Last-click врёт, а вы платите ему зарплату: как атрибуция назначает не тех героев

TL;DR Last-click систематически переписывает заслуги вниз воронки: брендовый поиск и ретаргет выглядят героями, охваты и верх воронки — балластом. Дальше сценарий предсказуемый: режем «убыточный» верх → через месяц-два проседает и «прибыльный» низ, потому что кормить его было нечем. Ни одна модель атрибуции не показывает правду: все они делят заслугу по своему правилу и ни одна не измеряет реальный вклад канала. Правду про вклад канала даёт только эксперимент на инкрементальность (holdout / geo-lift). Ниже — числовая модель, коридор из нескольких моделей вместо поиска «правильной», и честный блок про то, где это ломается. Чтение — минут восемь.

Привет, я Егор. 10 лет в performance-маркетинге, через мои руки прошли миллиарды рублей рекламных бюджетов — точную цифру не назову, NDA. Сегодня разберём атрибуцию — механизм, из-за которого в отчётах наказывают правильные каналы и премируют неправильные. Будут числа, таблица и разбор допущений. Все цифры в статье — модельная прикидка, не из реального проекта; важна логика, а сами числа условны.

Что не так с last-click, если по-взрослому

Определение для порядка, одной строкой.

Простыми словами Атрибуция — это правило, по которому вы делите одну продажу между несколькими рекламными касаниями, которые к ней привели. Last-click отдаёт 100% заслуги последнему клику перед покупкой.

Last-click часто списывают на «неточность». Точность тут ни при чём: он смещён в одну сторону систематически. Последним касанием почти всегда оказывается то, что стоит у самого края покупки: брендовый поиск (человек уже решил и вбил ваше имя), ретаргет (догнали того, кто и так возвращался), прямой заход. А то, что создало спрос за две недели до этого — охватная кампания, статья, видео, — в момент покупки уже не «последнее» и получает ноль.

Дальше включается управленческая логика, и она губительна. В отчёте верх воронки убыточен → его режут → спустя лаг проседает и низ, потому что брендовый поиск не берётся из воздуха, его кто-то должен был создать. Классический способ зарезать себе продажи, глядя в «объективный» отчёт.

Считаем на модели

Возьмём простую воронку из двух касаний. Канал A — охватная кампания (создаёт спрос, работает вверху). Канал B — брендовый/ретаргет (собирает уже прогретых внизу). 1000 покупок, у каждой был путь. Разложим одни и те же покупки по разным моделям атрибуции.

Пусть реальные пути такие (это вход модели, помечаю честно):

• 400 покупок: касание только B (пришли по бренду сами, A их не касался);
• 100 покупок: касание только A (увидели охват, купили без брендового догона);
• 500 покупок: сначала A, потом B (охват создал спрос, бренд/ретаргет закрыл).

Теперь смотрим, кому разные модели припишут эти 1000 покупок.

Модель	Заслуга канала A (верх)	Заслуга канала B (низ)
Last-click (последнему касанию)	100	900
First-click (первому касанию)	600	400
Linear (поровну между касаниями)	350	650
Position-based 40/20/40	350	650

Одни и те же 1000 покупок. По last-click канал A принёс 100 продаж, по first-click — 600. Разница в шесть раз — следствие одного только выбора правила деления заслуги. Округление и «погрешность атрибуции» тут ни при чём. Если вы платите бонус команде по last-click, канал A выглядит кандидатом на отключение. Отключаете — и теряете те 500 покупок «A→B», где охват был обязательным первым звеном. В отчёте следующего месяца это прилетит как падение брендового поиска, и виноватым назначат совсем другой канал.

Замечание Position-based и linear не «правильнее» last-click. Они просто размазывают заслугу по другому произвольному правилу. Строки position-based и linear совпали не случайно: на путях из двух касаний схема 40/20/40 вырождается в 50/50 — среднего касания, которому положены 20%, здесь просто нет. Ни одна строка в таблице не измерила, что было бы, если бы канала A не было. А именно это — единственный вопрос, который имеет значение.

Почему «выбрать правильную модель» — неправильная постановка

Здесь обычно начинается спор, какая модель атрибуции лучше. Спор беспредметный: все модели отвечают на вопрос «как поделить», а бизнесу нужен ответ на вопрос «что изменится, если убрать канал». Это разные вопросы, и второй атрибуцией в принципе не решается.

Пример, где это видно без всякой математики: брендовый поиск. Last-click припишет ему гору продаж. Но большая часть этих людей уже вбила ваше название — они бы дошли до покупки и без объявления, просто кликнув на органическую выдачу. Заслуга рекламы здесь — только те продажи, которых без неё бы не случилось. Клики, прошедшие через объявление, в этот счёт не попадают автоматически. Это называется инкрементальность, и атрибуция к ней слепа по построению: она работает только с путями, которые уже случились.

Простыми словами Атрибуция считает, через какие двери прошли покупатели. Инкрементальность считает, скольких покупателей эти двери реально привели, а не просто оказались у них на пути.

Что измеряет вклад канала: эксперимент

Единственный способ узнать инкрементальный вклад канала — поставить эксперимент, в котором часть аудитории канал не видит, и сравнить группы.

• Holdout / PSA-тест. Выключаем канал (или показываем плейсхолдер) на случайной доле аудитории, смотрим разницу в конверсии между теми, кто видел, и контрольной группой. Разница — это инкремент. Так проверяют ретаргет и брендовый поиск, и результат регулярно неприятный: часть «заслуженных» продаж случилась бы и без показа.
• Geo-lift. Гео-эксперимент: в части регионов канал крутим, в сопоставимой части — нет, разницу выручки чистим статистикой (тот же принцип, что в A/B, только единица — регион). Рабочий инструмент для охватных каналов, которые нельзя разрезать по пользователю.
• Инкрементальность самого дорогого канала — в первую очередь. Мерить всё сразу не нужно. Начните с канала, в который льёте больше всего денег и которому last-click рисует лучшие цифры: там цена ошибки максимальная.

Чем плох этот метод (честно) Эксперименты стоят денег и времени: вы сознательно недопоказываете рекламу части аудитории и на время теряете часть выручки в контрольной группе — это плата за знание. Geo-lift шумит на малых объёмах и требует сопоставимых регионов, которых не всегда хватает. Holdout по брендовому поиску технически неудобно ставить. Идеальной чистоты не будет.

Чем хорош Это единственный метод из перечисленных, который отвечает на главный вопрос: что будет, если канал убрать. Одна честная цифра инкремента по дорогому каналу переигрывает любой красивый дашборд атрибуции.

Что с этим делать практику в понедельник

Если бюджета на эксперименты и data-driven атрибуцию нет — вот минимум, который снимает большую часть боли:

• Смотрите на коридор из моделей. Положите рядом last-click и first-click по каждому каналу. Канал, который по last-click «убыточен», а по first-click — герой, трогать нельзя без эксперимента: это ваш верх воронки. Расхождение моделей — это карта того, кто создаёт спрос, а кто собирает.
• Вынесите брендовый поиск в отдельную строку и не смешивайте с небрендовым. Его «заслуги» — самые спорные, и именно он раздувает last-click.
• Считайте лаг. Если после паузы охватного канала брендовый поиск падает через 2–4 недели — вы только что наблюдали инкрементальность бесплатно, самым болезненным способом.
• Для дорогого канала поставьте один holdout или geo-тест. Не ради науки — ради того, чтобы не резать бюджет вслепую по показаниям заинтересованной стороны.

Откуда числа Все значения в таблице и в примерах — модельная прикидка на round-числах для наглядности, не выгрузка из реального проекта. Ваши распределения путей будут другими — потому и стоит снять их у себя и посмотреть, насколько сильно расходятся модели именно в вашей воронке.

Где этот разбор не работает

• Короткий цикл, один канал, мало данных. Если у вас 50 заказов в месяц и один источник, вся эта история про мультитач избыточна — там атрибуция не проблема номер один.
• Оффлайн-конверсии и длинный B2B. Когда сделка закрывается руками в CRM через полгода, ни одна модель атрибуции клика туда не дотянется — там нужна сквозная аналитика до выручки, это отдельный разговор.
• Data-driven атрибуция (Markov / Shapley) не отменяет эксперимент. Она делит заслугу умнее — по вероятностям путей, — но вопрос у неё тот же: «как поделить». Инкремент из неё не достать. Лучше linear, но holdout не заменяет.

Краткие выводы

1. Last-click смещён систематически: хвалит низ воронки, топит верх. Так устроено само правило деления заслуги.
2. Любая модель атрибуции — произвольное правило деления заслуги. На одних и тех же 1000 покупок last-click и first-click разошлись в шесть раз.
3. «Что изменится, если убрать канал» отвечает только эксперимент — holdout или geo-lift. Начинать с самого дорогого канала.
4. Без бюджета на эксперименты — минимум это коридор из двух моделей (last- и first-click) и брендовый поиск отдельной строкой.

А какой моделью атрибуции размечен ваш дашборд прямо сейчас — вы её выбирали осознанно, или она досталась по умолчанию? Если по умолчанию — велик шанс, что вы уже год премируете не тот канал.