Multi-touch и инкрементальная атрибуция: в чём разница и почему это важно для маркетингового бюджета

Коротко. Multi-touch attribution (MTA) показывает, какие каналы присутствовали на пути пользователя до конверсии, и распределяет между ними «кредит». Инкрементальная атрибуция отвечает на другой вопрос: что из этого реально повлияло на решение о покупке? Разница принципиальная — MTA описывает историю, инкрементальная атрибуция устанавливает причину. Команды, которые путают эти задачи, систематически перераспределяют бюджет в пользу каналов, которые «присутствовали», а не тех, которые реально создавали спрос.

---

Дискуссия о multi-touch vs инкрементальной атрибуции стала горячей темой среди маркетинговых аналитиков. Причина не в модных трендах — в деньгах. Ошибка в выборе подхода приводит к тому, что бюджет уходит в каналы, которые подбирают уже созревший спрос, а каналы, которые этот спрос создают, получают меньше.

В этой статье разберём, почему MTA-модели не решают проблему с корнем, когда нужна инкрементальная атрибуция — и как это работает на практике в рамках платформы сквозной аналитики DataGo.

Что такое multi-touch attribution и в чём её реальное ограничение

Multi-touch attribution (MTA) — класс моделей атрибуции, которые распределяют ценность конверсии между несколькими точками касания в пути пользователя. В отличие от last-click, который отдаёт 100% кредита последнему каналу, MTA делит его между несколькими: первым касанием, ассистирующими каналами, закрывающим каналом.

Существуют разные подходы к распределению кредита:

• One-click модели (first-click, last-click, LNDC) — упрощённые: 100% уходит одному каналу.
• Rule-based multi-channel модели (linear, time-decay, U-shaped, position-based) — делят кредит по фиксированным правилам.
• Data-driven модели (Shapley, цепи Маркова, funnel-based) — рассчитывают вклад канала на основе статистики реальных путей пользователей.

Марковские цепи, например, строят вероятностную модель пути: если убрать канал X из цепочки, как изменится вероятность конверсии? Shapley-value приходит из теории игр и рассчитывает «справедливый» вклад каждого участника коалиции. Это значительно лучше, чем last-click.

Но у всех MTA-моделей есть общее ограничение: они описывают корреляцию, а не причинность.

Марков скажет: «канал X часто встречается в путях, которые заканчиваются конверсией». Но он не ответит: «если мы уберём канал X, уменьшится ли количество конверсий?» Это разные вопросы — и они требуют разных инструментов.

Чем инкрементальная атрибуция отличается от MTA

Инкрементальная атрибуция ставит другой вопрос: что произошло бы, если бы этого канала не было? Это контрфактуальный вопрос, и именно он нужен для принятия бюджетных решений.

Ответить на него сложнее, чем просто посмотреть на пути пользователей. Нужно либо провести эксперимент (выключить канал в одном регионе, сравнить с контрольным), либо использовать структурные модели, которые учитывают направленность причинно-следственных связей.

На практике инкрементальные подходы в маркетинге — это:

1. Гео-тесты и инкрементальные эксперименты. Разделить аудиторию или географию на тестовую и контрольную группы, включить/выключить канал, измерить разницу в конверсиях. Это классический lift-тест. Результат — incremental ROAS: сколько дополнительных конверсий дал канал сверх тех, что были бы без него.

2. Marketing Mix Modelling (MMM). Статистическая модель, которая объясняет динамику продаж через набор факторов: расходы на каналы, сезонность, внешние события. MMM работает на агрегированных данных (не индивидуальных путях) и позволяет оценить вклад каждого канала в продажи с поправкой на другие факторы.

3. Структурные каузальные модели (SCM / DAG). Явное задание причинно-следственного графа: сезонность влияет на спрос, спрос влияет на брендовый поиск, медийка влияет на спрос. Зная структуру графа, можно корректно оценить вклад каждого звена через метод бэкдор-поправки — без путаницы корреляции и причинности.

Эти подходы дороже и сложнее, чем MTA, но они отвечают на вопрос, который реально волнует маркетолога: «Если я увеличу бюджет на YouTube на 20% — что произойдёт с продажами?»

Почему команды продолжают использовать last-click, даже зная о его недостатках

Большинство маркетологов понимают, что last-click — плохая модель. Но причины, по которым к ней возвращаются, не технические — операционные.

Last-click понятен финансовому директору. «Этот канал привёл X конверсий, потратили Y, CPO = Z» — отчёт, который объясняется за две минуты. MTA с Shapley требует объяснения теории игр, инкрементальная атрибуция — контрфактуалов. Продать это внутри компании сложнее.

Яндекс.Директ, VK Реклама, MyTarget по умолчанию считают в последний клик. Переключиться требует усилий — а когда кабинетов десять, каждый со своей логикой, переключать всё становится отдельным проектом.

Ещё одно: Марков и Shapley дают стабильный результат при тысячах конверсий в месяц. При меньших объёмах модели начинают шуметь, и команды разумно откатываются к чему-то более предсказуемому.

Как выбрать модель атрибуции под конкретную задачу

Нет «правильной» модели атрибуции на все случаи — есть задача и инструмент, который лучше всего на неё отвечает.

Хочется понять, какие каналы важны в воронке — берите data-driven MTA: funnel-based, Shapley или Markov. Честнее rule-based моделей, хорошо показывает ассистентов и структуру пути.

Хочется решить, увеличить или срезать бюджет на канал — нужна инкрементальная оценка. Минимум: lift-тест с контрольной группой. Если объём позволяет — MMM. MTA здесь не поможет: она не скажет, что произойдёт при изменении расходов.

Отчёт для CFO? Last-click или linear — для наглядности. Параллельно внутри команды держите data-driven модель. Разные модели для разных аудиторий — нормально, не надо выбирать одну на всё.

Медийка — отдельная история. MTA её плохо видит, если нет post-view трекинга. Здесь нужен lift-тест или MMM. DataGo поддерживает post-view аналитику — это отдельный класс задач, не performance.

Задача	Рекомендуемый подход	Почему
Структура воронки, ассистенты	Shapley / Markov / Funnel-based	Data-driven распределение кредита
Решение по бюджету канала	Инкрементальный тест, MMM	Нужна причинность, не корреляция
Отчётность для CFO	Last-click / Linear	Простота объяснения
Вклад медийки	Post-view + Lift-test	MTA не видит медийку без трекинга

Funnel-based атрибуция: компромисс между сложностью и точностью

DataGo использует funnel-based атрибуцию как основную модель — и это осознанный выбор, а не компромисс.

Funnel-based атрибуция строится на реальной структуре воронки клиента: какие этапы проходит пользователь, какие каналы работают на каждом этапе. Это не абстрактная теоретическая модель, а модель, которая учитывает специфику бизнеса.

Например, для интернет-ритейлера воронка выглядит иначе, чем для B2B-сервиса. Медийная реклама работает на верхнем уровне (знание и рассмотрение), ретаргет — на нижнем (возврат и конверсия). Funnel-based модель учитывает эту структуру: каналы верхней воронки получают кредит за создание спроса, нижней — за конверсию.

В отличие от Shapley, funnel-based атрибуция требует меньшего объёма данных для стабильного результата. В отличие от Markov, она напрямую встраивается в бизнес-логику воронки, а не просто обнаруживает статистические паттерны путей.

Shapley и Markov при этом не отменяются — они хороши как кросс-проверка и для сегментов с высоким объёмом данных. DataGo поддерживает все три модели в разделе атрибуций, и на практике их часто запускают параллельно, сравнивая результаты.

Это и подводит к вопросу, который всё чаще возникает в разговорах с вендорами: что вообще стоит за термином «инкрементальная атрибуция»?

Почему «инкрементальная атрибуция» — это не просто маркетинговое слово

Термин «инкрементальная атрибуция» сейчас активно используется вендорами — и это создаёт путаницу.

Настоящая инкрементальная атрибуция требует либо случайного эксперимента (рандомизированное отключение канала), либо строгого статистического метода идентификации причинно-следственного эффекта (инструментальные переменные, разрывы в дизайне, структурные модели с DAG). Это сложно, дорого и требует данных.

«Инкрементальная атрибуция» как маркетинговый термин у некоторых вендоров означает просто более сложную MTA-модель с лучшим распределением кредита — Shapley или Markov. Это лучше, чем last-click, но строго говоря, не является инкрементальной в методологическом смысле.

Разница на практике: если вендор говорит «наша инкрементальная атрибуция покажет реальный вклад каждого канала», спросите: «Проводите ли вы эксперименты или используете структурные модели?» Если ответ — «нет, мы используем Shapley» — это честный ответ, но это всё ещё MTA, пусть и продвинутая.

Что это значит для ежедневных решений по бюджету

MTA — инструмент для диагностики воронки. Для решений об изменении бюджета между разными типами каналов (медийка vs performance, верхняя воронка vs нижняя) нужны инкрементальные данные или MMM.

Это не значит, что без экспериментов нельзя ничего решать. Иногда нет ни времени, ни объёма. Но важно понимать, на чём стоит решение: на описании прошлого или на оценке будущего эффекта. Разница между этими двумя вопросами — это и есть разница между хорошей атрибуцией и красивым отчётом.

DataGo поддерживает funnel-based и data-driven атрибуцию для анализа воронки, post-view трекинг и гео-отчёты для приближения к инкрементальному анализу медийки. Все данные — в ClickHouse в инфраструктуре клиента.