Модели атрибуции в длинных сделках: какому рекламному каналу отдать лавры?

Представьте путь клиента в сложном B2B. В январе финансовый директор увидел ваш баннер в Яндексе и перешел на сайт. В марте он вспомнил название компании, вбил его в поиск (SEO) и прочитал вашу статью. В мае он получил email-рассылку с кейсом, кликнул по ссылке и наконец-то оставил заявку на внедрение ПО за 3 миллиона рублей.

А теперь главный вопрос, из-за которого происходят войны в отделах маркетинга: кто привел этого клиента? Директолог скажет, что это заслуга рекламы. SEO-специалист заберет лавры себе. А Email-маркетолог покажет отчет, где черным по белому написано, что последним был клик из письма. Чтобы решить этот спор, в сквозной аналитике (например, в Roistat) существуют модели атрибуции.

Базовые модели атрибуции: когда и что использовать

По умолчанию большинство систем аналитики используют атрибуцию Last Click (Последний клик). Но для B2B с циклом сделки от 3 месяцев это фатальная ошибка, которая приводит к отключению работающих каналов.

Продвинутые модели: U-shape и Time Decay

Если ваша компания тратит на маркетинг больше 500 000 рублей в месяц, базовых моделей вам не хватит. Вам нужны алгоритмические модели.

• U-образная атрибуция (U-Shape / Позиционная): 40% ценности отдается первому клику (кто познакомил с брендом), 40% отдается последнему клику (кто дожал до заявки), а оставшиеся 20% распределяются между всеми промежуточными касаниями. Это "золотой стандарт" для B2B SaaS и продажи оборудования.
• С учетом давности взаимодействий (Time Decay): Чем ближе клик к моменту покупки, тем больше ценности он получает. Касание в январе получит 10%, в марте 30%, в мае 60%. Подходит для ниш с коротким, но интенсивным циклом выбора (например, оптовые закупки стройматериалов).

Главная ошибка при анализе моделей

Самая большая ошибка директора - смотреть только в один отчет. Например, вы смотрите отчет по модели Last Click и видите, что медийная реклама (баннеры на отраслевых порталах) не приносит продаж. ROI = -100%. Вы ее отключаете.

Через два месяца у вас резко падает количество заявок из SEO и прямых заходов. Почему? Потому что медийная реклама работала на First Click. Она знакомила людей с брендом, после чего они гуглили вашу компанию. Выключив "верхний слой" воронки, вы убили всю систему.

Правило: Сравнивайте отчеты Roistat по двум моделям: First Click и Last Click одновременно. Если канал минусит в Last Click, но дает огромный профит в First Click - его трогать нельзя.

Будущее уже здесь: Алгоритмическая атрибуция (Data-Driven)

Мы разобрали классические "статичные" модели (Last Click, First Click, Линейная), где правила распределения ценности заданы человеком жестко. Но что если цепочка касаний состоит из 15 шагов, и человек принимал решение хаотично? Здесь на помощь приходит Data-Driven Attribution (Алгоритмическая атрибуция), основанная на машинном обучении (ML).

Как работает ML-модель в сквозной аналитике?

Алгоритм анализирует сотни тысяч цепочек касаний: как тех пользователей, которые в итоге купили (конвертировались), так и тех, кто ушел навсегда. На основе этих "больших данных" нейросеть сама вычисляет реальную ценность каждого канала.

• Сценарий 1: Человек кликнул на статью в Дзене, потом пришел с вебинара, потом купил.
• Сценарий 2: Человек пришел только с вебинара, но не покупал 3 месяца, пока не увидел ретаргетинг в VK, и тогда купил.

Data-Driven модель математически оценивает вероятность конверсии на каждом шаге. Если алгоритм видит, что удаление "Вебинара" из цепочки снижает вероятность продажи на 80%, он автоматически отдаст вебинару львиную долю ценности (например, 70%), даже если он находился в самом начале воронки. Это полностью исключает человеческий фактор при распределении бюджетов.