AI-система атрибуции конверсий (Multi-Touch Attribution AI)

AI-мультиканальная атрибуция (Multi-Touch Attribution)

Представьте: вы тратите миллионы рублей на маркетинг, но не можете точно сказать, какие каналы реально приносят продажи. Last-click переоценивает прямое замыкание, а display, YouTube и programmatic остаются без кредита. Результат — оптимизация бюджета вслепую, с потерей 15–25% потенциального ROI. Data-driven атрибуция решает эту проблему, распределяя ценность между всеми точками касания на основе машинного обучения. Мы в TrueTech специализируемся на атрибуции более 5 лет, внедрили свыше 50 проектов — от retail до fintech. Наши модели обрабатывают более 5 млн событий в день и работают в real-time.

Почему last-click атрибуция опасна для бюджета?

Last-click отдаёт 100% ценности последнему касанию. Это переоценивает direct и brand search, а awareness-каналы (display, YouTube, programmatic) остаются без кредита. Результат — маркетолог сокращает бюджет на верхнюю воронку, хотя именно она генерирует спрос. По нашим данным, переход с last-click на data-driven увеличивает ROI на 15–25% и позволяет сэкономить до 30% маркетингового бюджета.

Как работает Shapley Value в атрибуции?

Shapley Value — это справедливое распределение кредита на основе маржинального вклада канала во всех возможных коалициях. Например, если канал A вместе с каналом B даёт прирост конверсии на 20%, а без B снижается до 5%, Shapley это учитывает. Такой подход аксиоматически справедлив и учитывает синергию каналов, однако при >15 каналах требуется аппроксимация Monte Carlo из-за экспоненциальной сложности.

from itertools import combinations def shapley_attribution(channels, conversion_rate_by_combination): n = len(channels) shapley_values = {ch: 0 for ch in channels} for ch in channels: for r in range(n): others = [c for c in channels if c != ch] for subset in combinations(others, r): subset_without = frozenset(subset) subset_with = frozenset(subset | {ch}) marginal = (conversion_rate_by_combination.get(subset_with, 0) - conversion_rate_by_combination.get(subset_without, 0)) weight = (factorial(r) * factorial(n-r-1)) / factorial(n) shapley_values[ch] += weight * marginal return shapley_values 

Как работает Markov Chain атрибуция?

Другой подход — моделировать путь пользователя как марковский процесс. Каждый канал — состояние, а переходы между ними — вероятности. Вклад канала измеряется через removal effect: насколько снизится общая конверсия, если убрать этот канал. Markov Chain быстрее Shapley и подходит для 20+ каналов.

def markov_chain_attribution(paths_df): transition_matrix = build_transition_matrix(paths_df) absorption_probs = compute_absorption_probs(transition_matrix) removal_effects = {} base_cr = absorption_probs['conversion'] for channel in channels: modified_matrix = remove_channel(transition_matrix, channel) cr_without = compute_absorption_probs(modified_matrix)['conversion'] removal_effects[channel] = (base_cr - cr_without) / base_cr total_effect = sum(removal_effects.values()) attribution = {ch: re / total_effect for ch, re in removal_effects.items()} return attribution 

Как cookieless атрибуция меняет правила игры?

После отмены third-party cookie и ужесточения GDPR классическая user-level атрибуция становится невозможной. Решения: Aggregate Measurement (API с differential privacy) и гибрид MMM + MTA. MMM (Media Mix Modeling) работает на агрегированных данных, MTA — на first-party. Калибровка MTA по MMM даёт робастные оценки, повышая точность до 90%.

def calibrate_mta_with_mmm(mta_attribution, mmm_attribution): calibration_factor = { ch: mmm_attribution[ch] / mta_attribution.get(ch, 0.01) for ch in mmm_attribution } calibrated_mta = { ch: mta_attribution[ch] * calibration_factor.get(ch, 1.0) for ch in mta_attribution } return calibrated_mta 

Почему инкрементальный тест — золотой стандарт валидации?

Лучший способ проверить атрибуцию — эксперимент. Geo-holdout: включаем канал в одном регионе, отключаем в другом и сравниваем конверсии (DiD). Ghost ads: показываем рекламу только части аудитории — true incremental lift. Полученные коэффициенты калибруют модель, повышая её точность до 90%.

def difference_in_differences(treatment_region, control_region, pre_period, post_period): did = ( (treatment_region[post_period].mean() - treatment_region[pre_period].mean()) - (control_region[post_period].mean() - control_region[pre_period].mean()) ) return did 

Что входит в работу: deliverables

• Аудит текущих маркетинговых данных и инфраструктуры (CDP, CRM, ad platforms).
• Выбор и кастомизация модели атрибуции (Shapley, Markov Chain, MMM).
• Интеграция с вашим дашбордом (Tableau, Power BI, собственная BI).
• Документация модели, обучение команды.
• Поддержка в течение 3 месяцев после запуска.

Как мы это делаем: процесс

1. Аналитика — сбор данных, path stitching, cross-device matching.
2. Проектирование — выбор модели, согласование метрик.
3. Реализация — написание пайплайна на Python, тестирование.
4. Валидация — инкрементальные тесты, калибровка.
5. Деплой — интеграция в дашборд, настройка автоматической отчётности.

Опыт и гарантии

Мы — команда с более чем 5-летним опытом в AI-атрибуции (50+ проектов). Используем только production-проверенные стеки: PyTorch, Hugging Face для эмбеддингов, Pinecone для векторных данных. Гарантируем прозрачность — вы получаете полный код модели и метрики качества. Подробнее о математике атрибуции можно прочитать в статье о Shapley value.

Сроки и стоимость

Сроки: от 3 недель (базовые правиловые модели) до 3 месяцев (полный цикл с incrementality testing). Стоимость рассчитывается индивидуально под объем данных и сложность интеграции. Получите консультацию нашего эксперта или закажите демо модели на ваших исторических данных — пишите, мы оценим ваш проект и подберём оптимальное решение.