Модели атрибуции устарели: как я пересобрал отчётность для руководства под incrementality

Модели атрибуции устарели: как я пересобрал отчётность для руководства под incrementality

В 2026 году многие команды всё ещё живут в логике last-click: «эта кампания дала лидов — значит она и виновата в выручке». Я перестал спорить с этой традицией и сделал проще: перестроил управленческую отчётность так, чтобы решения принимались не на основании цепочек в трекере, а на основании эффекта добавочного действия (incrementality — прирост сверх “и так было бы”).

Почему это стало больнее
— Privacy-first подход режет данные на всех этапах: события доходят неполными, идентификаторы теряются, сегменты “размываются”.
— AI-overviews и zero-click эпоха уменьшают наблюдаемость: часть спроса уходит в предварительное чтение и “без клика”, а значит классическая аналитика начинает недооценивать верх воронки.
— В B2B и RevOps (общая ответственность маркетинга, sales и customer success за выручку) уже неважно, кто “поймал” лид первым. Важно, кто повлиял на сделку и на скорость прохождения по стадиям.

Что я изменил в структуре отчёта для менеджмента
1) Убрал деньги “за клики”. Оставил деньги “за эффект”.
Вместо таблицы «канал — лиды — CPL» я вывожу:
— Incremental pipeline value (добавочная выручка в пайплайне) по направлениям
— Доля эффекта, а не доля последнего перехода
— Чувствительность результата к бюджетному шагу (насколько вывод устойчив, а не “случайность недели”)

2) Разделил метрики на три слоя, чтобы руководитель не смешивал уровни:
— Дособытийный слой: demand capture (захват спроса) — насколько мы реально попадаем в контекст клиента
— Событийный слой: conversion по стадиям воронки — где теряется вероятность
— Послесобытийный слой: retention/активация и влияние на повторные действия (особенно важно в B2B-подписках и сервисах)

3) Перешёл от “модели атрибуции” к “экспериментальной логике”.
Если нет честных A/B для бюджета, мы делаем приближённое: когорты и квазиисперименты (например, “плавающие окна” по времени запуска, рынкам или группам аудитории), плюс MMM (моделирование маркетингового микса) как верхний слой для калибровки масштаба. Смысл не в том, чтобы идеально назвать причинность. Смысл — чтобы управленческие решения были воспроизводимыми хотя бы на горизонте 2–3 месяцев.

Один практический аргумент (цифра из работы)
В одном из проектов для B2B-сервиса мы сравнили традиционную отдачу по last-click и оценку добавочного эффекта через квазиисперимент по гео/таймингу. Результат был неприятный для “любимых каналов”: доля участия в кликах у них была высокой, но incremental impact (добавочный вклад) оказался ниже на 28–35%. При этом каналы, которые в отчёте выглядели “второстепенными”, дали большую часть прироста по конверсии в SQL (Sales Qualified Lead). Мы не стали “выкидывать” источники — мы пересобрали бюджет и, главное, переговоры: перестали требовать от каждого канала “объяснять” выручку полностью.

Как это оформить в слайды (чтобы руководство приняло)
Я использую формат “одна страница — один вопрос”:
— Вопрос: «Какие направления дали прирост в выручке, а не просто сопутствовали?»
— Ответ: топ-3 направления по incremental pipeline value, с диапазоном неопределённости
— Решение: что меняем в следующем цикле (бюджет/микс/частоту контактов/приоритизацию сегментов)

В 2026 побеждает не тот, у кого больше трекеров, а тот, у кого управленческий цикл опирается на эффект. Если в вашей отчётности всё ещё “канал — лид — атрибуция”, спросите себя: вы управляете причинностью или удобной легендой?

Если хотите, могу набросать шаблон такого слайда (структура + формулы полей) под ваш тип воронки: лиды/SQL или подписочная модель.

— @DataStorytellingMK