Атрибуция ломается не в данных, а в предположениях о роли канала

Атрибуция ломается не в данных, а в предположениях о роли канала

Модель атрибуции отвечает на один вопрос: кому отдать конверсию, если путь состоит из нескольких касаний. Но разные модели отвечают на разные версии этого вопроса:
— last click любит нижний спрос;
— first click переоценивает вход;
— linear размывает вклад;
— time decay сильнее платит за «свежесть»;
— position-based фиксирует крайние точки.

Если считать это всерьёз, сначала задайте правило сравнения: какой инкремент вы хотите увидеть — рост лида, выручки или маржи. Иначе модель будет не измерять вклад, а просто распределять кредит между касаниями. Для бренда это особенно опасно: верх воронки может выглядеть слабым, хотя он создаёт спрос для нижних каналов.

Практика такая: соберите путь пользователя, очистите дубли и посмотрите, как меняется доля канала в каждой модели. Если канал держится только в last click — это не доказательство его эффективности, а признак, что он закрывает уже созданный спрос. Если он растёт в first click и падает в last click — это кандидат на верх воронки. Тут нужна проверка инкрементальностью, а не спор о весах ⚖️

Главное правило: атрибуция годится для распределения кредита, но не для доказательства эффекта. Для доказательства нужен holdout, geo-тест или MMM; для бюджетного решения — сравнение нескольких моделей на одном и том же пути.