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.

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.