Мультиканальная атрибуция ломается не в модели, а в том, как вы считаете ценность касаний

Мультиканальная атрибуция ломается не в модели, а в том, как вы считаете ценность касаний

Если у конверсии 6 касаний, а вы отдаёте 100% ценности последнему клику, то система обучения получает искажённый сигнал. Дальше оптимизация на уровне юнит-экономики превращается в угадывание: верх воронки недооценён, ретаргет переоценён, ROI по каналам сравнивается некорректно.

Базовые модели распределения ценности:
— last click: простая, но смещает бюджет в нижний слой;
— first click: полезна для оценки генерации спроса, но игнорирует прогрев;
— linear: делит ценность поровну, удобна как нейтральный baseline;
— time decay: усиливает поздние касания, если цикл сделки короткий;
— position-based: фиксирует вклад первого и последнего контакта, середину режет по остаточному принципу.

Считаем инкрементальность: модель атрибуции должна не заменять эксперимент, а дополнять его. Если канал получает больше кредитов в отчёте, это ещё не значит, что он создаёт дополнительную выручку. Проверка простая: сравните распределение credited revenue с результатом holdout или geo-split, иначе вы оптимизируете метрику, а не прибыль.

На практике держите две матрицы одновременно: отчётную атрибуцию для управления бюджетом и экспериментальную для контроля смещения. Если между ними большой разрыв, причина обычно в view-through, кросс-девайсе, повторных касаниях или плохой дедупликации событий. Данные — это новая нефть, но только если их правильно очистить.

Математика аукциона беспощадна: выигрывает не тот канал, который красивее выглядит в отчёте, а тот, чья предиктивная ценность подтверждается инкрементальным тестом.