Когда клиент оформляет заказ, продажу обычно приписывают одному каналу — тому, через который он зашёл последним. Но до этого клиент мог увидеть рекламу в соцсети, открыть письмо, вернуться из поиска: касаний было несколько, а всю заслугу получает одно. От того, какому каналу она достанется, зависит распределение рекламного бюджета — и тут легко ошибиться: урезать каналы, которые на самом деле приводят клиентов.
Распределяют достижение за конверсию модели атрибуции. У каждой из них свои ограничения, вдобавок у бизнеса данные о клиенте часто разбросаны по разным системам, поэтому собрать его путь целиком нечем.
Разбираем основные модели атрибуции и объясняем, почему они не всегда отражают реальную эффективность каналов. А ещё рассказываем, как CDP объединяет данные в единый профиль клиента и помогает точнее распределять маркетинговый бюджет.
Что такое модели атрибуции и зачем они нужны бизнесу
Атрибуция в маркетинге — это способ определить, какие каналы и касания повлияли на покупку или другое целевое действие, и как распределить между ними «заслугу» за результат. Модель атрибуции задаёт правила такого распределения.
Зачем это нужно бизнесу:
- Понимать, что действительно приносит продажи. Без атрибуции легко переоценить канал, который закрывает сделку, и недооценить те, что формируют интерес.
- Рационально распределять бюджет. Расходы можно направлять туда, где вклад в результат реально выше, а не туда, где просто удобнее считать конверсии.
- Оценивать эффективность кампаний и каналов. Показатели вроде CPO (стоимость привлечения заказа), ROI (окупаемость всех инвестиций) и ROMI (окупаемость маркетинговых инвестиций) становятся точнее, когда учитывается весь путь клиента.
- Выстраивать согласованную коммуникацию. Видно, как каналы работают вместе, и можно строить сценарии, которые усиливают друг друга.
Рассмотрим пример интернет-магазина косметики. Клиент сначала видит рекламу крема в соцсети, через день открывает письмо с подборкой ухода, ещё через два дня вспоминает бренд, ищет его в поиске и оформляет заказ. Касаний было минимум три, в трёх разных каналах — и каждое сыграло свою роль.
От того, какому касанию достанется заслуга, зависят решения о бюджете. Если считать, что продажу принёс только поиск, напрашивается решение: вложить больше в поиск, а соцсеть и письмо урезать. Но именно они познакомили клиента с брендом — без них не было бы и запроса в поиске. Поэтому модели атрибуции в маркетинге влияют на бюджет напрямую: на их основе решают, какие каналы усиливать, а какие сворачивать. Те же данные помогают выбрать, какие кампании и креативы оставить в работе: если соцсеть стабильно открывает путь к покупке, сворачивать её — ошибка. По сути, атрибуция — фундамент аналитики в интернет-маркетинге, на котором строятся выводы о том, какие каналы окупаются.
Основные модели атрибуции и их особенности
На практике бизнес выбирает из пяти основных моделей. Чтобы разница была видна, прогоним через каждую один и тот же путь клиента интернет-магазина косметики: реклама в соцсети → письмо → поиск бренда → покупка.
Атрибуция по последнему касанию (Last Click)
Вся заслуга достаётся последнему касанию перед покупкой — в нашем примере поиску бренда. Это самая простая модель, и до недавнего времени она стояла по умолчанию в большинстве систем. Её слабость в том, что она обнуляет всё, что было раньше: соцсеть и письмо, которые привели клиента, в отчёте выглядят бесполезными. Модель атрибуции по последнему переходу удобна для коротких путей, но на многоканальных вводит в заблуждение.
Атрибуция по первому касанию (First Click)
Зеркальная история: всю заслугу получает первое касание — реклама в соцсети. Такая модель атрибуции по первому переходу помогает понять, что приводит новых людей, какой канал чаще всего открывает знакомство с брендом. Слабость почти та же: всё, что происходило после первого контакта, обнуляется. Письмо и поиск, которые довели до заказа, остаются без внимания.
Линейная атрибуция (Linear)
Заслугу делят поровну между всеми касаниями: соцсеть, письмо и поиск получают по трети. Учитываются все шаги, а не один. Но и здесь есть упрощение: вклад касаний разный, а модель уравнивает их. Мимолётный показ рекламы и финальный переход, который закрыл сделку, считаются одинаково важными.
Атрибуция по позиции (Position-Based)
Компромисс между крайностями: больше всего заслуги отдают первому и последнему касанию — например, по 40% каждому, — а оставшиеся 20% делят между промежуточными. Логика в том, что знакомство с брендом и закрытие сделки важнее всего. Слабость в том, что проценты заданы правилом, а не реальным вкладом канала: 40% — это допущение, а не измеренная величина.
Атрибуция на основе данных (Data-Driven)
Здесь заслугу распределяет алгоритм, а не фиксированное правило. Он сравнивает пути тех, кто купил, и тех, кто нет, и оценивает реальный вклад каждого касания в конверсию.
Это автоматическая модель атрибуции: проценты считаются по данным конкретного аккаунта, а не по фиксированной формуле. Именно её Google сделал моделью по умолчанию для новых конверсий в Google Ads ещё в 2021 году, а в Google Analytics 4 — в 2023 году. При этом четыре правила-модели — по первому касанию, линейную, по позиции — убрал. По объяснению самой компании, такие модели не успевают за тем, как меняется путь клиента. Слабость у этой модели одна, но важная: точность держится на полноте данных. На обрывочных данных алгоритм считает вклад неверно.
Вопрос, какую модель атрибуции выбрать, упирается не только в задачу — познакомить или закрыть сделку, — но и в то, насколько полны данные под моделью. А полнота данных зависит уже от источников, из которых аналитика собирает картину.
Почему традиционная атрибуция не всегда показывает реальную эффективность каналов
Любая модель опирается на данные, которые удалось собрать. А собрать удаётся не всё: часть пути клиента просто не доходит до систем аналитики. Вот три типичные причины разрыва ↓
- Потеря данных между устройствами и каналами. Клиент изучает информацию про крем с телефона в обеденный перерыв, а вечером оформляет заказ с ноутбука. Для веб-аналитики это две разные сессии и, скорее всего, два разных пользователя — связь между рекламой и покупкой теряется.
- Разрыв между онлайн и офлайн-взаимодействиями. Реклама привела клиента на сайт, но за покупкой он пришёл в офлайн-магазин. Система видит онлайн-переход, но не видит покупку у кассы — и не связывает одно с другим. Канал, который реально привёл к продаже, в отчёте выглядит пустым. В B2B разрыв ещё шире: реклама приводит лид, а сделку через месяц закрывает менеджер по телефону — система видит начало пути, но не его финал.
- Проблемы cookie-based аналитики. Часть касаний в вебе отслеживают через сторонние куки, но их видно всё хуже. Браузеры Safari и Firefox блокируют сторонние куки по умолчанию, пользователи их чистят и отклоняют. Google в Chrome не отказался от куки полностью, но надёжность этого инструмента всё равно падает — и атрибуция в веб-аналитике теряет часть данных.
Итог во всех трёх случаях один: часть касаний остаётся невидимой для аналитических систем. А раз картина неполная, бюджет могут сократить у каналов, которые на самом деле приносят продажи, и увеличить тем, что просто оказались последними в цепочке.
Как CDP меняет подход к маркетинговой аналитике
Получается, дело не в самой формуле атрибуции — данные о клиенте просто разбросаны по разным системам. Логично собрать их воедино: эту задачу выполняет Customer Data Platform (CDP) — платформа клиентских данных.
CDP подключается к источникам, объединяет разрозненные записи об одном человеке и хранит их в едином профиле. Поведение на сайте платформа собирает через код на страницах, данные — из CRM.
Ключевой шаг — склейка. Анонимный визит на сайт, подписка на рассылку и покупка в офлайне выглядят как три разные записи, хотя за ними один клиент. Платформа управления клиентскими данными связывает их в одну запись по общим идентификаторам — например, по email-адресу или номеру телефона. Там, где точного совпадения нет, в ход идут косвенные признаки — устройство и поведение на сайте. Получается единый профиль клиента, или профиль 360° (Customer 360), где собран весь путь целиком. Так устроена, например, CDP Sendsay — одна из ведущих российских омниканальных платформ клиентских данных: она позволяет собрать данные в один профиль и восстановить путь клиента.
Какие точки контакта можно объединить в одной системе
В единый профиль сходятся касания из всех каналов — и онлайн, и офлайн. Условно их можно разбить на три группы:
- коммуникация — email, SMS, Web Push и Mobile Push, мессенджеры (например, Telegram);
- поведение клиента — визиты и действия на сайте и в мобильном приложении;
- сделки и офлайн — данные из CRM.
В CDP Sendsay данные из этих источников сходятся в один профиль автоматически. Именно полнота даных определяет, насколько точной будет атрибуция.
Как CDP помогает находить реальные точки влияния на продажи
Чтобы понять, какие касания реально влияют на решение о покупке, нужно видеть путь целиком. CDP делает это в несколько шагов ↓
- Собирает события из всех источников. В платформу поступает информация о поведении на сайте и в приложении, реакции на email, SMS, пуши и сообщения, данные из CRM, сервисов аналитики и рекомендательных систем. Всё, что человек сделал, попадает в единую ленту событий.
- Склеивает идентификаторы. Через сопоставление email, телефона, ID в приложении, cookie и логина CDP определяет, что несколько устройств и обращений принадлежат одному клиенту.
- Строит единую хронологию. По каждому клиенту видно, в каком порядке он взаимодействовал с брендом: какое касание было первым, что последовало за ним, какие письма он открыл, где вернулся на сайт, что положил в корзину и после какого контакта купил.
- Подключает реальные результаты бизнеса. Атрибуция строится не только по конверсиям на сайте, но и по заказам из CRM, повторным покупкам, возвратам, марже и LTV.
Какие инсайты можно получить из объединённых данных
Когда данные собраны и связаны, аналитика выходит за рамки вопроса «какой канал привёл больше продаж». Вот какие выводы становятся доступны ↓
- Типичные цепочки касаний. Какие комбинации каналов чаще всего заканчиваются покупкой: например, «реклама в соцсетях → подписка → серия welcome-писем → покупка» или «органический поиск → просмотр карточки → пуш про брошенную корзину → заказ». Эти цепочки можно усиливать и повторять.
- Реальная роль вспомогательных каналов. Email, пуши и мессенджеры нередко редко оказываются последним касанием, но заметно повышают вероятность покупки. Без сквозных данных их вклад выглядит минимальным.
- Длительность пути. Сколько в среднем проходит времени и сколько касаний нужно от первого контакта до заказа, и как это отличается по сегментам, категориям товаров и источникам. По этим данным настраиваются окна атрибуции и частота коммуникаций.
- Различия между сегментами. Новые и постоянные клиенты, разные регионы, разные категории интереса проходят разные пути. Одному сегменту достаточно двух касаний, другому нужно пять, и общий средний показатель скрывает это.
- Ценность клиентов по источникам. Какие каналы приводят людей с высоким LTV, частотой повторных покупок и средним чеком, а какие дают дешёвые, но разовые заказы. Оценка по стоимости первой продажи при этом может вводить в заблуждение.
- Места, где путь обрывается. На каком этапе и после какого касания клиенты перестают реагировать: например, после первого письма, после просмотра цены или после брошенной корзины. Это точки для сценариев реактивации.
- Пересечения и перегрузка аудитории. Сколько клиентов получает один и тот же офер сразу из нескольких каналов, где реклама дублирует рассылку, и в какой момент избыток коммуникаций начинает снижать конверсию и приводить к отпискам.
- Влияние офлайн и контакт-центра. Если офлайн-покупки и звонки привязаны к профилю, можно увидеть, как онлайн-касания влияют на покупки в магазине, и наоборот.
Как объединённые данные помогают эффективнее распределять маркетинговый бюджет
Объединённые в CDP данные позволяют строить распределение на более надёжной основе ↓
- Оценивать каналы по вкладу, а не по последнему клику. Когда видны все касания, можно рассчитать, какую долю в продажах приносит каждый канал на разных этапах пути. Расходы на каналы, которые формируют интерес и подводят клиента к покупке, перестают выглядеть бесполезными только из-за того, что они редко закрывают сделку.
- Считать эффективность по ценности клиента. Вместо стоимости привлечения заказа (CPO) или лида (CPL) можно сопоставлять расходы с выручкой, маржой и LTV клиентов, пришедших из канала. Канал с более высокой стоимостью первого заказа может оказаться выгоднее, если его клиенты покупают повторно.
- Убирать дублирование. Если один и тот же клиент получает рекламу, письмо и пуш с одним офером в течение суток, часть расходов тратится впустую. На основе единого профиля можно исключать из рекламных кампаний тех, кто уже купил или находится в активной коммуникации по другим каналам, и перераспределять сэкономленные деньги.
- Перенаправлять бюджет в слабые места воронки. Если анализ показывает, что много клиентов теряется после первого касания, имеет смысл вложиться в прогревающие сценарии, а не в дополнительный трафик. Если путь короткий и упирается в нехватку охвата, наоборот, стоит увеличить расходы на привлечение.
- Подтверждать выводы тестами. Для проверки реального вклада канала используют контрольные группы: часть аудитории не получает определённую коммуникацию, и результаты сравниваются с остальными. Так можно понять, какие продажи произошли бы и без рекламы, а какие стали следствием кампании. Данные CDP упрощают формирование таких групп и подсчёт результатов с учётом всех каналов.
- Планировать бюджет на основе сегментов. Для сегментов с высоким потенциалом (например, клиентов с высоким LTV или тех, кто давно не покупал) можно закладывать отдельные расходы и оценивать их по собственным метрикам, а не по усреднённым показателям по всей базе.
Как перейти к такому подходу на практике:
- Определить, какие метрики будут основными: выручка, маржа, LTV, повторные покупки, а не только число конверсий.
- Подключить к CDP все ключевые источники, включая маркетинговые платформы, CRM, офлайн-продажи и данные по рассылкам.
- Настроить правила склейки идентификаторов и проверить качество данных: дубли, пропуски, расхождения с CRM.
- Сравнить результаты нескольких моделей атрибуции и найти каналы, оценка которых сильно различается.
- Проверить гипотезы тестами на контрольных группах, прежде чем менять бюджеты значительно.
- Перераспределять расходы постепенно и регулярно пересматривать решения по новым данным.
Таким образом, объединённые данные не отменяют необходимости аналитического подхода и тестов, но дают для них основу: бюджет распределяется по тому, что реально происходит с клиентами на всём пути, а не по отдельным отчётам каналов.
Выводы: что запомнить про атрибуцию и CDP
- Традиционные модели атрибуции всё чаще сталкиваются с ограничениями. Last click и first click учитывают лишь одно касание и не показывают, как каналы работают вместе. Рост числа точек контакта, ограничения на cookie и разрозненность данных делают такие модели всё менее надёжными.
- Объединённые данные помогают лучше понимать клиентский путь. Когда события из рекламы, сайта, приложения, рассылок, CRM и офлайна собраны в одном месте, видно, какие касания приводят клиента к покупке, сколько времени занимает путь и где он обрывается.
- Единый профиль клиента повышает точность маркетинговой аналитики. Склейка идентификаторов устраняет дубли и потерянные касания, а привязка заказов, повторных покупок и LTV позволяет оценивать каналы по реальному результату для бизнеса, а не по отчётам отдельных систем.
- CDP помогает принимать более обоснованные решения о распределении бюджета. Расходы можно сопоставлять с вкладом канала и ценностью привлечённых клиентов, убирать дублирующие коммуникации и проверять гипотезы на контрольных группах, прежде чем менять бюджеты.
- Будущее маркетинговой аналитики связано с единым профилем клиента и data-driven подходом. Компании, которые выстраивают целостное представление о клиенте и опираются на данные при планировании, получают более точную аналитику и более гибкое управление маркетингом. Начать можно с подключения ключевых источников данных в CDP и сравнения нескольких моделей атрибуции на одних и тех же данных.
Ответы на частые вопросы об атрибуции и CDP
