Владельцы бизнеса и маркетологи часто сталкиваются с ситуацией: отчёты подрядчиков показывают разные цифры, а понять, какой канал действительно приносит продажи, практически невозможно. В этой статье — пошаговое руководство по внедрению Multi-Touch Attribution в российских реалиях. Вы узнаете, какие модели атрибуции существуют, как их рассчитывать, какие инструменты доступны в Яндекс.Метрике и как интегрировать данные из CRM для получения объективной картины эффективности.
- Что такое Multi-Touch Attribution
- Сравнение MTA и MMM: когда что использовать
- Основные модели Multi-Touch Attribution
- 1. Эвристические модели (правила)
- 2. Вероятностные модели
- 3. Data-driven модели (на машинном обучении)
- Пример расчёта: линейная модель MTA
- Внедрение MTA в российских условиях
- Шаг 1. Оценка готовности
- Шаг 2. Настройка сбора данных
- Шаг 3. Интеграция с CRM и учёт офлайн-конверсий
- Шаг 4. Выбор модели и тестирование
- Технические сложности внедрения MTA
- Заключение
- Часто задаваемые вопросы об MTA
Что такое Multi-Touch Attribution
Multi-Touch Attribution (MTA) — это метод аналитики, который распределяет кредит за конверсию между всеми значимыми касаниями на пути клиента: от первого знакомства с брендом до финального клика. В отличие от last-click модели, которая отдаёт 100% кредита последнему касанию, MTA показывает вклад каждого канала в создание спроса и закрытие сделки.
В Яндекс.Метрике доступны четыре основные модели атрибуции: «Первый переход», «Последний переход», «Последний значимый переход» и «Последний переход из Директа». Также есть автоматическая модель на основе машинного обучения, которая особенно рекомендуется, если Директ — основной канал получения конверсий.
Сравнение MTA и MMM: когда что использовать
Часто MTA путают с Marketing Mix Modeling (MMM). Это разные инструменты для разных задач:
- MTA работает с пользовательскими данными на уровне отдельных касаний, подходит для тактической оптимизации кампаний в режиме реального времени.
- MMM использует агрегированные данные (недельные, месячные) и применяется для стратегического планирования бюджетов на квартал или год.
По данным исследования Improvado (2026), MTA целесообразен при цикле сделки до 7 дней, наличии более 1000 конверсий в месяц и уровне идентификации пользователей выше 70%. MMM рекомендуется, если доля офлайн-каналов превышает 30%, цикл сделки длиннее 30 дней или идентификация пользователей ниже 60.
Основные модели Multi-Touch Attribution
MTA включает три группы моделей.
1. Эвристические модели (правила)
- Линейная (Linear) — делит кредит поровну между всеми касаниями. Если в пути клиента было 5 касаний, каждое получает по 20%.
- С убыванием по времени (Time Decay) — больше кредита получают касания, близкие к конверсии.
- Позиционная (Position-Based / U-Shaped) — 40% первому касанию, 40% последнему, 20% распределяются между промежуточными.
Плюсы: просты, прозрачны, не требуют больших данных. Минусы: субъективны — правила задаёт человек.
2. Вероятностные модели
- Марковские цепи — моделируют вероятность переходов между касаниями и оценивают вклад каждого канала.
- Значение Шепли (Shapley Value) — подход из теории кооперативных игр, оценивающий маржинальный вклад каждого канала во все возможные комбинации.
Эти модели считаются «золотой серединой»: более объективны, чем эвристические, и более интерпретируемы, чем ML-алгоритмы.
3. Data-driven модели (на машинном обучении)
Используют нейросети и другие ML-алгоритмы для выявления сложных паттернов. Могут достигать высокой точности, но требуют 2 000+ конверсий в месяц и сложны в интерпретации.
Пример расчёта: линейная модель MTA
Рассмотрим гипотетический путь клиента:
- Увидел рекламу в ВКонтакте (первое касание).
- Перешёл по ссылке из поисковой выдачи Яндекс (второе касание).
- Кликнул на ретаргетинговое объявление в Яндекс.Директе (третье касание).
- Совершил покупку на сумму 10 000 ₽.
При линейной модели каждое из трёх касаний получает по ⅓ кредита (≈ 3 333 ₽). При last-click модели все 10 000 ₽ были бы приписаны Директу, а вклад ВКонтакте и поиска был бы проигнорирован.
В отчётах Яндекс.Метрики можно оценить ассоциированные конверсии для каждого источника и увидеть, сколько конверсий было совершено при участии канала, даже если он не был последним.
Внедрение MTA в российских условиях
Шаг 1. Оценка готовности
Проверьте три параметра:
- Средний цикл сделки — до 7 дней для MTA.
- Количество конверсий в месяц — от 1 000.
- Уровень идентификации пользователей (cross-device, авторизация) — выше 70%.
Если цикл длиннее, доля офлайн-каналов выше 30% или идентификация ниже 60% — рассмотрите MMM.
Шаг 2. Настройка сбора данных
- Внедрите UTM-метки на все рекламные кампании (Яндекс.Директ, ВКонтакте, Telegram-реклама).
- Настройте server-side tracking — это может восстановить 15–25% потерянного сигнала из-за ограничений браузеров.
- Организуйте сквозную аналитику: объедините данные из рекламных кабинетов, Яндекс.Метрики и CRM-системы.
Шаг 3. Интеграция с CRM и учёт офлайн-конверсий
В российском ритейле активно используется передача данных о заказах из CRM (например, 1С, RetailCRM) в Яндекс.Метрику. Это позволяет сопоставлять переходы по рекламным объявлениям с реальными финансовыми результатами.
Пример из практики: компания «Торговая Сеть Технониколь» внедрила сквозную аналитику, передавая данные о каждом офлайн-заказе из системы 1С в Яндекс.Метрику. Это позволило увеличить выручку интернет-магазина от рекламы в 2,5 раза за счёт точного перераспределения бюджетов.
Другой пример: ритейлеру COZY HOME сквозная аналитика помогла увеличить средний чек на 16%.А в кейсе с RetailCRM удалось связать 93% заказов с визитами в Метрике, тогда как без интеграции отображалось менее 52% заказов.
Шаг 4. Выбор модели и тестирование
- Нет данных и бюджета? Начните с линейной или позиционной модели.
- Есть 2 000+ конверсий в месяц? Рассмотрите Марковские цепи или Shapley Value.
- Есть команда Data Science? Можно пробовать ML-модели.
Атрибуция — это система, а не отчёт. Настройка занимает месяцы. Тестируйте разные окна атрибуции, сравнивайте модели, калибруйте через инкрементальность (A/B-тесты, lift-исследования).
Технические сложности внедрения MTA
- Потеря сигнала из-за приватности: ограничения iOS и отказ от third-party cookies сократили покрытие MTA. Без качественных first-party данных MTA теряет точность.
- Фрагментированная идентичность: пользователь переходит с телефона на ноутбук, с браузера в приложение. Без слоя identity resolution невозможно «сшить» путь в единую историю.
- Разрозненные данные: требуется интеграция рекламных кабинетов, CRM, веб-аналитики и биллинга. В России для этого используют платформы сквозной аналитики: Alytics, JetStat, Mindbox.
- Окно атрибуции: настройка окна (7 дней vs 90 дней) может сдвинуть распределение кредита на 20+ процентных пунктов. В B2B с циклом 60–180 дней 30-дневное окно систематически недооценивает верхневоронные каналы.
Заключение
Multi-Touch Attribution не даёт «идеальной» истины, но предоставляет более полную картину: кто привёл, кто прогрел, кто закрыл. Внедрение MTA — это инвестиция в данные, инфраструктуру и культуру принятия решений. Компании, которые проходят этот путь, перестают гадать, куда вложить бюджет. Они знают, какие каналы реально приносят продажи.
Используйте встроенные возможности Яндекс.Метрики, настраивайте сквозную аналитику и тестируйте разные модели. Начните с малого — и вы увидите, как меняется качество решений.
Часто задаваемые вопросы об MTA
Что такое Multi-Touch Attribution (MTA)?
Multi-Touch Attribution — это метод аналитики, который распределяет кредит за конверсию между всеми значимыми касаниями на пути клиента: от первого знакомства до финального клика.
Чем MTA отличается от last-click атрибуции?
Last-click отдаёт 100% кредита последнему касанию, игнорируя все предыдущие взаимодействия. MTA распределяет кредит между несколькими касаниями, показывая вклад каждого канала в создание спроса.
Какие модели Multi-Touch Attribution существуют?
Выделяют три группы моделей: эвристические (линейная, с убыванием по времени, позиционная), вероятностные (Марковские цепи, значение Шепли) и data-driven на основе машинного обучения.
Какие модели атрибуции доступны в Яндекс.Метрике?
В Яндекс.Метрике доступны четыре основные модели: «Первый переход», «Последний переход», «Последний значимый переход» и «Последний переход из Директа». Также есть автоматическая модель на основе машинного обучения.
В чём разница между MTA и Marketing Mix Modeling (MMM)?
MTA работает с пользовательскими данными на уровне отдельных касаний и подходит для тактической оптимизации. MMM использует агрегированные данные (недельные, месячные) и применяется для стратегического планирования бюджетов на квартал или год.
Когда имеет смысл внедрять MTA, а когда — MMM?
MTA целесообразен при цикле сделки до 7 дней, наличии более 1000 конверсий в месяц и уровне идентификации пользователей выше 70%. MMM рекомендуется, если доля офлайн-каналов превышает 30%, цикл сделки длиннее 30 дней или идентификация пользователей ниже 60%.
Как рассчитать распределение кредита по линейной модели MTA?
При линейной модели кредит делится поровну между всеми касаниями. Например, если в пути клиента было 5 касаний, каждое получает по 20% от стоимости конверсии.
Что такое ассоциированные конверсии в Яндекс.Метрике?
Ассоциированные конверсии — это конверсии, в которых канал или источник участвовал в качестве промежуточного касания, но не был последним перед целевым действием. Отчёт позволяет оценить вклад каждого канала в воронку.
Как настроить сквозную аналитику для MTA в российских условиях?
Необходимо объединить данные из рекламных кабинетов (Яндекс.Директ, ВКонтакте), веб-аналитики (Яндекс.Метрика) и CRM-системы. Данные о заказах из CRM передаются в Метрику через API или готовые коннекторы, после чего становится возможна атрибуция по реальным финансовым показателям.
Какие технические сложности возникают при внедрении MTA?
Основные сложности: потеря сигнала из-за ограничений приватности (iOS, cookie), фрагментированная идентичность пользователей между устройствами, необходимость интеграции разрозненных данных из разных систем и правильный выбор окна атрибуции.
Как выбрать окно атрибуции для MTA?
Окно атрибуции зависит от среднего цикла сделки. Для e-commerce с коротким циклом (до 7 дней) подходит окно 7–30 дней. Для B2B с циклом 60–180 дней окно должно быть не менее 90 дней, иначе верхневоронные каналы будут систематически недооцениваться.
Что такое значение Шепли в MTA?
Значение Шепли — подход из теории кооперативных игр, который оценивает маржинальный вклад каждого канала во все возможные комбинации каналов. Это позволяет объективно распределить кредит между касаниями.
Какие данные нужны для построения марковских цепей в атрибуции?
Для марковских цепей необходима последовательность касаний для каждого пользователя, приведшая к конверсии или не приведшая. На основе этих данных моделируются вероятности переходов между состояниями (каналами) и оценивается вклад каждого канала.
Как учитывать офлайн-конверсии в MTA?
Офлайн-конверсии (звонки, покупки в магазине) можно интегрировать через сквозную аналитику: данные из CRM или колл-трекинга передаются в Яндекс.Метрику и сопоставляются с визитами пользователей. Это позволяет связать офлайн-продажи с онлайн-каналами.
Как MTA помогает оптимизировать бюджет на рекламу?
MTA показывает реальный вклад каждого канала в создание спроса и закрытие сделок. Это позволяет перераспределять бюджет в пользу каналов, которые создают ценность на всём пути, а не только тех, которые оказались последними перед покупкой.
Какие инструменты для MTA доступны в России?
В России для MTA используются Яндекс.Метрика (встроенные модели атрибуции, отчёты по ассоциированным конверсиям), платформы сквозной аналитики (Alytics, JetStat, Mindbox), а также собственная разработка на основе Logs API Яндекс.Метрики.
Что такое автоматическая модель атрибуции в Яндекс.Директе?
Автоматическая модель атрибуции использует алгоритмы машинного обучения для распределения кредита между касаниями. Она особенно рекомендуется, если Директ — основной канал получения конверсий, так как позволяет учесть сложные пути пользователей.
Как проверить качество внедрённой MTA-модели?
Качество MTA проверяется через A/B-тесты и lift-исследования (инкрементальность). Сравниваются результаты модели с реальными экспериментами, где один канал отключается или меняется бюджет. Это позволяет откалибровать модель и убедиться в её точности.
Какие ошибки чаще всего допускают при внедрении MTA?
Частые ошибки: выбор неправильного окна атрибуции, игнорирование кросс-девайсных переходов, недостаточное качество данных (менее 70% идентификации), использование MTA при длинном цикле сделки или малом количестве конверсий.
С чего начать внедрение MTA в компании?
Начните с оценки готовности: определите цикл сделки, количество конверсий в месяц и уровень идентификации пользователей. Затем настройте сбор данных (UTM-метки, server-side tracking, интеграцию с CRM). После этого выберите модель, начните с линейной или позиционной и тестируйте на небольших данных.
Готовы перейти от догадок к точным данным? Начните с аудита текущей аналитики: проверьте, какие модели атрибуции используются в вашей Яндекс.Метрике, и оцените, насколько полно данные из CRM интегрированы с рекламными системами. Даже небольшие шаги в сторону MTA помогут принимать более обоснованные бюджетные решения.
Статья носит информационный характер. Окончательное решение принимайте после изучения официальных источников.
