ценность конверсии равномерно распределяется между всеми источниками на пути к целевому действию.

• По времени — учитывает все источники, но чем ближе контакт к конверсии, тем большую ценность он получает.

• U-образная — первый и последний контакты получают по 40% ценности, оставшиеся 20% распределяются между промежуточными.

• Автоматическая модель определяет вклад каждого источника с помощью алгоритмов машинного обучения.

Модель выбирают под задачу бизнеса. Если нужно понять, какие каналы приводят пользователя в воронку, смотрят на первый переход. Если важно определить последний значимый источник перед покупкой — на последний. Если нужно учесть все точки контакта, подойдёт линейная, U-образная или автоматическая модель.

Необязательно ограничиваться одной моделью. Основную можно использовать для регулярной аналитики, а другие — чтобы проверять отдельные гипотезы.

Какие модели актуальны в 2026 году

Рекламные и аналитические платформы регулярно обновляют подходы, отключают устаревшие варианты и добавляют новые. Например, с 20 мая 2026 года Яндекс отключил устаревшие модели атрибуции в Метрике и в Директе: «Первый переход», «Последний значимый переход», «Последний переход из Директа» и «Последний переход из Директа кросс-девайс». Сейчас работают четыре модели.

1. Автоматическая — вклад источников определяют алгоритмы машинного обучения. Они учитывают время до и после конверсии, тип устройства, интерес пользователя. Кросс-девайс включён по умолчанию, окно атрибуции — 180 дней.

2. Первый переход кросс-девайс (first click) — источником всех визитов считается первый переход пользователя за последние 90 дней со всех устройств. Модель позволяет понять, какой канал первым привёл человека в воронку.

3. Последний значимый переход кросс-девайс (last click) — источники делятся на значимые и незначимые. К значимым относятся реклама, поисковые системы, ссылки на сайтах, соцсети, рассылки и другие источники. К незначимым — прямые заходы, закладки и внутренние переходы. Если перед конверсией был незначимый переход, визит приписывается предыдущему значимому источнику. Окно атрибуции — 90 дней.

4. Последний переход — учитывает источник текущего визита без истории взаимодействий. Модель используется для технического анализа сайта и корректного сопоставления данных Директа и Метрики. Окно атрибуции — 180 дней.

В Яндекс Директе дополнительно доступны две модели медийной рекламы в Мастере отчётов: «Первый показ из Директа кросс-девайс» и «Последний показ из Директа кросс-девайс». В отличие от остальных моделей, они учитывают не только переходы, но и показы рекламы. Для них можно выбрать окно post-view от одного до 30 дней, а окно post-click — на 30 дней.

«Последний переход»: почему удобство не равно точности

Модель «Последний переход» пользуется популярностью прежде всего потому, что её легко понять и использовать. Она однозначно определяет источник конверсии, не требует разбирать всю цепочку взаимодействий и позволяет сопоставлять данные с рекламным кабинетом.

Проблема появляется, когда пользователь взаимодействует с рекламой несколько раз и через разные каналы. Например, человек перешёл по рекламе, через несколько дней вернулся из поиска и купил. Модель «Последнего перехода» припишет конверсию поиску. Реклама при этом может вообще не получить конверсий, хотя именно она могла сформировать интерес к продукту.

Чтобы увидеть такие каналы, полезно смотреть на ассоциированные конверсии: они показывают, какие источники участвовали в пути пользователя, даже если конверсию им не засчитали.

Модель «Последний переход» склонна недооценивать каналы, которые работают в начале воронки, и переоценивать источники, что собирают уже сформированный спрос. Особенно это заметно при длинном цикле сделки и большом количестве касаний.

Но это не значит, что модель всегда нужно исключать. Она подходит для короткого цикла сделки, когда пользователь принимает решение сразу после перехода, делает одно-два касания и в рекламной стратегии нет значимой охватной рекламы. В такой ситуации искажение будет небольшим.

Как выбрать модель под бизнес-задачу

Начинать стоит с двух вопросов: сколько времени проходит до покупки и сколько раз пользователь взаимодействует с продуктом? От этого зависит, насколько важно учитывать историю всех его действий.

Если клиент сравнивает предложения и несколько раз возвращается к продукту, больше информации даст «Последний значимый переход кросс-девайс». Модель учитывает значимые источники и связывает действия пользователя между устройствами.

Для длинного цикла сделки и дорогих покупок, например в недвижимости или автомобильном сегменте, подойдёт «Первый переход кросс-девайс». Он показывает, какой источник первым привёл пользователя в воронку.

Автоматическая атрибуция нужна для оптимизации рекламы, когда Директ — основной канал привлечения или конверсий немного и рекламной стратегии нужны дополнительные сигналы для обучения.

Как понять, действительно ли реклама влияет на продажи

Атрибуция трафика показывает, какой источник получил конверсию по выбранному правилу. Но сам факт контакта с рекламой ещё не означает, что именно она привела к покупке.

Представим пользователя, который увидел рекламу, перешёл на сайт, ничего не купил, а через несколько дней вернулся напрямую и оформил заказ. Модель атрибуции распределит эту конверсию между источниками по своей логике. Но как узнать, купил бы пользователь, если бы вообще не увидел рекламу?

Это уже вопрос причинности. И здесь атрибуция не даёт ответа. Для этого используют инкрементальность — подход, который позволяет оценить дополнительный эффект рекламы: сколько конверсий, продаж или другой целевой активности произошло именно благодаря рекламному воздействию.

Логика простая: нужно сравнить результат с рекламой и без неё. Для этого аудиторию делят на тестовую и контрольную группы. Тестовая видит рекламу, контрольная — нет. Если при прочих равных в тестовой группе конверсий больше, разница между группами показывает инкрементальный эффект от рекламы.

На практике используют несколько подходов:

• Холдаут-эксперименты — часть аудитории исключают из рекламного воздействия и её результаты сравнивают с тестовой группой.

• Геоэксперименты — рекламу запускают в одних регионах и не запускают в других, после чего сравнивают динамику.

• Brand Lift и Search Lift — сравнивают тестовую и контрольную группы, чтобы оценить влияние рекламы на знание бренда или поисковый спрос.

• Marketing Mix Modeling (MMM) — оценивает вклад разных маркетинговых активностей в общий бизнес-результат.

Эти методы показывают реальный эффект от рекламы. При существенном изменении бюджета такой анализ стоит проводить вместе с атрибуцией.

Как не ошибиться при выборе модели

Главная ошибка — выбрать одну модель и больше не пересматривать это решение. Если появляются новые каналы, меняется путь клиента или рекламная стратегия, прежний подход может перестать отражать реальную картину.

Модель стоит пересматривать, если данные в отчёте расходятся с бизнес-результатом: бюджет растёт, но продажи не увеличиваются, или после отключения «неэффективного» канала конверсии снижаются. Это сигнал к проверке того, насколько выбранная модель отражает реальный путь клиента.

Поэтому не нужно искать идеальную модель: настройка атрибуции должна зависеть от бизнес-задачи. Одну модель можно использовать для основной отчётности, а другие — для проверки спорных каналов. При существенных изменениях бюджета выводы стоит дополнительно проверять экспериментами.

Больше о том, как анализировать рекламные кампании, оценивать вклад каналов в продажи и принимать решения на основе данных, рассказываем в наших каналах: Telegram, ВКонтакте и MAX.