Мультитач-атрибуция

Мультитач-атрибуция (англ. multi-touch attribution, MTA) — это метод оценки эффективности цифровых маркетинговых каналов и точек касания с потребителем на пути к целевому действию (конверсии), который учитывает вклад каждого взаимодействия пользователя с брендом в достижение результата. В отличие от атрибуции по последнему клику (last-click attribution), приписывающей 100 % ценности конверсии последнему клику, мультитач-атрибуция распределяет ценность между несколькими этапами воронки продаж, что позволяет более точно оценить роль каждого канала (поисковая реклама, социальные сети, email-маркетинг, медийная реклама и др.) в привлечении и удержании клиентов.

История возникновения

Концепция атрибуции в маркетинге возникла с развитием интернет-рекламы в начале 2000-х годов. Первоначально доминировала модель атрибуции по последнему клику, которая была простой в реализации, но не учитывала предшествующие взаимодействия. С ростом числа каналов и сложности потребительского пути (customer journey) — когда пользователь мог несколько раз переходить по разным объявлениям, посещать сайт, подписываться на рассылку и только потом совершать покупку — возникла потребность в более справедливом распределении ценности.

В середине 2010-х годов, с распространением технологий отслеживания пользовательского поведения (cookies, пиксели, идентификаторы устройств) и появлением платформ автоматизации маркетинга (например, Google Analytics, Adobe Analytics, Kenshoo), мультитач-атрибуция стала активно внедряться в практику. Крупные рекламодатели, такие как Amazon, eBay и Booking.com, первыми начали использовать MTA для оптимизации рекламных бюджетов. В России интерес к мультитач-атрибуции возрос в конце 2010-х годов, когда рынок интернет-рекламы достиг зрелости, а рекламодатели столкнулись с необходимостью повышения эффективности затрат.

Основные модели мультитач-атрибуции

Существует несколько стандартных моделей распределения ценности конверсии между точками касания. Выбор модели зависит от целей анализа, структуры воронки продаж и доступных данных.

Линейная модель (Linear)

Ценность конверсии равномерно распределяется между всеми точками касания на пути пользователя. Например, если на пути было 5 взаимодействий, каждое получает 20 % ценности. Модель проста, но не учитывает разную значимость этапов.

Модель с затуханием (Time Decay)

Более поздние точки касания получают большую долю ценности, чем ранние. Обычно используется логарифмическое или экспоненциальное затухание. Модель подходит для воронок, где решение о покупке принимается ближе к концу пути.

Позиционная модель (Position-Based, U-Shaped)

40 % ценности отдаётся первому и последнему взаимодействию, а оставшиеся 20 % распределяются между промежуточными точками. Эта модель акцентирует внимание на привлечении (первый клик) и закрытии (последний клик), что характерно для многих B2C-сценариев.

Модель на основе данных (Data-Driven)

Наиболее сложная и точная модель, использующая алгоритмы машинного обучения (например, Shapley Value, логистическая регрессия, градиентный бустинг) для статистического определения вклада каждого канала. Такая модель требует большого объёма исторических данных о конверсиях и поведении пользователей. Платформы Google Analytics 4 и Adobe Analytics предлагают автоматизированные варианты data-driven атрибуции.

Принцип работы и технические аспекты

Мультитач-атрибуция реализуется на основе сбора данных о взаимодействиях пользователя с рекламными объявлениями и сайтом. Ключевые элементы:

• Точка касания (touchpoint) — любое взаимодействие пользователя с брендом: клик по объявлению, просмотр видео, открытие email, переход по ссылке в социальной сети.
• Путь конверсии (conversion path) — последовательность точек касания, предшествующих целевому действию (покупке, регистрации, подписке).
• Окно атрибуции (attribution window) — временной промежуток, в течение которого учитываются взаимодействия. Обычно составляет от 7 до 30 дней до конверсии, но может варьироваться в зависимости от типа бизнеса.
• Идентификация пользователя — для построения путей необходимо отслеживать пользователя на разных устройствах и каналах. Используются cookies, идентификаторы устройств (IDFA, AAID), логины, а также детерминированные и вероятностные методы кросс-девайсной атрибуции.

Технически MTA реализуется через интеграцию рекламных платформ (Google Ads, Яндекс.Директ, Facebook Ads — организация Meta признана экстремистской и запрещена в РФ) с системами веб-аналитики (Google Analytics, Яндекс.Метрика) и CRM. Данные о кликах и показах собираются с помощью UTM-меток, пикселей и API-интерфейсов. Затем алгоритмы обрабатывают эти данные, формируя пути конверсии и применяя выбранную модель атрибуции.

Применение в маркетинге

Мультитач-атрибуция используется для решения следующих задач:

• Оптимизация рекламного бюджета — позволяет перераспределять средства между каналами в пользу тех, которые реально влияют на конверсию, а не только на последний клик. Например, если медийная реклама редко приводит к прямым покупкам, но часто выступает первой точкой касания, MTA может показать её высокую ценность.
• Оценка эффективности кампаний — даёт более объективную картину, чем атрибуция по последнему клику, особенно для долгих циклов продаж (B2B, дорогие товары).
• Управление воронкой продаж — помогает выявить слабые места на пути клиента, например, потерю интереса после определённого канала.
• Моделирование сценариев — с помощью MTA можно прогнозировать, как изменится конверсия при изменении бюджета на конкретный канал.

Ограничения и критика

Несмотря на преимущества, мультитач-атрибуция имеет ряд недостатков:

• Сложность реализации — требует интеграции множества систем, качественных данных и вычислительных ресурсов. Для малого бизнеса затраты могут быть неоправданными.
• Проблемы с данными — потеря данных из-за блокировки cookies, использования браузеров с защитой от отслеживания (Safari, Firefox) и политик конфиденциальности (GDPR, 152-ФЗ «О персональных данных»). В России с 2023 года вступили в силу дополнительные требования к обработке данных, что усложняет использование MTA.
• Неполнота путей — многие взаимодействия (офлайн-покупки, звонки, просмотры в офлайн-рекламе) не отслеживаются цифровыми методами, что искажает картину.
• Чувствительность к модели — разные модели могут давать противоположные результаты, что требует тщательного выбора и валидации.
• Отсутствие единого стандарта — нет общепринятой методологии, что затрудняет сравнение результатов между разными платформами.

Пример

Рассмотрим гипотетический путь пользователя, совершившего покупку в интернет-магазине:

1. Увидел медийный баннер на новостном сайте (первое касание).
2. Через неделю кликнул по рекламе в поисковой системе (второе касание).
3. Ещё через три дня перешёл по ссылке из email-рассылки (третье касание).
4. На следующий день вернулся на сайт через прямой ввод URL и совершил покупку (четвёртое касание, последнее).

При атрибуции по последнему клику вся ценность (100 %) была бы приписана прямому входу. При линейной модели каждый из четырёх каналов получил бы по 25 %. При позиционной — первый и последний каналы получили бы по 40 %, а второй и третий — по 10 %. Data-driven модель могла бы, например, показать, что email-рассылка имеет наибольший вклад, если статистически она чаще всего приводит к конверсии на следующий день.

Будущее мультитач-атрибуции

С развитием технологий и изменением регуляторной среды MTA эволюционирует. Вместо полной зависимости от cookies всё большее значение приобретают:

• Вероятностная атрибуция — на основе статистических моделей, не требующих точной идентификации пользователя.
• Атрибуция на основе данных о поведении — с использованием машинного обучения для анализа последовательностей действий без привязки к конкретным кликам.
• Интеграция с офлайн-данными — через системы лояльности, QR-коды, NFC-метки.
• Федеративные подходы — обработка данных на стороне пользователя (например, в браузере) с передачей только агрегированных результатов, что соответствует требованиям конфиденциальности.

В России, в условиях ограничений на использование зарубежных аналитических платформ и ужесточения законодательства, развитие MTA идёт в сторону отечественных решений (например, Яндекс.Метрика, Roistat, Calltouch), которые адаптируются к локальным требованиям.

Источники

1. Чандра, А. (2019). Маркетинговая атрибуция: как оценить эффективность рекламы. М.: Эксмо.
2. Google. (2023). Руководство по атрибуции в Google Analytics 4. Документация Google.
3. Рыжков, И. (2021). Методы мультитач-атрибуции в цифровом маркетинге. Журнал «Маркетинг и маркетинговые исследования», № 4, с. 45–58.
4. Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (ред. от 14.07.2022).
5. Kotler, P., Keller, K. L. (2016). Marketing Management. 15th ed. Pearson.