Чому останній клік ламає AI-атрибуцію каналів
Правило останнього дотику віддає всю конверсію одному джерелу — тому, що опинився в ланцюжку безпосередньо перед заявкою. У типовому шляху це брендовий пошук або покази на вже прогрітій аудиторії, тимчасом як перший контакт дав зовсім інший канал.
Наскрізна аналітика при цьому може бути зібрана коректно: дані про дотики збігаються, візити склеєні за користувачем, звіти будуються. Але розподіл внеску каналу розходиться з реальністю, і рішення про перерозподіл зусиль ухвалюються за викривленим сигналом.
Другий шар проблеми — розмітка джерел. Розбіжності в регістрі та написанні міток, ручні правки в кампаніях, втрачені ідентифікатори переходів розбивають один канал на десятки рядків, а частина трафіку йде в «прямі заходи».
AI-атрибуція каналів на такому вході навчається на шумі: модель упевнено відтворює помилки розмітки й закріплює їх у вагах.
Ціна помилки проявляється не відразу. Вимикають верх воронки, ріжуть охопні формати, нарощують покази за теплою аудиторією — і через цикл бачать падіння загальної кількості конверсій за формально хорошої віддачі по кожному залишеному каналу. Метрика вимірювала позицію в ланцюжку, а не внесок каналу.
Розбираємо, як це закривається: від єдиного контуру дотиків і нормалізації розмітки до розрахунку внеску каналу методами кооперативної теорії ігор, стійкими до неповних даних.
Що дає модельний розподіл внеску каналів
Атрибуція перестає бути спором про останній клік: внесок кожного дотику рахує модель розподілу, а не призначене вручну правило. Нижче — чотири ефекти, які видно в цифрах на вітрині.
Частка правильно розподілених конверсій
Метод Shapley перебирає коаліції дотиків і віддає каналу рівно той внесок, на який змінюється ймовірність конверсії за його додавання або вилучення.
На розміченій історії модель сходиться з контрольними групами там, де правила останнього кліку помилялися системно: частка коректно розподілених конверсій зростає, а неврахований залишок перестає висіти на брендовому трафіку.
Швидкість перерахунку вітрини
Ваги перераховуються інкрементально: нове вікно дотиків додається до вже порахованих коаліцій, повний прогін потрібен лише за зміни схеми розмітки.
Вітрина оновлюється тим самим темпом, що й дані про витрати, — звіт не відстає від рішень щодо бюджету, а перерахунок після правки даних триває хвилини, не нічний прогін.
Менше ручних звірянь
Розбіжність між вітриною та вивантаженням з рекламних систем пояснюється журналом розрахунку моделі: видно, який дотик отримав вагу і за яким правилом. Аналітик не зводить цифри вручну, а перевіряє конкретні спірні ланцюжки — кількість ручних звірянь падає в рази.
Зниклий клас помилок у звітності
Раніше частина конверсій подвоювалася під час склейки дотиків і осідала на останньому джерелі. Тепер модель розподіляє їх між усіма учасниками ланцюжка, а мовна модель розмічає сенс дотику — кампанію, креатив, тип запиту — і прибирає дублі за сенсом, а не за рядком.
Формати впровадження AI-атрибуції: порівняння підходів
Вибір моделі атрибуції — це компроміс між точністю розподілу внеску та вимогою до обсягу даних. Один і той самий ланцюжок дотиків за різної логіки дає різні висновки про те, який канал приносить виручку, тому модель добирають під структуру маршруту та якість історії угод.
| Варіант | Коли підходить | Обмеження |
|---|---|---|
| Правило останнього дотику | Короткий шлях до угоди, один вирішальний контакт | Перебільшує роль закривальних каналів, внесок проміжних обнуляється |
| Позиційна модель | Явні вхід і закриття, потрібен пояснюваний звіт | Ваги задаються вручну й не перераховуються за даними |
| Марковські ланцюги | Довгі багатоканальні маршрути, багато угод з повною історією | Чутлива до пропусків у даних, критична до обсягу вибірки |
| Модель Шеплі | Канали перетинаються, потрібна чесна оцінка внеску в комбінації | Кількість сполучень зростає лавиноподібно, потрібна апроксимація вибіркою |
| Гібрид із мовною моделлю | Є офлайн- і брендові дотики, важливий контекст звернення | Потребує звірки з базою за даними, дорожчий у супроводі |
На практиці беруть не один рядок, а комбінацію: правило останнього дотику як контроль, марковські ланцюги для перерозподілу внеску, модель Шеплі там, де канали дублюють один одного, і гібрид — для дотиків, які не фіксуються як клік.
Перший крок — замір: скільки угод в історії мають повний маршрут. Від цієї частки залежить, чи можна будувати ймовірнісні моделі або поки варто на позиційній.
Як ми впроваджуємо: етапи інженерної роботи
Атрибуція ламається не на моделі, а на вхідних даних: розбіжні ідентифікатори, втрачені дотики, конверсії без джерела. Тому робота йде послідовно — від аудиту даних до приймання рішення, і на кожному кроці залишається артефакт, за яким видно результат.
- Аудит даних і розмітки. Зводимо джерела подій — рекламні системи, веб- і мобільну аналітику, CRM — звіряємо ключі, часові пояси та глибину зберігання. Рахуємо частку дотиків без розпізнаного користувача, дублі та розриви сесій, фіксуємо, які конверсії взагалі можна пов'язати з джерелом.
- Схема ідентифікації користувача. Описуємо склейку ланцюжків: точні зв'язки за ідентифікатором на авторизованих сесіях, імовірнісні — на анонімних, із порогом упевненості та строком життя зв'язки. Схема визначає, скільки дотиків реально потрапляє в шлях клієнта, — від неї залежить якість усієї AI-атрибуції.
- Складання моделі. Розподіляємо внесок між дотиками через значення Shapley — канал отримує частку, а не всю заслугу останньому кліку. Окремо налаштовуємо вікно конверсії, офлайн-дотики та правила для повторних покупок.
- Перевірка на історичних зрізах. Прогоняємо модель на закритому періоді та звіряємо з фактичними даними і зі звичною моделлю останнього дотику. Дивимося, чи стійкі оцінки каналів місяць до місяця і де розбіжності пояснювані.
- Калібрування та регламент перерахунку. Уточнюємо ваги на контрольних точках, задаємо розклад перерахунку та правила реакції на зміну джерел даних, щоб оцінки не «пливли» після правок у розмітці.
- Приймання рішення та передача. Перевіряємо метрики на узгоджених сценаріях, віддаємо доступи, опис полів і порядок розбору розбіжностей. Далі команда замовника веде розрахунки самостійно.
Модель, схеми даних і регламент: що залишається у вас
Атрибуція — не разовий звіт, а відтворюваний розрахунок: коли змінюється набір каналів або з'являється нове джерело дотиків, модель має перераховуватися за тими самими правилами, а не збиратися заново з пам'яті аналітика.
Тому результат проєкту з AI-атрибуції ми здаємо комплектом артефактів, кожен з яких можна відкрити, перевірити й передати новому інженеру.
Нижче — що залишається у вашому контурі після запуску.
- Навчена модель з описом ознак: які дотики входять у розрахунок, у якому вікні враховуються, на яких даних перевірялася стійкість внеску каналів.
- Схема потоку даних: від джерел подій до вітрини розрахунку, з точками агрегації та розкладом завантажень.
- Словник метрик: однозначні визначення — що вважаємо конверсією, як відділяємо нових клієнтів від повторних, де межа вікна атрибуції.
- Правила обробки пропусків: що робимо з недоставленими подіями, дублями та обрізаними сесіями, поки вони не викривили внесок каналу.
- Регламент перерахунку: періодичність, умови позапланового запуску, порядок звірки результату та відкату до попереднього розрахунку.
- Інструкції для команди: оновлення даних, додавання каналу, розбір розбіжності між звітністю та моделлю.
Приймання йде на ваших даних: перерахунок проганяється за регламентом разом із вашою командою, щоб розбіжності випливли під час передачі, а не через місяць у звітності.
Кейс: розподіл бюджету на моделі Шеплі
До впровадження атрибуції шлях клієнта збирався з трьох незв'язаних систем: рекламних кабінетів, веб-аналітики та CRM. Розбіжність за кількістю конверсій сягала 13%, а кожна сьома угода була спірною — кожна система записувала результат на свій канал, і розбір ішов вручну.
Що змінили
Звели дотики в єдине сховище та перерахували внесок каналів на моделі Shapley: вона ділить результат між усіма точками контакту, а не віддає його останньому кліку.
Неструктуровані дотики — дзвінки, листи, чати — розмічає мовна модель, тому в розподілі беруть участь угоди, яких раніше не було у веб-даних.
Що стало з метриками
Частка розбіжностей між звітами скоротилася до 2%, спірні конверсії впали з 14% до 2% — замість ручних розборів працює одне правило розподілу.
Повний перерахунок вітрини займає десятки хвилин замість нічного вікна в кілька годин, тому звітність оновлюється протягом дня, а не наступного ранку.
Логіка планування змістилася: канали оцінюють за внеском у результат, а не за останнім дотиком. Бюджет іде туди, де модель показує приріст на загальній картині даних, а не там, де зручніше звітувати окремою системою.
Модель Шеплі проти марковських ланцюгів: що вибрати
Марковський ланцюг ділить внесок через переходи між дотиками: внесок каналу — це падіння ймовірності конверсії за вилучення його переходу з графа.
Модель Шеплі рахує інакше — усереднює приріст за всіма порядками дотиків, тому коректно враховує синергію: два канали, що працюють у зв'язці, отримують більше, ніж кожен окремо.
Звідси відмінності у стійкості. Марковська модель надійна на коротких шляхах і за малої кількості конверсій — переходи оцінюються за всією історією.
Розрахунок Shapley перебирає всі підмножини дотиків, тому на практиці йде вибіркою: частки стійкі за достатнього обсягу даних, але на розріджених сегментах помітно коливаються.
| Підхід | Як ділить внесок | Коли вибирати | Обмеження |
|---|---|---|---|
| Марковські ланцюги | За падінням імовірності конверсії під час вилучення переходу | Мало конверсій, короткі шляхи, потрібна проста пояснюваність | Слабо бачить синергію каналів, чутливий до порядку дотиків |
| Модель Шеплі | Середній приріст за всіма порядками дотиків | Багато конверсій, довгі багатоканальні шляхи | Потрібна вибірка, частки коливаються на малих сегментах |
| Гібрид із мовною моделлю | Ознаки дотиків з неструктурованих даних плюс розподіл внеску | Дзвінки, чати, офлайн-звернення в спільному шляху | Потребує валідації розмітки й контролю відтворюваності |
Гібрид потрібен там, де частина шляху не залишає числових слідів: мовна модель витягує з дзвінків і листування ознаки дотику — тему, етап, заперечення — і приводить їх до того самого вектора, що й цифрові дотики. Далі внесок ділить уже знайома математика, а не «останній клік».
Практичне правило вибору просте: спочатку дивимося на обсяг конверсій і довжину шляху, потім на частку неструктурованих дотиків. Малий обсяг і короткі шляхи — марковські ланцюги; великий потік і багатоканальні ланцюжки — Шеплі; помітна частка офлайну — гібрид.
Ми зазвичай рахуємо обидва розподіли на одних даних і звіряємо, де розбіжність пояснювана, а де вказує на діру в розмітці.
Технічні сумніви, які знімаємо до старту
П'ять питань, які спливають на етапі оцінки, — вони не про вибір методу, а про те, що буде після запуску. Нижче короткі відповіді; якщо ваш випадок розходиться з типовим, розберемо його на ваших даних.
Даних про дотики не вистачає — що тоді?
Рахуємо на тому, що є, а дотики без джерела виводимо окремим рядком: він не розмазується по каналах і не маскує прогалини в зборі. Розбіжність журналів переходів із серверними логами вище порогу — привід лагодити збір, а не підганяти ваги.
Уже працює правило останнього кліку — це доведеться ламати?
Ні. Розподіл внеску рахується паралельно, звіт за останнім кліком залишається як є — ви бачите обидва та різницю між ними. Зазвичай вона показує канали, які закривають угоду, але не створюють попит.
Скільки потрібно історії?
Повний цикл угоди плюс запас на сезонність — на практиці від пів року. На короткому вікні ваги шумлять, тому старі періоди входять із меншою вагою: зміна міксу не викривляє поточну картину.
Що буде, коли з'явиться новий канал?
Він входить у розмітку без перенавчання: ваги перераховуються на загальній вибірці, джерело отримує частку за внеском у конверсію. Перші тижні йде з позначкою «мало даних» — висновків щодо нього до накопичення дотиків не робимо.
Хто відповідає за розмітку після запуску?
Ми передаємо схему розмітки, правила найменування джерел і валідатор, який ловить невідомі параметри на вході. Далі розмітку веде ваша команда, а ми на підтримці: правимо правила, коли змінюється рекламний контур.
Обговоримо задачу та повернемося з планом робіт
Оцінка AI-атрибуції спирається на дані, а не на опис задачі в загальних словах. Щоб розкласти внесок каналів через Shapley і не впертися на першому кроці в неповні вивантаження, потрібно заздалегідь побачити структуру джерел та обмеження щодо їх обробки. Нижче — мінімальний набір, якого достатньо, щоб повернутися з планом робіт.
- Доступи до даних — вивантаження з рекламних кабінетів і веб-аналітики за зіставний період, доступ на читання до сховища або регулярні звіти за розкладом.
- Перелік каналів — які джерела вважаємо платними, які допоміжними, де кампанії перетинаються за аудиторією та ймовірні накладення дотиків.
- Поточна логіка звітності — за якою моделлю рахують зараз, які зрізи йдуть у бізнес і з якою періодичністю.
- Цільові події та вікно атрибуції — що вважаємо конверсією і скільки днів після дотику враховуємо.
- Обмеження щодо обробки даних — що не можна вивантажувати за периметр, вимоги до обезличення та строки зберігання.
- Відповідальні з обох сторін — хто у вас відповідає за дані та приймання, хто в нас — за модель і звірку результатів.
Якщо частини даних поки немає, це теж результат: позначаємо блокери й будуємо план так, щоб старт не чекав останнього доступу. Опишіть задачу — повернемося з оцінкою, планом робіт і порядком звірки нової моделі з поточною звітністю.
