Модели атрибуции в маркетинге

Представьте типичный путь студента к покупке курса по программированию:

1. Он видит статью в блоге компании в соцсетях, читает, но не записывается.
2. Через неделю натыкается на контекстную рекламу по запросу «стать python-разработчиком», изучает программу, но снова уходит.
3. Ещё через несколько дней получает email-рассылку с историей успеха выпускника, переходит по ссылке и наконец-то оставляет заявку.

Вопрос: какому каналу сказать «спасибо» за эту сделку? Соцсетям, контексту или email?

Именно модель атрибуции — это набор правил, который определяет, как распределить «ценность» этой конверсии между всеми точками касания с клиентом.

Если говорить коротко, атрибуция помогает понять:

• Какой вклад вносит каждый источник трафика.
• На что тратить бюджет, а что — отключать.
• Как клиенты движутся к покупке.

Без понимания атрибуции вы можете, например, отключить «неработающую» медийную рекламу, которая на самом деле была crucial для первого знакомства аудитории с брендом.

Все модели можно разделить на две большие группы: одноканальные (приписывают успех одному касанию) и многоканальные (учитывают несколько этапов пути).

Одноканальные модели

1. По первому взаимодействию (First Click)

• Суть: 100% заслуги отдаётся тому каналу, с которого пользователь впервые попал на сайт.
• Зачем: Чтобы понять, какие источники лучше всего приводят новую, незнакомую аудиторию. Идеально для оценки кампаний по повышению узнаваемости бренда.
• Пример в EdTech: Вы запустили масштабный партнёрский материал с блогером-айтишником. Модель First Click покажет, сколько лидов и в итоге продаж было инициировано именно этой статьёй, даже если запись на курс произошла через ретаргетинг спустя месяц.
• Минус: Полностью игнорирует дальнейшую работу других каналов с клиентом.

2. По последнему взаимодействию (Last Click)

• Суть: Вся ценность конверсии присваивается тому источнику, с которого пользователь пришёл непосредственно перед целевым действием (например, перед оплатой).
• Зачем: Чтобы увидеть, какие каналы лучше всего «закрывают» сделку. Часто используется по умолчанию во многих системах.
• Пример в EdTech: Студент после вебинара перешёл по спецссылке из чата и купил курс. Last Click скажет, что продажу совершил тот самый вебинар.
• Минус: Опасно полагаться только на неё. Вы можете решить, что верхние этапы воронки (контент, соцсети) не работают, и урезать их бюджет, тем самым похоронив весь поток лидов в будущем.

3. По последнему значимому (непрямому) переходу (Last Non-Direct Click)

• Суть: Умная версия Last Click. Она отфильтровывает прямые заходы (когда пользователь вбил URL в строку браузера) и переходы из закладок. Конверсия присваивается последнему «платному» или внешнему источнику.
• Зачем: Чтобы оценить, какие рекламные каналы реально приводят к конверсиям, даже если финальный шаг был прямым визитом.
• Пример в EdTech: Пользователь кликнул на вашу рекламу в Директе, позже вернулся на сайт напрямую (вспомнил название) и купил. Last Click отдаст конверсию прямому заходу, а Last Non-Direct — справедливо отнесёт её к контекстной рекламе.

Многоканальные модели

4. Линейная (Linear)

• Суть: Ценность конверсии делится поровну между всеми касаниями в пути клиента. Было 4 касания — каждому по 25%.
• Зачем: Чтобы оценить вклад каждого канала в длинной цепочке. Полезна для ниш, где каждый контакт важен.
• Пример в EdTech: Длинный цикл принятия решения о покупке MBA. Здесь и вебинары, и персональные консультации, и email-письма — линейная модель покажет, что все этапы важны.
• Минус: Не выделяет наиболее влиятельные точки (первую и последнюю).

5. С учётом времени (Time Decay)

• Суть: Чем ближе касание к моменту конверсии, тем больше веса оно получает. Например, первое касание — 10%, последнее — 40%.
• Зачем: Для анализа, где важнее финальное «догревание» клиента.
• Пример в EdTech: Акция «скидка до конца недели». Все коммуникации в эту неделю (напоминания в мессенджерах, ретаргетинг) получат больший вес, чем статья, прочитанная месяц назад.

6. U-образная (Position-Based)

• Суть: Наибольшая ценность отдаётся первому и последнему касанию (например, по 40% каждому). Оставшиеся 20% делятся между промежуточными каналами.
• Зачем: Чтобы подчеркнуть важность и точки входа (знакомство), и точки выхода (конверсия). Одна из самых популярных моделей для комплексного анализа.
• Пример в EdTech: Запуск нового направления обучения. Важно оценить и каналы, которые создают первый интерес (партнёрские публикации, имиджевые видео), и каналы, которые завершают продажу (спецпредложения для подписчиков).

7. Data-Driven (на основе данных)

• Суть: Самая сложная и продвинутая модель. Алгоритмы на основе машинного обучения анализируют тысячи путей конверсий и самостоятельно определяют вес каждого канала, исходя из его реального влияния на результат.
• Зачем: Для крупных компаний с большими бюджетами и множеством пересекающихся каналов. Даёт максимально объективную картину.
• Минус: Требует огромного массива данных для корректной работы и обычно доступна в дорогих корпоративных решениях.

Исходя из своего опыта, выделяю пять ключевых сценариев применения атрибуции в образовательном бизнесе.

1. Оценка воронок для разных продуктов.

Продажа короткого интенсива и годовой программы — это два разных мира. Для интенсива с коротким циклом принятия решения (3-7 дней) хорошо работает Last Click или Last Non-Direct Click. Для годовой программы, где студент может «гулять» месяц и больше, критически важно смотреть на First Click и U-образную модель, чтобы оценить каналы-«затравки» (контент-маркетинг, вебинары).

2. Анализ эффективности бесплатных продуктов.

Вебинары, мини-курсы, тесты — классические лид-магниты в EdTech. Настройте для конверсий с этих продуктов модель Last Non-Direct Click. Это покажет, через какие платные или внешние каналы пришли те пользователи, которые в итоге зарегистрировались на бесплатный продукт и стали лидами. Так вы поймёте, какая реклама работает на верх воронки.

3. Оптимизация ретаргетинговых кампаний.

Ретаргетинг — ваш главный инструмент для «догрева». Смотрите на его эффективность через призму Last Click и моделей с учётом времени (Time Decay). Если ретаргетинг показывает хорошую конверсию по Last Click, это сигнал к увеличению бюджета — он хорошо закрывает сделку. Если он неэффективен по Last Click, но виден в цепочках по U-образной модели, значит, он играет важную промежуточную роль, и его тоже рано списывать.

4. Оценка имиджевых и медийных кампаний.

Запускаете серию вдохновляющих видео про профессии или сотрудничаете с экспертом? Такие кампании почти никогда не дают прямых конверсий «по клику». Здесь на помощь приходит модель Post-View (просмотр). Она позволяет атрибутировать конверсию, совершённую в течение 30-90 дней после показа баннера или видео, даже если на сам баннер не кликали. Это единственный способ оценить реальный ROI от брендовых активностей.

5. Предиктивная аналитика для масштабирования.

В EdTech с его длинным циклом сделки часто непонятно: окупается ли канал сейчас или он приведёт прибыль в будущем? Современные системы сквозной аналитики предлагают предиктивные модели атрибуции. Они на основе данных о поведении текущих лидов прогнозируют их будущий LTV (Lifetime Value). Это позволяет принимать смелые решения о масштабировании каналов на ранних этапах, не дожидаясь фактических продаж через 60-90 дней.

1. Игнорирование «окна атрибуции». Системы не помнят касания вечно. Если пользователь зашёл к вам, потом пропал на 4 месяца и вернулся — это, скорее всего, будет считаться новым первым визитом. Важно учитывать этот срок (обычно 30-90 дней) при анализе длинных циклов.
2. Частая смена модели в ходе кампании. Алгоритмы, особенно в системах контекстной рекламы, учатся на данных. Резкая смена модели атрибуции заставит их переучиваться, что может временно ухудшить результаты.
3. Выбор модели «потому что все её используют». Нет универсального решения. Модель должна соответствовать вашей воронке, вашему циклу продаж и вашей текущей задаче (узнаваемость или продажи здесь и сейчас).
4. Анализ в отрыве от кросс-девайс. Студент может искать курс с телефона, смотреть вебинар с планшета, а оплачивать — с ноутбука. Используйте опцию «кросс-девайс», если она доступна, чтобы видеть целостный путь, а не разорванные куски.

Запутались? Вот простой алгоритм выбора для начинающего специалиста:

1. Определите задачу:

• Хочу понять, откуда ко мне приходит новая аудитория? → Смотрите First Click.
• Хочу увидеть, что лучше всего закрывает продажи? → Смотрите Last Click и Last Non-Direct Click.
• Хочу оценить всю воронку целиком? → Начните с U-образной модели.

2. Учитывайте длину цикла продаж:

• Короткий цикл (импульсные покупки, интенсивы) → Last Click, Last Non-Direct Click.
• Длинный цикл (магистратуры, дорогие курсы) → First Click, U-образная, Time Decay.

3. Тестируйте и сравнивайте. Не ограничивайтесь одной моделью. Сравните отчёты по Last Click и U-образной модели. Увидите, как каналы «перераспределяют» ценность. Это даст самое полное понимание.

Модели атрибуции — не просто сложная аналитическая тема, а рабочий инструмент для ежедневного принятия решений о бюджете. В условиях EdTech, где клиент долго идёт к решению, понимание атрибуции — это суперсила маркетолога.

Главный совет: начните с анализа вашей текущей воронки. Посмотрите, какие модели используются в ваших системах аналитики по умолчанию. Проведите небольшой эксперимент: сравните отчёт по умолчанию и, например, по U-образной модели. Уверен, вы увидите интересные расхождения, которые заставят по-новому взглянуть на ваши каналы.

Пишите в комментариях, с какими сложностями в атрибуции сталкиваетесь вы в своей работе. Удачи в анализе!