Директор по маркетингу крупного завода распределяет рекламный бюджет. У него есть Яндекс.Директ (поиск), РСЯ (сети), таргетированная реклама ВКонтакте, SEO-статьи в блоге и email-рассылки. Как понять, какой канал принес сделку на 10 миллионов рублей, если клиент контактировал с каждым из них?
Традиционно маркетологи используют эвристические (жестко заданные) модели атрибуции:
- First-Click (Первый клик) - отдаст 100% заслуги SEO-статье, которая привела клиента впервые.
- Last-Click (Последний клик) - отдаст 100% заслуги брендовому запросу в Директе, по которому клиент перешел перед звонком.
- U-Shape (U-образная) - отдаст по 40% первому и последнему клику, а остальные 20% "размажет" по промежуточным каналам.
Data-Driven Атрибуция (DDA) на базе машинного обучения
Data-Driven Attribution (Атрибуция на основе данных) не использует жестких правил. Она применяет алгоритмы машинного обучения (Machine Learning) и Теорию игр (в частности, Вектор Шепли) для математически точного расчета вклада каждого канала.
Как это работает простыми словами:
Нейросеть (например, в Яндекс.Метрике Про или Google Analytics 4) анализирует миллионы путей пользователей - как тех, кто купил, так и тех, кто не купил. Алгоритм берет типичный путь к конверсии: SEO -> VK -> Email -> Покупка (вероятность 15%).
Затем он смотрит на похожий путь, но без участия Email-рассылки: SEO -> VK -> Покупка (вероятность 2%).
Математика делает вывод: наличие Email-рассылки в цепочке повышает вероятность покупки с 2% до 15%. Следовательно, именно этому каналу система отдаст наибольший вес (ценность) в этой конкретной сделке.
| Характеристика | Классические модели (Last/First Click) | Data-Driven Атрибуция (ML) |
|---|---|---|
| Принцип расчета | Жестко заданное правило (человеком) | Обучение на исторических данных |
| Учет "отказников" | Не учитываются. Анализируются только успешные конверсии. | Учитываются все сессии. Нейросеть понимает, какие каналы снижают конверсию. |
| Справедливость | Низкая (игнорируются промежуточные каналы-ассистенты) | Максимально высокая (Вектор Шепли) |
Что DDA дает бизнесу на практике?
Внедрение умной атрибуции часто приводит к инсайтам, которые шокируют отдел маркетинга. Например:
- "Дорогие" кампании в Директе внезапно оказываются сверхрентабельными. По Last-Click они давали дорогие лиды, но DDA показывает, что они являются важнейшим "ассистентом" в 80% всех крупных сделок.
- Медийная реклама начинает работать. Баннерная реклама редко дает прямые клики и конверсии. Но DDA (с учетом Post-View аналитики) покажет, что пользователи, видевшие баннер, конвертируются из поиска в 3 раза чаще.
Кому нужна Data-Driven атрибуция?
Важно понимать: алгоритмам машинного обучения нужны большие объемы данных (Data). Если у вас 5 заявок в месяц - нейросеть не обучится. DDA имеет смысл внедрять (например, через Yandex DataLens + Yandex Cloud ML), если у вас:
- Более 600 конверсий (лидов/микроконверсий) в месяц.
- Сложный путь клиента (в среднем более 4-5 касаний до покупки).
- Мультиканальный маркетинг (одновременно работают SEO, Контекст, Таргет, Email).
Data-Driven Attribution (DDA): Цепи Маркова и Векторы Шепли
Большинство стандартных моделей атрибуции (First Click, Last Click, U-Shape) являются эвристическими. Это значит, что вес каждого рекламного канала жестко задан заранее человеком. Например, маркетолог волевым решением решил, что первый и последний клик получают по 40% ценности, а все касания посередине делят оставшиеся 20%. Но эта модель не имеет ничего общего с суровой реальностью сложного B2B-рынка.
На помощь приходит Data-Driven Attribution (Атрибуция на основе данных), которая использует Machine Learning алгоритмы для честного математического распределения ценности. Самые популярные алгоритмы под капотом таких систем - это Цепи Маркова (Markov Chains) и Векторы Шепли (Shapley Value).
Как алгоритмы ML оценивают рекламные каналы:
- Анализ отказов (Неуспешные пути): Классическая аналитика смотрит только на тех, кто купил. ML-алгоритм (например, Цепи Маркова) анализирует миллионы путей пользователей, которые не совершили покупку. Если удаление определенного канала (например, ретаргетинга в VK) из цепочки радикально снижает общую вероятность конверсии, алгоритм присваивает этому каналу огромный вес.
- Динамическая переоценка: Ценность канала не фиксирована. Если в августе алгоритм замечает, что органический SEO-трафик стал чаще участвовать в успешных сделках, он автоматически повышает вес SEO в дашборде. Без участия человека.
- Эффект синергии: Векторы Шепли (концепция из теории кооперативных игр) математически оценивают, как каналы работают вместе. Бывает так, что email-рассылка сама по себе дает нулевую конверсию, но в связке с рекламным вебинаром увеличивает закрытие сделок на 30%. Алгоритм это увидит и честно наградит рассылку процентом от выручки.
Внедрение Data-Driven атрибуции позволяет собственнику B2B-компании видеть кристально честную картину окупаемости инвестиций (ROI) каждого отдельного рекламного касания. Вы перестаете отключать "вспомогательные" кампании, которые на первый взгляд кажутся убыточными, но на самом деле являются критическим мостом к финальной сделке.
Хотите внедрить продвинутую аналитику?
LavrAgency - эксперты на стыке сквозной аналитики и AI. Мы не просто сводим таблички. Мы можем развернуть для вашего бизнеса кастомную модель Data-Driven атрибуции в облаке, которая математически докажет, какие рекламные каналы действительно драйвят ваши продажи, а какие можно безболезненно отключить. Оставьте заявку на аудит аналитики.
Узнать про AI-аналитику