Как читать модели атрибуции и какую выбрать под задачу

Одна заявка. Шесть разных «владельцев» в зависимости от того, какую модель атрибуции вы включили. Рассылка припишет себе клиента в одной модели, брендовый поиск - в другой, таргет - в третьей. Цифры в отчете меняются, а покупатель и его путь остаются теми же.

Для performance-маркетолога это не академический спор. Модель атрибуции решает, какому каналу достанется заслуга за конверсию, а значит - куда уйдет следующий бюджет. Выберете не ту модель по умолчанию - и срежете канал, который на самом деле приводил клиентов. Отчет покажет «этот источник не окупается», вы его отключите, а через месяц просядут и те каналы, что считались прибыльными.

Эта статья про сами модели: что каждая показывает, где искажает картину и какую брать под конкретную задачу. Без разбора кнопок в интерфейсе (где смотреть отчеты - отдельная тема) и без привязки к одному инструменту. Модели одинаковы и в GA4, и в Метрике, и в рекламных кабинетах, отличаются только наборы и названия.

Атрибуция: правило дележа, а не измерение

Модель атрибуции - это правило, по которому ценность одной конверсии делится между касаниями на пути клиента. Касание - любой контакт человека с вашим маркетингом: показ или клик по рекламе, переход из поиска, открытие письма, заход из соцсети.

Путь почти никогда не одношаговый. Маркетолог из Казахстана запускает онлайн-школу. Будущий ученик увидел таргет в ленте в понедельник, через два дня загуглил название школы и зашел на сайт, в пятницу открыл письмо из рассылки и оплатил курс. Кто привел этого клиента - таргет, поиск или рассылка? Честный ответ: все трое, в разной степени. Но отчет требует одну цифру на канал, и модель эту цифру назначает.

Вот в чем подвох. Модель не описывает происходящее. Она выбирает, кому записать заслугу по заранее заданному правилу. Поменяете правило - и из одних и тех же данных получите другое распределение, другой «лучший» канал и другое решение по бюджету.

Чем длиннее путь, тем сильнее модель огрубляет картину. По оценке Peel Insights, 92-95% посетителей интернет-магазина не покупают при первом визите. Если почти каждая продажа собирается из нескольких касаний за дни или недели, то любая модель, которая отдает весь вес одному касанию, искажает картину по определению.

Делюсь практикой и разборами по performance‑маркетингу
подписаться → @marataxanov

Шесть моделей и кого каждая перехваливает

Исторически маркетологи работали с шестью моделями. Часть из них уже убрали из инструментов (об этом ниже), но как способ рассуждать о вкладе канала они нужны все.

Последний клик (last-click, точнее last non-direct)

Весь вес уходит последнему непрямому касанию перед конверсией. Прямые заходы пропускаются, если только весь путь не состоит из них одних. Эта модель перехваливает закрывающие каналы - брендовый поиск, ретаргетинг, письмо с промокодом. Все, что разогревало спрос раньше, получает ноль.

Первый клик (first-click)

Зеркальная крайность: весь вес первому касанию. Перехваливает каналы знакомства - холодный таргет, медийную рекламу, YouTube. Слепа к тому, что дожало клиента до оплаты.

Линейная (linear)

Делит заслугу поровну между всеми касаниями. Никого не выделяет, и в этом ее слабость: касание, которое привело клиента, и случайный показ по дороге весят одинаково.

Затухание по времени (time-decay)

Дает больше веса касаниям ближе к конверсии и меньше - ранним. Системно недооценивает верх воронки и тех, кто создает спрос за недели до сделки.

По позиции (position-based, U-образная)

Отдает 40% первому касанию, 40% последнему и 20% всему, что между. Числа выбраны по соглашению, а не измерены: почему 40, а не 35 или 50, модель не обосновывает.

На основе данных (data-driven, DDA)

Распределяет вес по фактическим данным аккаунта, а не по фиксированному правилу. Алгоритм сравнивает пути, которые привели к конверсии, с похожими путями без нее, и оценивает, насколько каждое касание поднимало вероятность покупки. Касание, после которого клиенты конвертируются чаще, получает больше веса. Формально это вероятностная модель: она смотрит, как присутствие касания меняет шанс довести человека до следующего шага и до покупки, и опирается на математику переходов между состояниями (цепи Маркова). Минусов два. Первый - модели нужен объем: Google рекомендует для устойчивого расчета порядка 200 конверсий и около 2000 касаний в месяц, ниже этого порога оценки скачут. Второй - расчет завязан на экосистему Google и ее сигналы, а сама модель не показывает, почему распределила вес так, а не иначе, проверить ее логику руками нельзя.

Как одна заявка делится между моделями

Теория проще всего проверяется на одном пути. Возьмем клиента интернет-магазина из Армении. Его путь до покупки: сначала клик по таргету в Instagram, через день переход из контекстной рекламы по запросу с категорией товара, еще через два дня заход из брендового поиска и оплата. Три касания подряд: таргет, контекст, брендовый поиск.

Одна и та же покупка делится между моделями так:

• Первый клик отдает все таргету. Контекст и брендовый поиск получают ноль, хотя они были ближе к оплате
• Последний клик отдает все брендовому поиску. Таргет, который привел человека впервые, обнулен
• Линейная дает каждому касанию по трети: и таргету, и контексту, и брендовому поиску поровну
• Затухание по времени отдает больше брендовому поиску и меньше таргету, потому что таргет был раньше всех
• По позиции дает 40% таргету, 40% брендовому поиску и 20% контексту в середине
• На основе данных считает по вашим данным: если люди, увидевшие таргет, доходят до покупки заметно чаще, таргет получит большую долю даже как первое касание

Шесть моделей - шесть разных ответов на вопрос «какой канал привел эту продажу». Цифры в каждой из них по отдельности не врут, они отвечают на чуть разные вопросы. Сбой начинается, когда маркетолог берет один ответ и принимает его за единственно верный, а потом режет бюджет по каналу, который в другой модели оказался бы сильным.

Один путь - это иллюстрация, решения принимают на объеме. Допустим, за месяц магазин получил 50 таких заявок, и путь у большинства похожий: таргет знакомит, контекст подхватывает, брендовый поиск закрывает. Последний клик запишет почти все 50 продаж на брендовый поиск и контекст, а таргету отдаст единицы - те редкие случаи, когда человек купил сразу после первого объявления. На дашборде таргет выглядит убыточным: расход есть, продаж по нему почти нет. Та же полусотня заявок в модели на основе данных распределится иначе: если у людей, начавших с таргета, доходимость до покупки выше, таргет заберет ощутимую долю тех же продаж. Решение разворачивается на сто восемьдесят градусов. По первому отчету таргет режут как балласт, по второму это канал, без которого не наполняется верх воронки, и через месяц просядут и контекст, и брендовый поиск. Данные одни, продажи одни - разошлось только правило дележа, и от него зависит, какую строку бюджета вы сократите.

Что инструменты оставили в 2026 и почему отчеты разъехались

Шесть моделей - это теория. На практике выбор сузился.

С ноября 2023 года Google убрал из GA4 и Google Ads четыре модели: первый клик, линейную, затухание по времени и по позиции. Конверсии, которые считались по ним, автоматически перевели на модель на основе данных. В отчетах атрибуции осталось три варианта: на основе данных, последний клик по платным и органическим каналам и последний клик только по каналам Google.

С октября 2025 года Google пошел дальше: кросс-канальная модель на основе данных стала вариантом по умолчанию для новых ключевых событий, а последний клик перестал быть стандартным выбором. Практическое следствие почувствовал каждый, кто заводил конверсии в разное время. События, настроенные до смены, и события после нее считаются по разным моделям. Отсюда волна вопросов «почему у меня разъехались цифры»: данные не сломались, поменялось правило дележа.

Есть и более тонкая ловушка, из-за которой два отчета в одном GA4 показывают разный источник одной конверсии. Отчеты по привлечению трафика и пользователей всегда считают по последнему непрямому клику, независимо от того, какую модель вы выбрали в настройках. Выбранная модель работает только для ключевых событий. Поэтому брендовый поиск в одном отчете может выглядеть источником продажи, а в другом ту же продажу заберет канал, который был раньше в пути. Где лежат эти отчеты и как сравнить модели между собой - тема разбора отчетов атрибуции в GA4.

У Метрики и рекламных кабинетов своя логика, но устроена она так же: свой набор моделей, свои окна учета, и тот же принцип - правило решает, кому достанется заслуга. Поэтому понимание моделей переносится с инструмента на инструмент, а заучивание интерфейса одного из них - нет.

Какую модель брать под задачу

Правильный порядок - сначала вопрос, потом модель. Не «какая модель лучше», а «что я хочу понять».

Нужно оценить, кто дожимает клиента у самой кассы - грубый ориентир дает последний клик. Если вопрос в том, кто создает спрос и приводит новых людей, ближе первый клик. А для распределения бюджета между каналами в длинном многоканальном пути берите модель на основе данных при достаточном объеме либо сравнивайте несколько моделей сразу.

Объем данных решает, можно ли вообще доверять модели на основе данных. Ниже порога в пару сотен конверсий в месяц она нестабильна, и честнее работать с последним кликом, понимая его перекос, чем притворяться, что у вас точная многоканальная картина.

Отдельный случай - одноканальный бизнес, где почти весь трафик идет из одного источника. Спорить о моделях тут бессмысленно: делить нечего, и любая модель отдаст заслугу одному каналу. Но даже здесь модель влияет на дележ внутри канала: между кампаниями, объявлениями и ключевыми словами заслуга распределится по тому же правилу, поэтому последний клик и тут переоценит брендовые и ретаргет-кампании за счет тех, что приводят новую аудиторию.

Главное правило, которое экономит бюджет: не судите канал по одной модели. Посмотрите канал в нескольких сразу - последний клик, первый клик, на основе данных. Если канал силен только в одной модели, это свойство модели, а не канала. Высокий возврат на рекламу у канала-закрывашки в модели последнего клика часто оказывается артефактом: он собирает заслуги тех, кто разогрел клиента раньше. Прежде чем радоваться показателю ROAS, проверьте, в какой модели он посчитан.

Окно ретроспективы (lookback window) - еще один рычаг, про который забывают. Это период до конверсии, за который учитываются касания. Семь дней и девяносто дней дадут разную картину на одних данных: короткое окно отрежет длинные циклы сделки, длинное - раздует вклад старых, почти забытых касаний. Окно подбирают под длину вашего цикла. Для импульсной покупки в интернет-магазине хватит недели, а для B2B-сделки, которая у среднего бизнеса идет от месяца до трех, а у крупного растягивается до полутора лет, короткое окно спрячет половину пути.

Длина цикла сделки часто важнее самой модели. У интернет-магазина с импульсной покупкой путь короткий, касаний мало, и разница между моделями невелика - последний клик соврет несильно. У B2B-услуги, где сделку 6-18 месяцев согласуют шесть-десять человек и набирается десяток с лишним касаний, последний клик отдаст всю заслугу финальному звонку или брендовому поиску и спрячет работу по разогреву спроса. Чем длиннее и многоканальнее путь, тем дороже обходится одношаговая модель по умолчанию.

Пять ошибок, из-за которых атрибуция уводит бюджет не туда

Последний клик по умолчанию и срез верхней воронки

Самый дорогой сценарий. Сервис в Узбекистане крутит таргет на холодную аудиторию. Клиент увидел объявление в понедельник, в среду попал под ретаргет в Instagram, но не кликнул, в пятницу вспомнил бренд, нашел его через поиск и оставил заявку. Модель последнего клика отдает 100% поиску, таргету - ноль. Отчет говорит «таргет не работает, отключай». Отключите - и через месяц просядет сам поиск, потому что некому стало узнавать о бренде и потом его искать. По данным Google, около 97% конверсионных действий в Google Ads до сих пор считаются по последнему клику, так что инерция этой ошибки огромна. Защита от нее неудобна только по привычке: прежде чем отключать канал, посмотрите его вклад хотя бы в двух моделях и вспомните, что нижняя воронка не работает без верхней.

Приговор каналу по одной модели

Продолжение той же логики, но уже как привычка. Маркетолог открывает один отчет, видит число и принимает решение. Канал нужно смотреть в вилке моделей: разница между ними и есть зона неопределенности, в которой нельзя принимать решение по одному числу.

Прямой трафик принимают за бесплатный канал

Большой объем прямых заходов выглядит как любовь аудитории к бренду, а на деле это чаще недоатрибуция. Прямым становится переход из встроенного браузера соцсети, заход после рекламы с потерянной UTM-меткой, клик по сохраненной вкладке. Клик во встроенном браузере приложения создает отдельную сессию, и назавтра в обычном браузере человек приходит уже как прямой заход. Путает картину и механика учета: сессия в GA4 закрывается после 30 минут без действий, поэтому открытая со вчера вкладка заводит новый сеанс без исходного источника, а кампания с битой UTM-меткой утекает в прямой или в нераспознанный трафик - в норме нераспознанного меньше 5%, но плохая разметка поднимает этот процент. Добавьте к этому блокировщики рекламы - по данным Statista, они стоят примерно у 43% пользователей - и часть касаний не доходит до аналитики. Раздутый прямой трафик - симптом дырявого отслеживания, а не органической силы бренда.

Подмена атрибуции инкрементальностью

Любая модель делит конверсии, которые уже случились. Она не отвечает на главный вопрос: дал ли канал прирост, произошла бы эта конверсия без него или нет. Модель на основе данных подходит к этому ближе других, потому что сравнивает пути с касанием и без, но это все равно оценка по наблюдаемым данным, а не чистый опыт. На вопрос о приросте отвечают только эксперименты: контрольная группа без показа рекламы, гео-сплит, A/B-тест. Атрибуция говорит, кому достались продажи. Эксперимент говорит, какие из них канал создал. Разрыв виден на брендовом поиске. В атрибуции он почти всегда герой: люди приходят по названию компании и покупают. Но эксперимент часто показывает, что половина этих людей купила бы и без платного объявления по бренду, кликнув на органическую выдачу ниже. Атрибуция этого не видит, эксперимент видит.

Игнор кросс-девайса и согласия на сбор данных

Путь рвется между телефоном, рабочим ноутбуком и разными браузерами - часть касаний модель не видит и считает по обрезанному пути. Один человек на трех устройствах превращается для модели в трех пользователей с обрезанными путями: часть заслуги уходит в никуда, часть достается прямому трафику. В ЕС режим согласия (Consent Mode v2) моделирует поведение тех, кто отклонил cookie, а при неполной настройке Google сокращает учет конверсий, так что и эти цифры остаются приближенными. Вывод трезвый: атрибуция - это оценка на неполных данных. Относитесь к ней как к приближению, а не как к точному измерению.

Что делать вместо слепой веры в одну модель

Держите две-три модели рядом как вилку. Последний клик, первый клик и модель на основе данных, поставленные в один отчет, показывают границы, в которых лежит правда. Канал, который выглядит сильным во всех трех, силен без оговорок. Канал, который скачет от первого места к последнему, требует осторожного решения.

Смотрите вспомогательные конверсии, а не только закрытия. Отчеты о роли канала в пути показывают, сколько раз источник участвовал в конверсиях, даже когда не был последним касанием. Это лечит главный перекос последнего клика.

Сверяйте выводы аналитики с движением денег в кассе. Каждая рекламная площадка считает конверсии по своей модели и своему окну и охотно записывает продажу на себя, поэтому сумма конверсий из всех кабинетов вместе нередко превышает число фактических заказов. Если по отчету канал не окупается, но при его отключении на тесте общая выручка падает, верьте выручке, а не модели. Атрибуция дает гипотезы, а финальный судья - деньги на счете и их динамика после ваших решений.

Сделайте сравнение моделей привычкой, а не разовой проверкой. Раз в месяц открывайте один и тот же период в последнем клике и в модели на основе данных и смотрите, какие каналы стабильно держат долю, а какие держатся только на одной модели. Стабильные каналы - опора бюджета, неустойчивые - кандидаты на эксперимент.

Спрашивайте клиента напрямую. Вопрос «откуда вы о нас узнали» на форме заявки или на оформлении заказа дает грубый, но независимый от cookie сигнал. Он не заменит аналитику, но ловит то, что отслеживание теряет.

Свяжите поведение с источником: отфильтруйте записи сессий и карты по UTM-источнику и посмотрите, что пользователи с разных каналов делают на сайте, где задерживаются, где уходят. Поведение под источником объясняет, почему канал в отчете выглядит так, а не иначе.

Коротко

• Модель атрибуции - правило дележа ценности конверсии, а не факт; разные модели дают разные решения по бюджету из одних данных
• Одношаговые модели (последний и первый клик) перехваливают один конец воронки, модель на основе данных считает вклад по данным, но требует объема
• С ноября 2023 Google оставил в GA4 модель на основе данных и последний клик, с октября 2025 модель на основе данных стала вариантом по умолчанию
• Самая дорогая ошибка - судить канал по одной модели и резать верх воронки по последнему клику
• Атрибуция не равна инкрементальности: прирост канала меряют экспериментом, а не моделью
• Держите несколько моделей рядом и проверяйте дорогие решения отключением канала на части трафика

Частые вопросы

Какая модель атрибуции самая точная?

Такой нет. При достаточном объеме данных модель на основе данных ближе всех к фактическому вкладу каналов, потому что считает по вашим путям, а не по общему правилу. На малом трафике она нестабильна, и честнее работать с последним кликом, держа в голове его перекос к закрывающим каналам.

Почему цифры в рекламном кабинете и в аналитике не сходятся?

Причин несколько: разные модели атрибуции по умолчанию, разные окна учета, разные методы отслеживания. Рекламные кабинеты часто считают показы без клика (view-through), а аналитика - только клики. Плюс клик во встроенном браузере соцсети создает отдельную сессию, которая назавтра выглядит как прямой заход. Расхождение в 20-40% между источниками - норма, а не ошибка настройки.

Что такое last non-direct click?

Это модель последнего клика, которая пропускает прямые заходы. Весь вес конверсии уходит последнему касанию через канал (поиск, реклама, соцсеть), а прямой заход учитывается только если весь путь состоял из прямых заходов. Так аналитика не отдает всю заслугу человеку, который набрал адрес сайта по памяти.

Сколько данных нужно для модели на основе данных?

Google рекомендует порядка 200 конверсий и около 2000 касаний в месяц для устойчивого расчета. Ниже этого порога оценки скачут от пересчета к пересчету, и доверять им сложно. Если у вас меньше, последний клик даст более предсказуемую, пусть и грубую, картину.

Можно ли поменять модель задним числом?

Да. При смене модели в настройках инструмент пересчитывает и историческую статистику под новое правило. Это удобно для сравнения: один и тот же период можно посмотреть в разных моделях и увидеть, как смещается заслуга каналов.

Атрибуция и инкрементальность - это одно и то же?

Нет. Атрибуция делит конверсии, которые уже произошли, между касаниями. Инкрементальность отвечает на другой вопрос: сколько конверсий канал создал сверх того, что случилось бы без него. Первое считают по модели, второе меряют экспериментом - контрольной группой, гео-сплитом или A/B-тестом. Канал может собирать много заслуг в атрибуции и при этом давать мало прироста.

Какое окно ретроспективы выбрать?

Под длину вашего цикла сделки. Для импульсной покупки в интернет-магазине хватает 7 дней. Для B2B-сделки, которая у среднего бизнеса зреет месяцами, а у крупного тянется год и дольше, короткое окно отрежет половину пути и спрячет ранние касания - тут нужно окно в 30-90 дней. Слишком длинное окно для быстрых продаж, наоборот, раздует вклад старых случайных контактов.

Нужна ли атрибуция малому бизнесу с небольшим трафиком?

В упрощенном виде. Если у вас один-два канала и десятки конверсий в месяц, сложные модели не дадут устойчивых цифр, а спор о них отнимет время. Хватит последнего клика плюс вопроса «откуда вы о нас узнали» на заявке. Атрибуция начинает окупать сложность, когда каналов много, а путь клиента длинный.

С чего начать, если раньше я смотрел только последний клик?

Не меняйте все сразу. Первым шагом поставьте рядом с последним кликом вторую модель - первый клик или на основе данных - и сравните, как сместятся доли каналов на одном и том же периоде. Дальше откройте отчеты о вспомогательных конверсиях: они покажут каналы, которые участвовали в пути, но не были последним касанием, - именно их последний клик и недооценивал. Этих двух действий хватает, чтобы увидеть верх воронки, который раньше был невидим. Полную смену модели по умолчанию делайте только после того, как поймете, как новое правило перераспределяет заслугу в ваших данных.