Атрибуция по последнему клику

Атрибуция по последнему клику — это модель атрибуции в веб-аналитике и интернет-маркетинге, при которой вся ценность конверсии (покупки, регистрации, подписки) присваивается последнему рекламному каналу или точке касания с пользователем, непосредственно предшествовавшему целевому действию. Данная модель является одной из самых простых и распространённых, однако она не учитывает вклад предыдущих взаимодействий пользователя с брендом.

История и контекст возникновения

Модель атрибуции по последнему клику возникла на ранних этапах развития интернет-рекламы, когда основным инструментом учёта эффективности были файлы cookie и простые счётчики переходов. В середине 2000-х годов, с ростом популярности контекстной рекламы (например, Google AdWords и «Яндекс.Директ»), рекламодателям требовался понятный и однозначный способ оценки отдачи от вложений. Модель последнего клика стала стандартом де-факто, поскольку она легко реализуема технически: для её работы достаточно зафиксировать источник перехода на сайт перед совершением конверсии.

В то время как пользовательский путь всё чаще включал несколько этапов (поиск, просмотр обзоров, сравнение цен, возврат на сайт), модель последнего клика продолжала доминировать из-за своей простоты и привычности для многих рекламодателей. Однако с усложнением маркетинговых воронок и появлением мультиканальных кампаний её недостатки стали очевидны.

Принцип работы

Модель атрибуции по последнему клику работает по следующему алгоритму:

1. Система веб-аналитики (например, Google Analytics, «Яндекс.Метрика») отслеживает все взаимодействия пользователя с рекламными материалами до момента совершения конверсии.
2. Когда конверсия происходит, система анализирует цепочку касаний (кликов по рекламе, переходов из органической выдачи, прямых заходов).
3. Вся ценность конверсии (100 %) присваивается последнему источнику в этой цепочке. Предыдущие касания (например, клик по баннеру неделю назад или переход из email-рассылки за день до покупки) игнорируются.

Пример: пользователь сначала увидел рекламу в социальной сети (Facebook — организация признана экстремистской и запрещена в РФ), затем перешёл по ссылке из поисковой выдачи, а после этого ввёл адрес сайта вручную и совершил покупку. В модели последнего клика вся ценность будет отнесена на прямой заход, а соцсеть и поиск не получат никакого вклада.

Виды и модификации

Хотя термин «атрибуция по последнему клику» обычно подразумевает классическую модель, существуют её вариации:

• Последний клик (Last Click) — стандартная модель, описанная выше.
• Последний непрямой клик (Last Non-Direct Click) — модификация, при которой игнорируются прямые заходы (когда пользователь вводит URL вручную). В этом случае ценность присваивается последнему рекламному источнику, который привёл пользователя на сайт, исключая прямые визиты. Эта модель часто используется для более точной оценки эффективности маркетинговых каналов, так как прямой заход часто является результатом предыдущих рекламных воздействий.
• Последний клик по платной рекламе (Last Paid Click) — модель, при которой вся ценность отдаётся последнему клику по платному рекламному объявлению (контекстная реклама, таргетированная реклама). Органические переходы и прямые заходы не учитываются.

Преимущества и недостатки

Преимущества

• Простота внедрения и понимания. Модель не требует сложных настроек и анализа. Она интуитивно понятна: «последний клик привёл к продаже».
• Прозрачность. Легко отследить, какой канал непосредственно привёл пользователя к конверсии.
• Оптимизация под конкретные кампании. Позволяет быстро оценить эффективность рекламных объявлений, нацеленных на завершение сделки (например, ремаркетинг или промо-акции).
• Широкая поддержка. Модель используется по умолчанию во многих системах аналитики, что упрощает сравнение данных.

Недостатки

• Игнорирование вклада других каналов. Модель не учитывает роль ознакомительных, имиджевых и информационных каналов (контент-маркетинг, блоги, социальные сети), которые могут играть ключевую роль на ранних этапах воронки.
• Искажение оценки эффективности. Каналы, отвечающие за привлечение внимания (например, медийная реклама), могут казаться неэффективными, хотя они формируют спрос.
• Непригодность для длинных циклов сделок. В B2B-сегменте или при продаже дорогих товаров, где пользователь может взаимодействовать с брендом десятки раз, модель последнего клика даёт сильно искажённую картину.
• Сложность с отслеживанием офлайн-взаимодействий. Модель не учитывает телефонные звонки, посещения магазинов или другие офлайн-точки, если они не интегрированы в систему аналитики.

Применение

Атрибуция по последнему клику наиболее уместна в следующих ситуациях:

• Короткие циклы продаж. Для товаров повседневного спроса, недорогих услуг или подписок, где решение принимается быстро.
• Кампании с прямым откликом. Для рекламы, нацеленной на немедленное действие (скидки, акции, лимитированные предложения).
• Оценка эффективности ремаркетинга. Ремаркетинговые кампании часто являются последним касанием, и модель позволяет оценить их прямой вклад.
• Бюджетирование с низкими требованиями к точности. Если рекламодатель не нуждается в глубоком анализе мультиканального взаимодействия.

В случаях с длинными воронками, многоканальным маркетингом или сложными продуктами рекомендуется использовать более сложные модели атрибуции: линейную, с убыванием во времени, на основе позиции или data-driven (основанную на машинном обучении).

Критика

Основная критика модели последнего клика заключается в том, что она создаёт «ложное чувство контроля» и приводит к неоптимальному распределению рекламного бюджета. Маркетологи, ориентируясь только на последний клик, могут недофинансировать каналы, которые формируют спрос, и переплачивать за каналы, которые «закрывают» уже готовые к покупке лиды. Это может привести к снижению общей эффективности маркетинга и росту стоимости привлечения клиента (CAC) в долгосрочной перспективе.

Альтернативные модели

Для преодоления ограничений последнего клика были разработаны другие модели атрибуции:

• Атрибуция по первому клику — вся ценность присваивается первому касанию.
• Линейная атрибуция — ценность равномерно распределяется между всеми касаниями.
• Атрибуция с убыванием во времени — большая ценность присваивается касаниям, произошедшим ближе к конверсии.
• Атрибуция на основе позиции — 40 % ценности отдаётся первому и последнему касанию, оставшиеся 20 % — промежуточным.
• Data-driven атрибуция — модель, основанная на машинном обучении, которая анализирует исторические данные и определяет реальный вклад каждого канала.

Заключение

Несмотря на свои недостатки, атрибуция по последнему клику остаётся базовой и широко используемой моделью. Она служит отправной точкой для анализа эффективности рекламы, но для получения объективной картины и оптимизации маркетинговых бюджетов рекомендуется переходить к более сложным моделям, учитывающим весь путь пользователя.