Как оценить эффективность рекламы

Что такое атрибуция и зачем она нужна

Атрибуция — это процесс назначения ценности каждому рекламному контакту, который предшествует целевой конверсии (покупке, регистрации, заявке). Её цель — понять, какие каналы и в какой степени влияют на поведение пользователя. Без атрибуции невозможно объективно оценить эффективность отдельных инструментов и оптимизировать бюджет.

Традиционные подходы (last‑click, first‑click) упрощают этот процесс, но зачастую искажают реальность. Например, пользователь может впервые узнать о бренде из наружной рекламы, затем увидеть баннер в интернете, прочитать обзор у блогера и только после этого перейти по контекстному объявлению и совершить покупку. Модель last‑click отдаст 100% заслуг контексту, хотя на самом деле роль других каналов была решающей.

Модели атрибуции: от простых к сложным

Существует несколько базовых моделей, которые отличаются способом распределения веса между касаниями:

• Last‑click — вся заслуга последнему клику. Просто, но не учитывает путь пользователя.
• First‑click — весь кредит первому касанию. Игнорирует последующее влияние.
• Линейная (Linear) — равные доли каждому касанию. Усредняет, но не отражает важность этапов.
• Time‑decay — вес увеличивается к концу пути. Лучше, чем линейная, но по‑прежнему не учитывает реальное влияние.
• U‑образная (Position‑based) — 40% первому и последнему касанию, оставшиеся 20% распределяются между промежуточными.
• W‑образная — учитывает ключевые этапы (первое касание, лид, конверсию), но требует чёткого определения воронки.

Multi‑touch attribution в широком смысле — это не отдельная модель, а целый подход, который включает в себя data‑driven атрибуцию. В отличие от перечисленных выше правил, data‑driven MTA использует машинное обучение для вычисления весов на основе фактических данных о поведении тысяч пользователей. Модель «обучается» на исторических путях и определяет, какой вклад внёс каждый канал с учётом их последовательности, временных интервалов и синергии.

Как работает Multi‑touch attribution

Процесс построения MTA можно разделить на несколько этапов:

1. Сбор данных – с каждого рекламного канала собираются события: показы, клики, просмотры видео, взаимодействия с постом и т.д. Для офлайн‑каналов используют геолокационные данные или данные операторов связи, если это разрешено.
2. Идентификация пользователя – необходимо объединить события одного пользователя с разных устройств и браузеров. Для этого используются cookie, device ID, идентификаторы входа в CRM, а также вероятностные методы (например, анализ цифровых отпечатков).
3. Построение путей – для каждого пользователя, совершившего конверсию, формируется последовательность касаний с указанием времени и канала.
4. Расчёт весов – применяется алгоритм (например, логистическая регрессия, случайный лес или нейронная сеть) для определения вклада каждого типа касания. Алгоритм учитывает не только отдельные каналы, но и их комбинации.
5. Калибровка и валидация – модель проверяется на отложенной выборке, корректируются гиперпараметры, оценивается точность предсказаний.

Важно понимать, что MTA — это не «серебряная пуля». Результаты сильно зависят от качества данных и правильности выбора модели. Однако при грамотной настройке он даёт гораздо более реалистичную картину, чем правила на основе интуиции.

Какие каналы можно оценивать

MTA позволяет объединять данные по любому числу каналов, если они передают события с привязкой к пользователю. В число оцениваемых каналов обычно входят:

• Поисковая реклама (контекст, SEO)
• Медийные баннеры и видеореклама
• Социальные сети (органические и платные посты)
• Email‑маркетинг
• Интеграции с блогерами и инфлюенсерами
• Наружная реклама (OOH/DOOH) – с использованием геоданных
• Телевизионная реклама – через отслеживание пиковых реакций в интернете
• Радио и подкасты – через промокоды или специальные ссылки

При этом важно, чтобы все каналы были корректно интегрированы в единую систему сбора данных, иначе часть касаний останется неучтённой.

Преимущества MTA

• Комплексная картина – вы видите реальный вклад каждого канала, включая те, которые не приводят к прямому клику, но влияют на решение.
• Оптимизация бюджета – зная эффективность, вы можете перераспределять средства в пользу наиболее результативных каналов и комбинаций.
• Учёт синергии – модель способна выявить, что два канала вместе дают прирост выше, чем каждый по отдельности.
• Гибкость – можно строить модели для разных сегментов аудитории, товарных категорий и географических рынков.
• Объективность – веса определяются статистически, а не субъективными правилами.

Ограничения и вызовы MTA

Несмотря на мощный потенциал, MTA имеет ряд ограничений, которые необходимо учитывать:

• Требования к объёму данных – для построения надёжной модели нужно минимум несколько тысяч конверсий с полными путями. В противном случае модель переобучается.
• Сложность интеграции – необходимо организовать сбор данных со всех каналов в едином формате, что требует времени и ресурсов.
• Проблема идентификации – в условиях отказа от сторонних cookie и роста использования блокировщиков рекламы становится сложнее связывать касания одного пользователя.
• Влияние внешних факторов – сезонность, экономическая ситуация, действия конкурентов не учитываются в модели, что может искажать оценки.
• Вычислительная сложность – для крупных компаний с миллионами путей требуются мощные вычислительные ресурсы.
• Интерпретируемость – сложные модели (нейросети) могут давать высокую точность, но их объяснение для бизнеса затруднено.

Важно комбинировать MTA с другими методами (например, маркетинговое микромоделирование) и постоянно пересматривать модель.

Как внедрить MTA в компании

Если вы решили перейти на MTA, рекомендуем следующий пошаговый план:

1. Определите цели и ключевые метрики. Решите, что будет считаться конверсией (покупка, лид, установка приложения) и какие каналы для вас приоритетны.
2. Проведите аудит существующих данных. Проверьте, все ли каналы передают события в вашу аналитику, настроена ли сквозная аналитика, какие данные о пользователе доступны.
3. Выберите пилотный проект. Начните с одного продукта или региона, где объём трафика достаточен для построения модели.
4. Соберите данные и подготовьте их. Очистите данные от дубликатов, нормализуйте названия каналов, создайте непрерывные пути.
5. Постройте модель. Используйте готовые решения (например, на базе Python с библиотеками scikit-learn, TensorFlow) или обратитесь к специалистам. Начните с простых моделей (логистическая регрессия), затем усложняйте.
6. Оцените результаты и калибруйте. Сравните с baseline‑моделями, проверьте на контрольных группах, внесите корректировки.
7. Масштабируйте и интегрируйте в процессы. Внедрите регулярное переобучение модели и используйте результаты для бюджетного планирования.

Типичный срок для пилотного проекта – от 2 до 3 месяцев, включая сбор данных и обучение.

Статья носит информационный характер. Окончательное решение принимайте после изучения официальных источников.