Атрибуция — это не математика, это философия: почему сложные модели часто врут
Парадокс, который сбивает с толку даже экспертов
Что такое атрибуция? Атрибуция в маркетинге — это метод, который помогает распределить ценность одной конверсии (продажи или заявки) между участвующими рекламными каналами. Простыми словами, атрибуция помогает узнать, какой вклад вносит каждый источник привлечения клиентов в достижение конверсии. . Last-click, first-click, linear, time-decay, position-based. Возможно вы уже читали про Shapley value, Markov chains, ML-модели, возможно внедряли, тестировали, сравнивали.
И каждый раз — один и тот же вопрос: «Какая модель правильная?»
Ответ, который вам не понравится: правильной модели не существует.
Не потому что мы ещё не придумали. А потому что атрибуция — это не поиск объективной истины. Это выбор допущений о том, как люди принимают решения.
И эти допущения важнее, чем алгоритм.
Разбираем, почему сложные модели атрибуции часто врут, когда простота выигрывает у точности, и как принимать решения в условиях неопределённости.
Почему атрибуция — это философия, а не математика
Математика ищет истину. Философия — смысл.
Математическая модель атрибуции отвечает на вопрос: «Как распределить кредит за конверсию между точками касания?»
Философский вопрос звучит иначе: «Что вообще значит "внести вклад" в решение человека?»
Пример:
Человек увидел баннер → через неделю погуглил бренд → зашёл на сайт → ушёл → через три дня вернулся по прямой ссылке → купил.
Last-click скажет: «Прямой заход — герой».
First-click ответит: «Баннер запустил цепочку».
Linear поделит кредит поровну.
Time-decay отдаст больше последним касаниям.
Алгоритмическая модель может выдать: «Баннер — 60%, прямой заход — 40%».
Какая модель права?
Все. И ни одна.
Потому что вопрос не в том, «кто виноват». А в том, что вы хотите понять:
Что запускает интерес?
Что закрывает сделку?
Что удерживает от ухода?
Что формирует лояльность?
Инсайт: модель атрибуции — это не зеркало реальности. Это линза, которая выделяет один аспект сложного процесса.
Почему сложные модели часто врут (данные, а не догадки)
Проблема 1: Неполные данные
Реальность: вы никогда не видите весь путь пользователя.
Приватность (ITP, GDPR, блокировка трекеров) обрезает 30–60% данных.
Кросс-девайс поведение: человек начинает на телефоне, заканчивает на десктопе.
Офлайн-конверсии: звонок, визит в офис, рекомендация другу.
Следствие: любая модель строится на фрагменте реальности. Чем сложнее модель, тем больше она «дорисовывает» пропущенное. И тем сильнее может ошибиться.
Данные: исследование Google (2023) показало, что при потере 40% данных алгоритмическая атрибуция меняет распределение бюджета на 25–40% по сравнению с базовой моделью.
Проблема 2: Шум маскируется под сигнал
Реальность: сложные модели чувствительны к шуму.
Случайные клики
Боты и фрод
Тестовые переходы команды
Сезонные всплески
Следствие: модель находит «закономерности» в шуме и начинает оптимизировать под артефакты.
Пример из практики:
Компания внедрила ML-атрибуцию. Модель «обнаружила», что конверсии чаще происходят после просмотров видео на 3-й минуте. Бюджет перераспределили на удержание внимания к 3-й минуте.
Через месяц выяснилось: это был артефакт. На 3-й минуте в одном из популярных видео была пауза, и пользователи в этот момент переключались на другие вкладки. «Просмотр до 3-й минуты» коррелировал с общим временем сессии, а не с интересом к контенту.
Инсайт: чем сложнее модель, тем легче ей переобучиться на шум.
Проблема 3: Модели чувствительны к допущениям
Реальность: любая модель атрибуции строится на допущениях:
«Все касания равнозначны» (linear)
«Последнее касание важнее» (time-decay)
«Вклад касания зависит от его позиции» (position-based)
«Вклад определяется статистической ценностью» (Shapley)
Разные модели дают противоположные рекомендации на одних и тех же данных. Last-click направляет 65% бюджета на бренд-поиск и игнорирует верх воронки (8%). First-click переворачивает картину: 54% на верх воронки и только 12% на бренд. Linear, time-decay и алгоритмическая модели занимают промежуточные позиции, но тоже расходятся в оценках от 38% до 52% для бренд-поиска и от 15% до 33% для верхней части воронки.
Важно: один вопрос — одна модель. Не пытайтесь ответить на всё сразу.
Шаг 2: Проверьте допущения модели
Задайте себе:
Что модель считает «вкладом»? (клик, просмотр, время?)
Как модель обрабатывает пропущенные данные? (игнорирует, интерполирует, взвешивает?)
Что модель считает «конверсией»? (клик, заявка, оплата, повторная покупка?)
Если допущения не соответствуют вашей реальности — модель будет врать.
Шаг 3: Протестируйте на исторических данных
Возьмите период, когда вы ещё не оптимизировали по модели.
Запустите несколько моделей параллельно.
Сравните:
Насколько разные рекомендации они дают?
Какая модель лучше предсказывает фактические результаты?
Инсайт: если модели дают радикально разные ответы — значит, данных недостаточно или процесс слишком сложен для одной модели.
Шаг 4: Внедряйте с «предохранителями»
Не перераспределяйте 100% бюджета по новой модели.
Правило 80/20:
80% бюджета — по проверенной, консервативной модели
20% — на тестирование рекомендаций новой модели
Мониторинг:
Следите не только за конверсией, но и за качеством лидов, LTV, маржинальностью
Если метрики расходятся — модель может оптимизировать не то
Шаг 5: Пересматривайте допущения регулярно
Рынок меняется. Поведение клиентов меняется. Платформы меняются.
Чек-лист для ежеквартального пересмотра:
Изменился ли цикл покупки?
Появились ли новые каналы или форматы?
Изменилась ли приватность и доступность данных?
Стали ли конверсии качественнее или дешевле?
Если да — возможно, пришло время пересмотреть модель.
Неочевидные связи: когда атрибуция влияет не на бюджет, а на стратегию
Атрибуция как инструмент коммуникации
Модель атрибуции — это не только цифры. Это язык, на котором вы говорите с командой и руководством.
Пример:
Маркетолог говорит: «Контекст даёт 70% конверсий».
Аналитик отвечает: «По модели Shapley — 40%, остальное — контент и бренд».
Руководитель слышит: «Вы не можете договориться, кто прав».
Решение: используйте атрибуцию не для спора, а для исследования.
«Давайте посмотрим, как меняется картина при разных допущениях. Что если последнее касание важно для закрытия, а первое — для открытия? Как нам балансировать?»
Инсайт: атрибуция — это не аргумент. Это начало разговора.
Атрибуция как зеркало организационной структуры
Часто модель атрибуции отражает не поведение клиентов, а структуру компании.
Пример:
Команда контекстной рекламы продвигает last-click.
Команда контента — first-click или multi-touch.
Бренд-менеджеры — алгоритмические модели, которые «доказывают» ценность бренда.
Следствие: выбор модели становится политическим решением, а не аналитическим.