Мультиканальная атрибуция ломается там, где один канал получает всю ценность конверсии

Мультиканальная атрибуция ломается там, где один канал получает всю ценность конверсии

Если путь клиента состоит из поиска, ретаргета и прямого визита, модель last click отдает 100% последнему касанию. В результате вы недооцениваете верх воронки и переоцениваете брендовый спрос. Считаем инкрементальность: канал ценен не потому, что он последний, а потому что без него вероятность покупки падает.

Базовые модели работают как приближения:
— first click полезен для оценки источника спроса;
— linear делит ценность поровну, но игнорирует реальную плотность касаний;
— time decay повышает вес ближних к конверсии шагов;
— position-based фиксирует старт и финиш, но упрощает середину.

Если у вас мало данных, используйте простую модель как контрольную гипотезу. Если данных достаточно, переходите к data-driven распределению: Markov chain, Shapley value, survival models. Они оценивают вклад канала через изменение вероятности конверсии при его удалении из пути. Это уже не отчет по кликам, а аппроксимация причинного влияния.

Проверка качества одна: модель должна объяснять не только распределение конверсий, но и изменения в бюджете. Если после перераспределения расходов ROAS не меняется, атрибуция декоративна. Разбираем механику окупаемости: сначала чистим события, затем нормализуем окна, потом сравниваем модели на holdout-периоде.

Оптимизация на уровне юнит-экономики начинается там, где атрибуция перестает быть бухгалтерией кликов и становится инструментом принятия решений.