---
title: "Last-click врёт, а вы платите ему зарплату: как атрибуция назначает не тех героев"
canonical_url: https://evstygney.ru/articles/last-click-attribution/
date_published: 2026-07-08
date_modified: 2026-07-08
author: Егор (https://evstygney.ru/about/)
summary: "Как last-click систематически хвалит низ воронки и топит охваты: числовая модель, коридор из нескольких моделей атрибуции и где всё это ломается."
tags: ["Отчёты и аналитика"]
---

# 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.

---
Автор: Егор, маркетинг на языке денег. Telegram: https://t.me/evstygney_ru. Все цифры — модельные прикидки, если не сказано иное.