Attribution-модели на собесе маркетинг-аналитика
Зачем attribution на собесе маркетинг-аналитика
Attribution — отнесение revenue / conversion к touchpoints (каналам, кампаниям, объявлениям). На собесе маркетинг-аналитика attribution — главная техническая тема. Без правильной attribution невозможно optimize marketing budget.
Слабый ответ — «last click, как все». Сильный — про разные модели, их trade-off, когда использовать какую, ограничения каждой.
Last click
Идея: весь credit — последнему touchpoint перед conversion.
Плюсы:
- Простой
- Стандарт по умолчанию в GA, Метрике
- Прозрачный для performance каналов
Минусы:
- Игнорирует upper-funnel touches (brand, content, SEO)
- Bias к high-intent каналам (brand search, retargeting)
Когда: оптимизация performance channels, простой baseline.
First click
Идея: весь credit — первому touchpoint.
Когда: оценка awareness каналов (где впервые узнали).
Минусы: игнорирует conversion driver. Mostly used as complement to last-click.
Linear attribution
Идея: равный credit всем touchpoints в пути.
Плюсы:
- Учитывает весь journey
- Простой расчёт
Минусы:
- Все touches не equally valuable
- Может overestimate ничего не дающие touches
Time decay
Идея: более recent touches → больше credit (exponentially).
Формула: weight = exp(-λ × (conversion_time - touch_time))
Когда: короткие sales cycles, B2C.
U-shape (position-based)
Идея: first touch 40%, last touch 40%, middle 20% распределено.
Когда: валидный compromise — учитывает awareness и conversion.
Data-driven attribution (DDA)
Идея: ML определяет credit на основе data.
Methods:
- Markov chains: удаляем touchpoint → насколько падает conversion?
- Shapley values: game theory подход.
Tools: GA4 DDA (auto), custom через Python (sklearn + pyDDA).
Плюсы:
- Объективный, data-driven
- Учитывает interactions между каналами
Минусы:
- Сложно интерпретировать («почему?»)
- Требует много conversions для stable estimates
- Black box для marketing team
Marketing Mix Modeling (MMM)
Отдельная философия для атрибуции offline + online.
Идея: регрессионный модель revenue ~ media spend + other factors.
Плюсы:
- Учитывает offline channels (TV, OOH)
- Cookieless friendly
- Captures interactions
Минусы:
- Aggregated, не per-user
- Требует years of data
- Сложно для быстрых итераций
Подробнее — MMM (media mix) на собесе.
Comparison table
| Модель | Простота | Cookieless | Upper-funnel | Лучше всего для |
|---|---|---|---|---|
| Last click | ✅ | ❌ | ❌ | Performance optim |
| First click | ✅ | ❌ | ✅ | Awareness eval |
| Linear | ✅ | ❌ | ✅ | Simple multi-touch |
| Time decay | Medium | ❌ | Partial | Short cycles |
| U-shape | Medium | ❌ | ✅ | Balanced |
| Data-driven | Medium-Hard | ❌ | ✅ | Mature programs |
| MMM | Hard | ✅ | ✅ | Strategic + offline |
Cookieless future
iOS 14.5 (ATT), GDPR, third-party cookies sunset → tracking стало hard.
Implications:
- Last click точность падает
- MMM становится важнее
- First-party data (CDP, server-side) — must
- Cohort-based + aggregated reporting
В РФ: Яндекс / VK Ads + первая сторона + MMM — стандартный stack.
Типичные вопросы
«Какая attribution model лучшая?»
Зависит от цели:
- Performance optimization → last click + multi-touch sanity check
- Strategic budget → MMM или DDA
- Awareness channels → first click / position-based
В реальности — hybrid.
«Как explain marketing-team, почему last click misleading?»
Example: brand campaign drives awareness → users search brand → conversion. Last click отдаёт credit brand search, brand campaign — без credit, но это она driver.
«MMM или DDA для multi-touch?»
DDA: per-user, online channels, требует много conversions. MMM: aggregated, online + offline, длинный history. Часто оба complement each other.
«Cookieless — как attribution survive?»
First-party data, server-side tracking, MMM, incrementality testing (geo-experiments, holdouts).
Частые ошибки
- Last click everywhere. Underestimates upper funnel, biases budget.
- Одна модель для всех решений. Strategic vs tactical — different needs.
- DDA без sanity check. ML может surprise — нужны business expectations.
- MMM без offline data. Тогда нет преимуществ vs MTA.
- Cookieless ignored. Tracking accuracy в 2026 сильно ниже.
FAQ
Какая attribution в Карьернике?
В small startup: last click + cohort retention. На масштабе → DDA или MMM.
Incrementality testing — что это?
Geo-experiment: hold out region from spend, compare lift vs control. True causal impact. Дополняет attribution.
Custom attribution model — когда?
Когда стандартные не fit business model. Например, B2B с long sales cycle и many touchpoints — custom Markov.
Что в РФ doable?
Last click через Метрика / Adriver. MMM через Python / R. DDA — in-house ML.
Books / courses?
«Attribution Modeling» Avinash Kaushik. Coursera «Marketing Analytics» specializations.