Server-side атрибуция с помощью AI: почему я больше не верю в “последний клик” и что делаю в продакшене

Server-side атрибуция с помощью AI: почему я больше не верю в “последний клик” и что делаю в продакшене

В 2026 я всё чаще вижу одну и ту же боль: команды продолжают оптимизировать кампании по моделям, которые уже не отражают реальность. Логика “последний клик — значит конверсия из рекламы” ломается из‑за privacy-first ограничений, ростом доли offsite-данных и тем, что часть путей “растворяется” в темных зонах атрибуции. Поэтому мой рабочий принцип такой: **если у нас нет измеримости причинности — мы хотя бы строим измеримость по событиям и инкрементальности**.

Как в этом помогает AI — без магии, а через инженерный слой.

1) Я перестал искать “единственный правильный источник данных”
Сейчас я держу связку:
— server-side события (через ваш трекинг-сервис/GTМ-сервер, кастомные эндпоинты, дедупликация по user_id/lead_id)
— объединение сигналов в едином датамарте (CRM, сайт, продуктовая активность)
— MMM-логика или тесты инкремента (holdout/гео/аудитории), где возможно

AI тут не вместо аналитики, а как инструмент для сборки и очистки данных: сопоставление идентификаторов, выявление “невозможных” маршрутов (например, конверсия без базового события), восстановление частичных последовательностей по вероятностным моделям.

2) Пересобираю воронку под RevOps (а не под MQL/SQL)
Классический B2B-фрейм “маркетинг → лид → передали в продажи” всё чаще не дотягивает до выручки. Я смещаю фокус на цепочку до результата: продуктовые активации, участие в сделке, факт прогрева, влияние на скорость и вероятность закрытия. И именно здесь AI полезен: он помогает классифицировать “какие события больше похожи на путь к SQL”, а затем мы используем это как таргет для бюджетных решений.

3) Один практический пример из работы
В одном из проектов мы увидели расхождение: отчеты по last-click показывали, что конкретная кампания “тащит” конверсии, а инкрементальность (по holdout на аудитории) показывала слабый вклад. Что сделал AI-помощник: автоматически сгруппировал пользователей по паттернам последовательностей событий (ранние касания → демо/воркшоп → коммерческая активность) и выделил сегменты, где реклама реально увеличивала вероятность перехода на следующий этап. Итог — мы не “выключили кампанию”, мы **перенастроили распределение бюджета на подгруппы с доказанным эффектом**. По сути, это была не оптимизация отчета, а оптимизация воздействия.

Если описывать одним предложением: **AI в атрибуции нужен не для “правильной цифры”, а для дисциплины данных и более честной оценки эффекта**.

Вопрос к вам: у вас сейчас аналитика держится на веб-конверсиях или уже есть связка с CRM/продуктовыми событиями и проверкой инкремента?