Маркетинг‑атрибуция: мульти‑тач модели и точность трекинга

Сцена: где рушится “идеальный” отчет

Команда урезала расходы на видео и инфлюенсеров. Last‑click отчеты не заметили потери. Через месяц упал MQL, через три — LTV и ROMI. Повысили ставки в перформансе — стало дороже, но не лучше. “Атрибуция врёт?” — нет. Она просто видит не всё.

Последний клик звучит ясно и просто. Мульти‑тач кажется умнее, но не волшебной палочкой. Истина не в одной кнопке. Она в дисциплине данных, тестах и понимании смещений.

Плюс новая реальность: меньше cookies, меньше ID, больше шумов. Нам нужны безопасные сигналы и новые методы измерения. Советы от Google здесь очень полезны: посмотрите про измерение в мире приватности.

В этой статье — живая карта: быстрый чек‑лист точности, честный разбор MTA‑моделей, таблица решений, короткие кейсы, блок про iGaming, план 30‑60‑90 дней и ссылки на первоисточники.

Быстрый чек‑лист: симптомы плохой атрибуции

• Всегда один “герой‑канал”. Остальные будто не нужны.
• Сменили UTM‑метку — вклад канала резко “вырос”. Логики нет.
• В аналитике одно, в CRM другое. GAP > 10–15% и растёт.
• Отчет меняется при любой мелочи: фильтре, экспорте, новом теге.
• Поведение не повторяется при одинаковых действиях.

Что проверить за 24 часа

• UTM‑гигиена: единые правила, реестр значений, автопроверка.
• Дубли событий: нет ли двойных “purchase” и “lead”?
• gclid/fbclid/ttclid не теряются при редиректах и параметрах.
• Consent Mode v2 включён. Настроены режимы и пороги.
• Директ не съедает типовые кампании (last non‑direct корректен).
• Порядок триггеров в GTM не ломает последовательность касаний.

Что мы правда измеряем: кредит vs прирост

Атрибуция делит “кредит” между касаниями. Но кредит — не то же, что прирост (uplift). Канал мог присутствовать в пути, но не быть его причиной. Поэтому MTA даёт распределение, а не ответ на “сколько дал прирост”.

Когда важна причинность, нужны эксперименты: geo‑holdouts, PSA/ghost‑ads, conversion lift. Часто их сочетают с MMM для портфельных решений и с MTA для тактики. Хороший обзор подхода к измерению дал BCG: маркетинговое измерение в мире приватности.

Зрелая система — это слои: MTA для распределения бюджета внутри каналов, эксперименты для причинности, MMM для баланса между каналами и офлайн‑медиа.

Точность трекинга: сначала провода, потом модели

Если сигналы плохие, модель не спасёт. Начните с транспорта данных.

• Client‑side vs server‑side. Сервер‑сайд снижает потери, даёт контроль и стабильность. Посмотрите разбор от Симо Ахавы: сервер‑сайд трекинг в GTM и официальную документацию Google по server‑side тегированию.
• Enhanced Conversions, Conversions API, offline imports. Передавайте хэши email/телефона по согласию. Для соцсетей — Conversions API от Meta.
• Privacy Sandbox и iOS. Для веба изучите Attribution Reporting API. Для iOS — SKAdNetwork документация.
• Идентификация: first‑party домен, стабильные client_id, правила сшивки user_id, дедупликация веб/сервер.
• Согласия и закон. Проверьте баннер, журнал согласий, сроки хранения. Справка ICO по практике — руководство ICO по cookies и аналитике.

Процесс должен быть скучным и строгим: схема имен событий, версии, валидации, регресс‑чек листы перед каждым релизом, еженедельный аудит “что сломалось и когда”.

Мульти‑тач модели в одном взгляде

Быстрая шпаргалка, без мифов. Смотрите, где какая модель даёт смысл, что ей нужно, где она врет и как проверять uplift.

Мифы и реальность

• “Data‑driven решит всё.” Нет. Он силён при хорошем сигнале и объёме. Иначе даст шум с точными знаками.
• “Линейная — справедливая.” Она удобна, но прячет драйверы роста.
• “Последний клик умер.” Нет. Это baseline и контрольный срез. Просто не единственный.
• “Можно строить MTA без дисциплины данных.” Нельзя. Сначала провода, потом формулы.

Полевые заметки: как поднять точность без смены модели

• Навели порядок в UTM и склейке direct. Ошибка ушла на −12 п.п., CAC −8% при тех же ставках.
• Ввели server‑side для ключевых платформ и dedup веб/сервер. Конверсии в платформах ближе к CRM, расхождение 5–7% вместо 20%.
• Добавили авто‑валидатор схемы событий и алерты на “тихий” дроп. Подсмотрели идеи в фреймворк качества данных событий. Выросла стабильность, меньше ложных “эффектов”.

Модели на практике: коротко и честно

В GA4 доступны разные модели, но важно понять, зачем какая. Посмотрите справку: модели атрибуции в Google Analytics 4.

Last non‑direct — база. Хорош как контроль. Но он завышает низ воронки и бренд. Time‑decay честнее, если цикл не длинный и “свежесть” контакта важна. Позиционная помогает, когда первый контакт и завершающий шаг сильны, а середина даёт ассист. Линейная — компромисс, чтобы временно снять жар споров.

Data‑driven в двух популярных формах: Шепли и Марков. Шепли делит вклад по комбинаторике. Марков смотрит на переходы между шагами и исключает каналы, чтобы увидеть дельту пути. Для старта поиграйте с open‑source: Марковская атрибуция в R. Обзор методов — у Anderl и коллег: обзор онлайн multi‑touch атрибуции. Также полезен гайд IAB по multi‑touch атрибуции.

Когда “достаточно данных”? Грубое правило: от ~500–1 000 конверсий в месяц на выбранное событие и стабильная схема за 3–6 месяцев. Меньше — держите простую модель, а прирост проверяйте экспериментами.

iGaming, аффилиаты и ревью: где легко ошибиться

В iGaming много аффилиатов, бонус‑хантеров, ограничения по регионам и строгий анти‑фрод. Цикл LTV длинный, важен ретеншн и второй депозит. Трафик из обзоров часто приходит “горячим”. В last‑click такой трафик выглядит сверхэффективным. В линейной — может потерять часть роли. В позиционной или time‑decay видно чуть честнее: первый контакт и финал учитываются сильнее.

Независимые обзоры и сравнения играют заметную роль. Например, подборки типа Best NFL Betting Sites приводят аудиторию с явным намерением. Чтобы не переоценить или не занизить вклад таких источников, держите две модели параллельно (позиционная и time‑decay), а затем сверяйте по ретеншн‑когортам: частота депозитов, доля NGR по 30/60/90 дням, доля фрода.

Комплаенс важен: корректные согласия, хранение данных, отчеты по регуляторам. Вносите события от AML/anti‑fraud в аналитику, чтобы чистить кредит у подозрительных путей.

Эксперименты и альтернативы к MTA

• Geo‑holdouts: отключите канал в части регионов. Смотрите дельту в продаже/депозите.
• Lift‑тесты в платформах (если доступны): ретаргет, видео, верхняя воронка.
• MMM: уместно при больших бюджетах, офлайн‑медиа и длинных лагах. Совмещайте с MTA.
• Для вдохновения по стеку и процессам оценок посмотрите Nielsen Attribution.

План 30‑60‑90: без паники, по шагам

30 дней

• Аудит событий, UTM‑справочник, правка редиректов и параметров (gclid/fbclid/ttclid).
• Включить Consent Mode v2, проверить поведение при разных согласиях.
• Добавить алерты на дроп трафика и конверсий, журнал изменений.

60 дней

• Запуск server‑side для ключевых платформ. Дедуп веб/сервер.
• Enhanced Conversions/СAPI, импорт офлайн‑сделок из CRM.
• Гигиена окон атрибуции, единые правила first/last.

90 дней

• Пилот data‑driven (Шепли/Марков) на стабильной воронке.
• Мини‑эксперименты по инкрементальности: паузы ретаргета, частотные капы.
• Сверка моделей с ретеншн‑метриками и LTV‑кохортами.

Анти‑паттерны: что ломает правду

• Менять окна атрибуции “под результат”.
• Смешивать brand и non‑brand в одном отчёте.
• Не логировать релизы, а потом искать “призраков”.
• Игнорировать ботов и фрод, кормить ими модели.
• Просить модель ответить на вопрос про uplift без экспериментов.

FAQ — частые вопросы

Нужно ли всем идти в data‑driven? Нет. Если мало данных, держите простую модель, а прирост проверяйте тестами.

Как понять, что пора менять модель? Когда сигнал стабилен, а решения упираются в пределы текущей. Делайте A/B сравнение моделей на истории и новых кампаниях.

Как бороться с разрывом между платформами и CRM? Server‑side, дедуп, offline‑импорт, единый user_id. Сведите расхождение к 5–10% и фиксируйте правила.

Можно ли смешивать MTA и MMM? Да. Это нормально: MMM для портфеля и долгих эффектов, MTA для тактики и частоты.

Методология, автор и ограничения

Что считаем “точностью”: стабильность путей, совпадение с CRM в пределах 5–10%, воспроизводимость отчёта после релизов, подтверждение uplift через тесты.

Опыт автора: 9+ лет в аналитике и перформанс‑маркетинге, кейсы в eCom, финтех и iGaming; сертификации Google/Meta; доклады на внутренних митапах. Контакты для замечаний — в редакполитике сайта.

Ограничения: данные и API меняются. Проверяйте версии SKAN и статус Privacy Sandbox перед внедрением. Это не юр. консультация. Учитывайте местные правила приватности и рекламы.

Дата обновления: март 2026.

Что сделать завтра

• Починить UTM и direct. Добавить проверки на дубли событий.
• Включить Consent Mode v2 и спланировать сервер‑сайд.
• Выбрать временную модель (time‑decay или позиционную) и наметить первый uplift‑тест.

Полезные заметки напоследок

Не спорьте о “единственно верной” модели. Держите baseline, рабочую модель и план опытов. Меряйте не только кредит, но и прирост. Отлаживайте провода. И не стесняйтесь ссылаться на первоисточники — они сэкономят месяцы и бюджеты.