Атрибуция цепями Маркова — граф путей, который видит невидимое Last Click

Оба метода Data-Driven, но у них разный объект измерения.

Shapley value считает, на сколько в среднем вырастают конверсии, когда канал добавляется в любую возможную коалицию. Порядок касаний при этом игнорируется — модель меняет местами каналы в путях.

Цепи Маркова строят граф последовательности касаний и считают: насколько упадёт вероятность конверсии, если этого канала нет вообще. Порядок путей сохраняется — «Медийка → Директ → Conv» и «Директ → Медийка → Conv» обрабатываются отдельно.

Практический вывод: Shapley видит средний вклад канала вне зависимости от положения в пути; Маркова видит структурную роль канала в реальных последовательностях. Используем обе параллельно — расхождение между ними сигнализирует о sequence-зависимых эффектах.

Да — и это ключевое отличие цепей Маркова от большинства других моделей атрибуции.

Модель строит граф, где каждый канал — это состояние, а переходы между ними — вероятности, извлечённые из реальных путей пользователей. Последовательность важна: путь «Медийка → SEO → Директ → покупка» и путь «Директ → SEO → Медийка → покупка» дают разные вероятности переходов и, следовательно, разный вклад каждого канала.

Для сравнения: Last Click смотрит только на последнее касание и игнорирует весь путь. Shapley value учитывает наличие канала в путях, но меняет их порядок при расчётах. Цепи Маркова сохраняют реальную последовательность касаний — граф не переставляет шаги.

Практически это означает: если Медийка всегда первая в цепочках, которые заканчиваются конверсией, Маркова увидит, что без неё эти цепочки не запустились бы — и отдаст ей соответствующий вес.

Removal Effect (RE) канала — это относительное падение вероятности конверсии при его удалении из модели.

Формула: RE(i) = 1 − (conv_rate_without_i / conv_rate_baseline)

Если базовая конверсия 3%, а без Медийки стала 2,1% — RE(Медийка) = 1 − 2,1/3,0 = 30%.

Итоговая доля канала = RE(i) / Σ RE(j) — нормированный Removal Effect по всем каналам.

Математическая основа — поглощающие цепи Маркова. Статес-граф включает Start, каждый канал, Conv (поглощающее) и Null (поглощающее). Из матрицы переходов вычисляется фундаментальная матрица N = (I − Q)⁻¹, из которой получают вероятность поглощения состоянием Conv. При удалении канала его строка и столбец исключаются, вероятности перераспределяются в Null.

Нет академически заверенного порога — но практика называет два ориентира:

- 300+ конверсий в месяц — минимум для стабильной матрицы переходов первого порядка. - Каждый переход канал → канал должен встретиться в 50+ путях, иначе вероятность нестабильна.

При меньшем объёме модель деградирует к Linear — технически работает, но без информационного преимущества. Рекомендуем стартовать с Linear и переходить на Маркова при выходе на устойчивые объёмы.

Первый порядок означает: вероятность следующего шага зависит только от текущего канала, а не от всей истории. Это упрощение реального поведения — в жизни «SEO после Медийки» и «SEO напрямую из Start» могут вести себя по-разному.

Академические исследования (Anderl et al., 2016) показывают, что 3-й порядок обычно даёт лучшие результаты, чем 1-й — но требует экспоненциально больше данных. При 5 каналах модель 3-го порядка имеет 5³ = 125 возможных состояний против 5 у 1-го порядка.

Практика DataGo: используем 1-й порядок как устойчивую базу. При достаточном объёме данных предлагаем тест 2-го порядка. Разница на реальных наборах данных часто меньше ожидаемой.

Да — это рекомендованная практика DataGo. Типичный набор атрибуций на одном дашборде:

- Last Non-Direct Click (LNDC) — для сходимости с рекламными кабинетами (Директ, ВКонтакте) - Цепи Маркова — data-driven, учитывает структуру путей - Funnel-Based Attribution — data-driven, учитывает сложность шагов воронки

Если Маркова и FBA согласны по каналу — решение по бюджету уверенное. Если расходятся — исследуем: скорее всего, канал имеет sequence-зависимый эффект, который одна из моделей не улавливает.