Условие
Юзер увидел facebook-ad → через 3 дня кликнул на email → через неделю кликнул google-search → купил. Какому каналу засчитать конверсию?
Решение
Модели атрибуции
| Модель | Распределение | Когда |
|---|---|---|
| First touch | 100% первому | новый канал — оценка discovery |
| Last touch | 100% последнему | дефолт в Google Analytics, переоценивает search |
| Linear | поровну | простая оценка вклада |
| Time decay | больше близким к конверсии | бренд + perf-каналы вместе |
| U-shape (position) | 40/20/40 первому, среднему, последнему | acquisition с длинным циклом |
| Data-driven (Shapley) | по реальному incremental | золотой стандарт, требует много данных |
| MMM (econometric) | агрегатно по каналу с lag | когда нет user-level (cookieless) |
Пример распределения
Конверсия 1000₽, цепочка facebook → email → google:
| Модель | |||
|---|---|---|---|
| First | 1000 | 0 | 0 |
| Last | 0 | 0 | 1000 |
| Linear | 333 | 333 | 333 |
| Time decay (k=0.5/нед) | 100 | 300 | 600 |
| U-shape | 400 | 200 | 400 |
Когда нужен Shapley/data-driven
Когда стоимость канала высокая и решения дорогие. Shapley считает «incremental contribution» каждого канала, перебирая порядки. Требует:
- единого user_id через все каналы;
- большого числа цепочек;
- инфры — Google Analytics 360, Mixpanel, своя ML-модель.
MMM как альтернатива
Если cookieless (iOS 14+ ATT, отказ от 3rd party cookies) — user-level недоступен. MMM моделирует продажи на уровне канала через регрессию с lag/adstock:
Sales_t = α + β1·TV_t + β2·adstock(Facebook_t) + γ·season + ε
Подводные камни
- Last touch — дефолт почти во всех системах, но всегда переоценивает retargeting и search (они близко к конверсии «по построению»).
- Data-driven Shapley требует достаточного числа цепочек на канал — на маленьких рынках шумно.
- View-through атрибуция (показ без клика) надёжна только в walled gardens (FB, Google). В open web — нет.
- Attribution ≠ incrementality. Канал может быть в цепочке, но конверсия случилась бы и без него (causal incrementality надо тестировать через geo-holdout или MMM).
- Cross-device без deterministic ID невозможна точно — используют probabilistic (вероятностный) matching, который врёт на 20–40%.
Эталонный ответ
Дефолт last-touch врёт. Для оценки бюджета — data-driven Shapley при наличии данных или MMM при cookieless. На практике сочетают MMM (бюджет по каналам) и incrementality-тесты (causal эффект конкретной кампании).