Модели атрибуции в маркетинге: от first click до data-driven

Коротко

Атрибуция в маркетинге — правило, которое распределяет покупку или выручку между каналами и касаниями, через которые прошёл клиент до оплаты. Модель атрибуции — конкретная версия этого правила: всё первому касанию, всё последнему, поровну или по весам.

• Одноканальные модели отдают оплату целиком одному касанию: first click (первый клик) — каналу, который привёл человека впервые, last click (последний клик) — тому, что был перед покупкой.
• Последний значимый переход — это last click, который пропускает прямые заходы и другие незначимые источники. Так модель называется в Яндекс Метрике.
• Многоканальные модели делят оплату: линейная — поровну, с затуханием во времени — больше поздним касаниям, позиционная — 40% первому, 40% последнему и 20% середине. Data-driven подбирает веса алгоритмом.
• На учебной вставке из восьми покупателей и 252 долларов выручки лидер меняется трижды: соцсети по первому клику, прямой заход по последнему, поисковая реклама по последнему значимому и линейной модели.
• Атрибуция делит выручку, но не доказывает, что канал её создал. Сколько продаж реклама добавила, показывает только эксперимент.

Что такое атрибуция и о какой атрибуции речь

Атрибуция — приписывание, от латинского attributio. У слова несколько профессиональных значений. В искусствоведении и истории атрибуция — установление автора, места и времени создания произведения или документа. В психологии говорят о каузальной атрибуции: как люди объясняют причины своего и чужого поведения. Эта статья — про атрибуцию в маркетинге и веб-аналитике.

Маркетинговая атрибуция отвечает на вопрос, какому каналу засчитать покупку. Человек редко покупает с первого захода: увидел рекламу в соцсети, через неделю нашёл продукт в поиске, получил письмо, а потом вернулся, набрав адрес вручную. Каждое такое касание оставляет след — переход с UTM-метками, клик в рекламном кабинете, визит в Метрике. Модель решает, какую часть суммы покупки получит каждое.

От модели зависят все метрики, где в числителе стоит доход канала: ROMI, ROAS, ДРР, а через число клиентов — и стоимость привлечения. Поменяли модель — поменялись все четыре, хотя ни один клиент не купил больше и ни один рубль не потрачен иначе.

Какие бывают модели атрибуции

Возьмём один путь: человек пришёл из соцсети (social), через четыре дня — из поисковой рекламы (paid_search), ещё через два дня зашёл напрямую (direct) и оплатил подписку. Вот как его покупку делят разные модели.

Первый клик (first click, first touch) отдаёт всё каналу, который привёл человека впервые. Модель отвечает на вопрос «кто находит новых клиентов» и не видит ничего, что было после первого визита.

Последний клик (last click, last touch) отдаёт всё последнему касанию перед покупкой. Его проще всего посчитать: источник известен в момент оплаты, историю хранить не нужно. Слабое место видно на нашем пути: вся заслуга достаётся прямому заходу, хотя за ним нет никакого канала.

Последний значимый переход — last click с поправкой: прямые заходы и другие незначимые источники пропускаются, и оплата уходит последнему значимому касанию, здесь — поисковой рекламе. В англоязычных системах похожее правило называют last non-direct click.

Линейная модель делит покупку поровну между всеми касаниями. С затуханием во времени (time decay) касание тем весомее, чем ближе к покупке: в примере вес уменьшается вдвое за каждые семь дней до оплаты. Позиционная, она же U-образная (position-based), отдаёт по 40% первому и последнему касанию, а 20% делит между средними. Пропорция 40/20/40 — договорённость, а не измерение; её можно менять.

Data-driven (на основе данных) не задаёт веса заранее: алгоритм сравнивает пути, которые закончились покупкой, с путями без неё и оценивает, насколько каждое касание меняет вероятность конверсии. Результат зависит от данных конкретного рекламодателя, поэтому в таблице для неё нет чисел.

Какие модели атрибуции есть в Яндекс Метрике

Справка Яндекс Метрики на октябрь 2026 года перечисляет четыре модели: «Последний переход», «Первый переход (кросс-девайс)», «Последний значимый переход (кросс-девайс)» и «Автоматическая атрибуция». С 20 мая 2026 года Метрика и Директ отключили «Первый переход» и «Последний значимый переход» без учёта устройств, а также «Последний переход из Директа» в обоих вариантах. Сохранённые отчёты с этими моделями переводятся на актуальные. Если в старой инструкции написано просто «последний значимый переход», в интерфейсе сейчас осталась только его кросс-девайс версия.

«Последний переход» определяет источник каждого визита отдельно, без истории посетителя. Справка советует его для технического анализа сайта и для сверки данных Метрики с Директом. «Последний значимый переход» делит источники на значимые и незначимые: визит из незначимого, например прямой заход, приписывается предыдущему значимому источнику. Пометка «кросс-девайс» значит, что история собирается по всем устройствам посетителя, которые Метрика смогла связать.

«Первый переход» относит все визиты посетителя к источнику его самого первого визита. По справке, он подходит сайтам с отложенной конверсией, где человек долго выбирает и много раз возвращается, и для оценки того, какие источники приводят новых посетителей.

«Автоматическая атрибуция» считается на данных с 8 апреля 2023 года и опирается на определение кросс-девайс конверсий и учёт домохозяйств по обезличенным данным. Как именно она распределяет конверсии, справка не раскрывает, поэтому воспроизвести её своим запросом нельзя.

Окно атрибуции в Метрике фиксированное: история посетителя обрывается, если он не заходил 90 дней, и следующий визит начинает новую. Настроить это окно нельзя.

Что осталось от моделей атрибуции в Google Analytics 4

С ноября 2023 года в GA4 нет моделей first click, linear, time decay и position-based. Остались три: data-driven, paid and organic last click (последний клик по платным и органическим каналам) и Google paid channels last click (последний клик по платным каналам Google).

По справке Google, data-driven обучается на путях и с конверсией, и без неё и сравнивает то, что произошло, с тем, что могло бы произойти. Вероятность конверсии у тех, кто видел рекламу, сопоставляется с похожими пользователями из контрольной группы, а сами модели, как пишет Google, обучены на данных рандомизированных экспериментов. Касание получает заслугу по тому, насколько его добавление меняет оценку вероятности. Модель своя у каждого рекламодателя и каждого ключевого события, и конверсию могут переатрибутировать в течение семи дней после неё.

Окно в GA4 настраивается. Для событий привлечения first_open и first_visit по умолчанию 30 дней, можно сократить до 7. Для остальных ключевых событий — 90 дней, можно выбрать 30 или 60.

Практический вывод из обоих инструментов: правила вроде линейного или позиционного из интерфейсов уходят, но из работы аналитика не исчезают. Их считают в сквозной аналитике, в BI или запросом, как ниже. А алгоритмические модели — чёрный ящик поставщика: веса не видны, и сверить их с реальностью без эксперимента трудно.

Как посчитать атрибуцию в SQL: одна выручка, шесть моделей

В учебной базе «Маяк» у пользователя один канал, касаний нет. Поэтому пути собраны в CTE как учебная вставка: восемь покупателей, от одного до четырёх касаний из пяти каналов — social, paid_search, email, referral и direct (прямой заход) — и первая оплата каждого: 19, 29 или 39 долларов, вместе 252.

Запрос: веса касаний по каждой модели

Запрос устроен так. row_number() нумерует касания пользователя по дате, count(*) over даёт их число, разница дат — сколько дней прошло от касания до оплаты. Дальше каждая модель — это вес касания от 0 до 1, и веса одного пользователя в сумме дают единицу. Выручка канала по модели — сумма «оплата × вес» по всем его касаниям.

Позиционная модель при одном касании отдаёт ему всё, при двух — по половине, при трёх и больше — 40% первому и последнему и 20% делит между средними. Затухание — 0,5 в степени «дней до оплаты / 7»: касание за неделю до покупки весит вдвое меньше, чем в день покупки. Семь дней полураспада выбраны для примера. Последний значимый переход берёт последнее касание не из direct, а если у человека были только прямые заходы — просто последнее.

with touches(user_id, channel, touch_date) as (
  -- учебная вставка: касания восьми пользователей до первой оплаты
  values
    (1, 'social', date '2026-06-01'), (1, 'paid_search', date '2026-06-05'),
    (1, 'direct', date '2026-06-07'),
    (2, 'social', date '2026-06-02'), (2, 'email', date '2026-06-10'),
    (2, 'paid_search', date '2026-06-12'), (2, 'direct', date '2026-06-14'),
    (3, 'paid_search', date '2026-06-03'),
    (4, 'social', date '2026-06-04'), (4, 'email', date '2026-06-09'),
    (5, 'referral', date '2026-06-05'), (5, 'paid_search', date '2026-06-06'),
    (5, 'email', date '2026-06-15'),
    (6, 'social', date '2026-06-06'), (6, 'direct', date '2026-06-08'),
    (7, 'email', date '2026-06-07'), (7, 'paid_search', date '2026-06-08'),
    (8, 'social', date '2026-06-01'), (8, 'referral', date '2026-06-09'),
    (8, 'email', date '2026-06-12'), (8, 'direct', date '2026-06-13')
),
conversions(user_id, paid_at, amount) as (
  -- первая оплата каждого пользователя, долларов
  values
    (1, date '2026-06-07', 39), (2, date '2026-06-14', 39),
    (3, date '2026-06-03', 29), (4, date '2026-06-09', 29),
    (5, date '2026-06-15', 39), (6, date '2026-06-08', 19),
    (7, date '2026-06-08', 19), (8, date '2026-06-13', 39)
),
path as (
  select
    t.user_id,
    t.channel,
    c.amount,
    row_number() over (partition by t.user_id order by t.touch_date) as pos,
    count(*) over (partition by t.user_id) as touches,
    c.paid_at - t.touch_date as days_before
  from touches as t
  join conversions as c on c.user_id = t.user_id
  where t.touch_date <= c.paid_at
),
credits as (
  select
    channel,
    amount,
    case when pos = 1 then 1.0 else 0 end as first_click,
    case when pos = touches then 1.0 else 0 end as last_click,
    -- последнее касание не из прямого захода, а если были только прямые — последнее
    case
      when pos = coalesce(
        max(case when channel <> 'direct' then pos end) over (partition by user_id),
        touches
      ) then 1.0
      else 0
    end as last_significant,
    1.0 / touches as linear,
    case
      when touches = 1 then 1.0
      when touches = 2 then 0.5
      when pos = 1 or pos = touches then 0.4
      else 0.2 / (touches - 2)
    end as position_based,
    power(0.5, days_before / 7.0)
      / sum(power(0.5, days_before / 7.0)) over (partition by user_id) as time_decay
  from path
)
select
  channel,
  round(cast(sum(amount * first_click) as numeric(18, 6)), 2) as first_click,
  round(cast(sum(amount * last_click) as numeric(18, 6)), 2) as last_click,
  round(cast(sum(amount * last_significant) as numeric(18, 6)), 2) as last_significant,
  round(cast(sum(amount * linear) as numeric(18, 6)), 2) as linear,
  round(cast(sum(amount * position_based) as numeric(18, 6)), 2) as position_based,
  round(cast(sum(amount * time_decay) as numeric(18, 6)), 2) as time_decay
from credits
group by channel
order by linear desc, channel;

Какой канал лучший? Зависит от модели

Модели не создают выручку, а делят те же 252 доллара. Но ответ на вопрос руководителя меняется. По первому клику social приносит две трети денег, по последнему — ни доллара: в восьми путях соцсети ни разу не стояли последними. Прямой заход по последнему клику выходит в лидеры со 136 долларами, хотя за ним нет рекламного канала: человек вернулся сам после того, как его привели другие.

Последний значимый переход убирает прямые заходы, и их деньги переходят к предыдущему касанию: у paid_search становится 126 долларов, у email — 107. Многоканальные модели сглаживают крайности, и разрывы между каналами сжимаются: в модели с затуханием paid_search и email расходятся всего на 2,30 доллара.

Как читать такое сравнение

Если вывод о канале переворачивается при смене модели, одной модели для решения мало. Устойчиво то, что держится в нескольких моделях сразу. Здесь paid_search ни в одной модели не опускается ниже 29 долларов и в трёх из шести стоит первым: канал участвует в путях и в начале, и в середине, и перед покупкой. Social — канал первого касания: он находит людей, но до оплаты их доводят другие.

Отсюда два рабочих решения. Первое — выключать social по отчёту last click нельзя: модель просто не видит его роли. Второе — переносить бюджет в direct бессмысленно: это не канал, а следствие работы остальных.

Восемь путей — игрушечный объём, но зависимость от модели не исчезает и на тысячах путей: она заложена в самом правиле, а не в размере выборки.

Что можно посчитать без касаний: канал пользователя на данных базы

В настоящих таблицах «Маяка» касаний нет, зато у пользователя есть канал: он записан один раз и не меняется. По какому правилу его записали — по первому визиту или по последнему перед регистрацией, — база не говорит. Если по первому, соединение users.channel с оплатами и есть атрибуция по первому касанию; если по последнему — last click до регистрации. В обоих случаях это одноканальная модель со всеми её ограничениями.

Запрос считает для каждого канала пользователей, платящих, долю платящих, выручку, долю канала в выручке и выручку на одного зарегистрированного. Выручку сначала суммируем по пользователю, чтобы соединение с users не размножило строки.

with revenue_by_user as (
  select user_id, sum(amount) as revenue
  from payments
  group by user_id
)
select
  u.channel,
  count(*) as users,
  count(r.user_id) as paying_users,
  round(cast(100.0 * count(r.user_id) / count(*) as numeric(18, 6)), 1) as paying_pct,
  coalesce(sum(r.revenue), 0) as revenue,
  round(cast(100.0 * sum(r.revenue) / sum(sum(r.revenue)) over () as numeric(18, 6)), 1) as revenue_share_pct,
  round(cast(coalesce(sum(r.revenue), 0) / count(*) as numeric(18, 6)), 2) as revenue_per_user
from users as u
left join revenue_by_user as r on r.user_id = u.user_id
group by u.channel
order by revenue desc;

Как сравнить каналы в одном окне

Из 30 639 долларов organic принёс 46,1%, referral — 30,4%, partner — 15,4%, paid_search — 8,1%. Но платный поиск появился только 1 июля, и у его пользователей было меньше времени заплатить. Честнее сравнивать одну когорту в одном окне: регистрации июля и оплаты за первые 30 дней после регистрации. Тридцать дней прошли у всех июльских пользователей до закрытия выгрузки.

with revenue_by_user as (
  select p.user_id, sum(p.amount) as revenue
  from payments as p
  join users as u on u.user_id = p.user_id
  where p.paid_at < u.signup_date + interval '30 days'
  group by p.user_id
)
select
  u.channel,
  count(*) as users,
  count(r.user_id) as paying_users,
  round(cast(100.0 * count(r.user_id) / count(*) as numeric(18, 6)), 1) as paying_pct,
  coalesce(sum(r.revenue), 0) as revenue,
  round(cast(coalesce(sum(r.revenue), 0) / count(*) as numeric(18, 6)), 2) as revenue_per_user
from users as u
left join revenue_by_user as r on r.user_id = u.user_id
where u.signup_date between date '2026-07-01' and date '2026-07-31'
group by u.channel
order by revenue desc;

Что видно в июльской когорте

В равном окне платный поиск обгоняет partner по выручке: 1248 долларов против 1170. Причина — объём: поиск привёл почти вдвое больше людей. На одного зарегистрированного он приносит 2,59 доллара против 4,78, и платят 10,8% его пользователей против 20,4%. Какой из каналов выгоднее, зависит от того, сколько стоил каждый зарегистрированный. Расходов в базе нет, поэтому окупаемость здесь не посчитать; как продолжить разбор с воронкой, когортами и проверкой случайности, показано в оценке рекламного канала на SQL.

И помните, что это атрибуция по одному касанию. Если часть людей из referral до регистрации видела поисковую рекламу, их выручка записана на referral, и запрос об этом не узнает.

Сквозная аналитика и атрибуция: в чём разница

Сквозная аналитика — система, которая связывает рекламные расходы, визиты, заявки и оплаты из CRM в одну цепочку по каждому клиенту. Атрибуция — правило, которое затем распределяет оплату по касаниям этой цепочки. Без атрибуции сквозная аналитика не ответит, какому каналу засчитать продажу. Без сквозной аналитики атрибуция работает на обрывках путей: рекламный кабинет видит только свои клики, Метрика — визиты на сайт, но не оплату по счёту.

Чтобы посчитать атрибуцию самому, как в запросе выше, нужны три таблицы: касания с идентификатором пользователя, каналом и временем; оплаты с тем же идентификатором и суммой; расходы по каналам и дням. Касания берут из UTM-меток и логов визитов, оплаты — из CRM или биллинга. Связывает их идентификатор: client_id из веб-аналитики, номер заявки, аккаунт. Где он теряется, путь обрывается.

Какую модель атрибуции выбрать

Идеальной модели нет: каждая выгодна каким-то каналам и слепа к каким-то касаниям. Таблица помогает понять, чья позиция будет завышена в выбранном отчёте.

Почему атрибуция не отвечает, работает ли реклама

Все модели выше делят выручку, которая уже случилась. Ни одна не знает, сколько её случилось бы без рекламы. Человек, который искал продукт по названию и кликнул по брендовому объявлению, скорее всего купил бы и через обычную ссылку под ним, но last click засчитает продажу рекламе целиком.

Сколько продаж канал добавил сверх этого, называют инкрементальностью, и измеряют её экспериментом. В holdout-тесте случайная часть аудитории не видит рекламу, и разница в покупках с остальными — эффект канала. В гео-эксперименте рекламу выключают или меняют в части регионов и сравнивают с похожими регионами без изменений. Логика та же, что в A/B-тесте; когда случайного разделения нет, помогает метод разности разностей.

• Кросс-девайс. Человек увидел рекламу на телефоне, а купил с ноутбука. Если устройства не связаны входом в аккаунт или алгоритмом системы, это два разных посетителя, и путь рвётся.
• Офлайн. Звонок, визит в магазин, оплата по счёту не попадают в веб-аналитику, пока их не загрузят из CRM.
• Окно атрибуции. Касание за пределами окна не учитывается: в Метрике история обрывается после 90 дней без визитов, в GA4 окно от 7 до 90 дней. При длинном выборе ранние каналы теряют заслугу.
• Рекламные кабинеты завышают свою роль. Каждый видит только свои клики и показы и засчитывает себе конверсию, если его касание попало в окно. Сумма конверсий по кабинетам почти всегда больше числа оплат в CRM.
• Касания без клика. Видео, наружная реклама, совет знакомого не оставляют перехода, и модель отдаёт их заслугу последнему видимому каналу.

Частые вопросы

Итог

Атрибуция — не измерение, а договорённость о том, как делить выручку между каналами. Первый клик хвалит тех, кто приводит людей, последний — тех, кто стоит у кассы, а многоканальные модели размазывают заслугу по пути. На восьми учебных путях с выручкой 252 доллара лидер сменился трижды: social, direct и paid_search. Поэтому в отчёте всегда называют модель и окно, сравнивают каналы в равных когортах и проверяют выводы второй моделью. Ответить же на вопрос руководителя честно — «канал принёс деньги, которых без него не было бы» — может только эксперимент.

Запросы из статьи выполняются на учебной базе: поменяйте касания во вставке, пропорцию позиционной модели или период полураспада и посмотрите, как перераспределится выручка. В Симуляторе SQL-аналитика каналы, когорты и выручку считают на той же базе продукта.