Почему последний клик ломает AI атрибуцию каналов
Правило последнего касания отдаёт всю конверсию одному источнику — тому, что оказался в цепочке непосредственно перед заявкой. В типичном пути это брендовый поиск или показы по уже прогретой аудитории, тогда как первый контакт дал совсем другой канал. Сквозная аналитика при этом может быть собрана корректно: данные о касаниях сходятся, визиты склеены по пользователю, отчёты строятся. Но распределение вклада канала расходится с реальностью, и решения о перераспределении усилий принимаются по искажённому сигналу.
Второй слой проблемы — разметка источников. Расхождения в регистре и написании меток, ручные правки в кампаниях, потерянные идентификаторы переходов разбивают один канал на десятки строк, а часть трафика уходит в «прямые заходы». AI атрибуция каналов на таком входе обучается на шуме: модель уверенно воспроизводит ошибки разметки и закрепляет их в весах.
Цена ошибки проявляется не сразу. Отключают верх воронки, режут охватные форматы, наращивают показы по тёплой аудитории — и через цикл видят падение общего числа конверсий при формально хорошей отдаче по каждому оставленному каналу. Метрика измеряла позицию в цепочке, а не вклад канала.
Разбираем, как это закрывается: от единого контура касаний и нормализации разметки до расчёта вклада канала методами кооперативной теории игр, устойчивыми к неполным данным.
Что даёт модельное распределение вклада каналов
Атрибуция перестаёт быть спором о последнем клике: вклад каждого касания считает модель распределения, а не назначенное вручную правило. Ниже — четыре эффекта, которые видно в цифрах на витрине.
Доля верно распределённых конверсий
Метод Shapley перебирает коалиции касаний и отдаёт каналу ровно тот вклад, на который меняется вероятность конверсии при его добавлении или изъятии. На размеченной истории модель сходится с контрольными группами там, где правила последнего клика ошибались системно: доля корректно распределённых конверсий растёт, а неучтённый остаток перестаёт висеть на брендовом трафике.
Скорость пересчёта витрины
Веса пересчитываются инкрементально: новое окно касаний добавляется к уже посчитанным коалициям, полный прогон нужен только при смене схемы разметки. Витрина обновляется тем же темпом, что и данные о расходе, — отчёт не отстаёт от решений по бюджету, а пересчёт после правки данных идёт минутами, не ночным прогоном.
Меньше ручных сверок
Расхождение между витриной и выгрузкой из рекламных систем объясняется журналом расчёта модели: видно, какое касание получило вес и по какому правилу. Аналитик не сводит цифры вручную, а проверяет конкретные спорные цепочки — число ручных сверок падает в разы.
Ушедший класс ошибок в отчётности
Раньше часть конверсий задваивалась при склейке касаний и оседала на последнем источнике. Теперь модель распределяет их между всеми участниками цепочки, а языковая модель размечает смысл касания — кампанию, креатив, тип запроса — и убирает дубли по смыслу, а не по строке.
Форматы внедрения AI атрибуции: сравнение подходов
Выбор модели атрибуции — это компромисс между точностью распределения вклада и требованием к объёму данных. Одна и та же цепочка касаний при разной логике даёт разные выводы о том, какой канал приносит выручку, поэтому модель подбирают под структуру маршрута и качество истории сделок.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| Правило последнего касания | Короткий путь до сделки, один решающий контакт | Преувеличивает роль закрывающих каналов, вклад промежуточных обнуляется |
| Позиционная модель | Явные вход и закрытие, нужен объяснимый отчёт | Веса задаются вручную и не пересчитываются по данным |
| Марковские цепочки | Длинные многоканальные маршруты, много сделок с полной историей | Чувствительна к пропускам в данных, критична к объёму выборки |
| Модель Шепли | Каналы пересекаются, нужна честная оценка вклада в комбинации | Число сочетаний растёт лавинообразно, нужна аппроксимация выборкой |
| Гибрид с языковой моделью | Есть офлайн и брендовые касания, важен контекст обращения | Требует сверки с базой по данным, дороже в сопровождении |
На практике берут не одну строку, а связку: правило последнего касания как контроль, марковские цепочки для перераспределения вклада, модель Шепли там, где каналы дублируют друг друга, и гибрид — для касаний, которые не фиксируются как клик. Первый шаг — замер: сколько сделок в истории имеют полный маршрут. От этой доли зависит, можно ли строить вероятностные модели или пока стоит на позиционной.
Как мы внедряем: этапы инженерной работы
Атрибуция ломается не на модели, а на входных данных: расходящиеся идентификаторы, потерянные касания, конверсии без источника. Поэтому работа идёт последовательно — от аудита данных к приёмке решения, и на каждом шаге остаётся артефакт, по которому видно результат.
- Аудит данных и разметки. Сводим источники событий — рекламные системы, веб- и мобильную аналитику, CRM — сверяем ключи, часовые пояса и глубину хранения. Считаем долю касаний без опознанного пользователя, дубли и разрывы сессий, фиксируем, какие конверсии вообще можно связать с источником.
- Схема идентификации пользователя. Описываем склейку цепочек: точные связки по идентификатору на авторизованных сессиях, вероятностные — на анонимных, с порогом уверенности и сроком жизни связки. Схема определяет, сколько касаний реально попадает в путь клиента, — от неё зависит качество всей AI-атрибуции.
- Сборка модели. Распределяем вклад между касаниями через значения Shapley — канал получает долю, а не весь кредит последнему клику. Отдельно настраиваем окно конверсии, офлайн-касания и правила для повторных покупок.
- Проверка на исторических срезах. Прогоняем модель на закрытом периоде и сверяем с фактическими данными и с привычной моделью последнего касания. Смотрим, устойчивы ли оценки каналов месяц к месяцу и где расхождения объяснимы.
- Калибровка и регламент пересчёта. Уточняем веса на контрольных точках, задаём расписание пересчёта и правила реакции на изменение источников данных, чтобы оценки не «плыли» после правок в разметке.
- Приёмка решения и передача. Проверяем метрики на согласованных сценариях, отдаём доступы, описание полей и порядок разбора расхождений. Дальше команда заказчика ведёт расчёты самостоятельно.
Модель, схемы данных и регламент: что остаётся у вас
Атрибуция — не разовый отчёт, а воспроизводимый расчёт: когда меняется набор каналов или появляется новый источник касаний, модель должна пересчитываться по тем же правилам, а не собираться заново по памяти аналитика. Поэтому результат проекта по AI-атрибуции мы сдаём комплектом артефактов, каждый из которых можно открыть, проверить и передать новому инженеру.
Ниже — что остаётся в вашем контуре после запуска.
- Обученная модель с описанием признаков: какие касания входят в расчёт, в каком окне учитываются, на каких данных проверялась устойчивость вклада каналов.
- Схема потока данных: от источников событий до витрины расчёта, с точками агрегации и расписанием загрузок.
- Словарь метрик: однозначные определения — что считаем конверсией, как отделяем новых клиентов от повторных, где граница окна атрибуции.
- Правила обработки пропусков: что делаем с недоставленными событиями, дублями и обрезанными сессиями, пока они не исказили вклад канала.
- Регламент пересчёта: периодичность, условия внепланового запуска, порядок сверки результата и отката к предыдущему расчёту.
- Инструкции для команды: обновление данных, добавление канала, разбор расхождения между отчётностью и моделью.
Приёмка идёт на ваших данных: пересчёт прогоняется по регламенту вместе с вашей командой, чтобы расхождения всплыли при передаче, а не через месяц в отчётности.
Кейс: распределение бюджета на модели Шепли
До внедрения атрибуции путь клиента собирался из трёх несвязанных систем: рекламных кабинетов, веб-аналитики и CRM. Расхождение по числу конверсий доходило до 13%, а каждая седьмая сделка была спорной — каждая система записывала результат на свой канал, и разбор шёл вручную.
Что изменили
Свели касания в единое хранилище и пересчитали вклад каналов на модели Shapley: она делит результат между всеми точками контакта, а не отдаёт его последнему клику. Неструктурированные касания — звонки, письма, чаты — размечает языковая модель, поэтому в распределении участвуют сделки, которых раньше не было в веб-данных.
Что стало с метриками
Доля расхождений между отчётами сократилась до 2%, спорные конверсии упали с 14% до 2% — вместо ручных разборов работает одно правило распределения. Полный пересчёт витрины занимает десятки минут вместо ночного окна в несколько часов, поэтому отчётность обновляется в течение дня, а не на следующее утро.
Логика планирования сместилась: каналы оценивают по вкладу в результат, а не по последнему касанию. Бюджет уходит туда, где модель показывает прирост на общей картине данных, а не там, где удобнее отчитаться отдельной системой.
Модель Шепли против марковских цепочек: что выбрать
Марковская цепочка делит вклад через переходы между касаниями: вклад канала — это падение вероятности конверсии при удалении его перехода из графа. Модель Шепли считает иначе — усредняет прирост по всем порядкам касаний, поэтому корректно учитывает синергию: два канала, работающие в связке, получают больше, чем каждый по отдельности.
Отсюда различия в устойчивости. Марковская модель надёжна на коротких путях и при малом числе конверсий — переходы оцениваются по всей истории. Расчёт Shapley перебирает все подмножества касаний, поэтому на практике идёт выборкой: доли устойчивы при достаточном объёме данных, но на разреженных сегментах заметно колеблются.
| Подход | Как делит вклад | Когда выбирать | Ограничения |
|---|---|---|---|
| Марковские цепочки | По падению вероятности конверсии при удалении перехода | Мало конверсий, короткие пути, нужна простая объяснимость | Слабо видит синергию каналов, чувствителен к порядку касаний |
| Модель Шепли | Средний прирост по всем порядкам касаний | Много конверсий, длинные многоканальные пути | Нужна выборка, доли колеблются на малых сегментах |
| Гибрид с языковой моделью | Признаки касаний из неструктурированных данных плюс распределение вклада | Звонки, чаты, офлайн-обращения в общем пути | Требует валидации разметки и контроля воспроизводимости |
Гибрид нужен там, где часть пути не оставляет числовых следов: языковая модель вытаскивает из звонков и переписки признаки касания — тему, этап, возражение — и приводит их к тому же вектору, что и цифровые касания. Дальше вклад делит уже знакомая математика, а не «последний клик».
Практическое правило выбора простое: сначала смотрим на объём конверсий и длину пути, затем на долю неструктурированных касаний. Малый объём и короткие пути — марковские цепочки; крупный поток и многоканальные цепочки — Шепли; заметная доля офлайна — гибрид. Мы обычно считаем оба распределения на одних данных и сверяем, где расхождение объяснимо, а где указывает на дыру в разметке.
Технические сомнения, которые снимаем до старта
Пять вопросов, которые всплывают на этапе оценки, — они не про выбор метода, а про то, что будет после запуска. Ниже короткие ответы; если ваш случай расходится с типовым, разберём его на ваших данных.
Данных о касаниях не хватает — что тогда?
Считаем на том, что есть, а касания без источника выводим отдельной строкой: она не размазывается по каналам и не маскирует пробелы в сборе. Расхождение журналов переходов с серверными логами выше порога — повод чинить сбор, а не подгонять веса.
Уже работает правило последнего клика — это придётся ломать?
Нет. Распределение вклада считается параллельно, отчёт по последнему клику остаётся как есть — вы видите оба и разницу между ними. Обычно она показывает каналы, которые закрывают сделку, но не создают спрос.
Сколько нужно истории?
Полный цикл сделки плюс запас на сезонность — на практике от полугода. На коротком окне веса шумят, поэтому старые периоды входят с меньшим весом: смена микса не искажает текущую картину.
Что будет, когда появится новый канал?
Он входит в разметку без переобучения: веса пересчитываются на общей выборке, источник получает долю по вкладу в конверсию. Первые недели идёт с пометкой «мало данных» — выводы по нему до накопления касаний не делаем.
Кто отвечает за разметку после запуска?
Мы передаём схему разметки, правила именования источников и валидатор, который ловит неизвестные параметры на входе. Дальше разметку ведёт ваша команда, а мы на поддержке: правим правила, когда меняется рекламный контур.
Обсудим задачу и вернёмся с планом работ
Оценка AI-атрибуции опирается на данные, а не на описание задачи в общих словах. Чтобы разложить вклад каналов через Shapley и не упереться на первом шаге в неполные выгрузки, нужно заранее увидеть структуру источников и ограничения по их обработке. Ниже — минимальный набор, которого достаточно, чтобы вернуться с планом работ.
- Доступы к данным — выгрузки из рекламных кабинетов и веб-аналитики за сопоставимый период, доступ на чтение к хранилищу либо регулярные отчёты по расписанию.
- Перечень каналов — какие источники считаем платными, какие вспомогательными, где кампании пересекаются по аудитории и вероятны наложения касаний.
- Текущая логика отчётности — по какой модели считают сейчас, какие срезы уходят в бизнес и с какой периодичностью.
- Целевые события и окно атрибуции — что считаем конверсией и сколько дней после касания учитываем.
- Ограничения по обработке данных — что нельзя выгружать за периметр, требования к обезличиванию и сроки хранения.
- Ответственные с обеих сторон — кто у вас отвечает за данные и приёмку, кто у нас — за модель и сверку результатов.
Если части данных пока нет, это тоже результат: отмечаем блокеры и строим план так, чтобы старт не ждал последнего доступа. Опишите задачу — вернёмся с оценкой, планом работ и порядком сверки новой модели с текущей отчётностью.
