AI-система атрибуції конверсій (Multi-Touch Attribution AI)

AI-мультиканальна атрибуція (Multi-Touch Attribution)

Уявіть: ви витрачаєте мільйони гривень на маркетинг, але не можете точно сказати, які канали реально приносять продажі. Last-click переоцінює пряме закриття, а display, YouTube та programmatic залишаються без кредиту. Результат — оптимізація бюджету наосліп, із втратою 15–25% потенційного ROI. Data-driven атрибуція вирішує цю проблему, розподіляючи цінність між усіма точками дотику на основі машинного навчання. Ми в TrueTech спеціалізуємося на атрибуції понад 5 років, впровадили понад 50 проєктів — від retail до fintech. Наші моделі обробляють понад 5 млн подій на день і працюють у real-time.

Чому last-click атрибуція небезпечна для бюджету?

Last-click віддає 100% цінності останньому дотику. Це переоцінює direct та brand search, а awareness-канали (display, YouTube, programmatic) залишаються без кредиту. Результат — маркетолог скорочує бюджет на верхню воронку, хоча саме вона генерує попит. За нашими даними, перехід із last-click на data-driven збільшує ROI на 15–25% і дозволяє заощадити до 30% маркетингового бюджету.

Як працює Shapley Value в атрибуції?

Shapley Value — це справедливий розподіл кредиту на основі маржинального внеску каналу в усіх можливих коаліціях. Наприклад, якщо канал A разом із каналом B дає приріст конверсії на 20%, а без B знижується до 5%, Shapley це враховує. Такий підхід аксіоматично справедливий і враховує синергію каналів, однак при >15 каналах потребує апроксимації Monte Carlo через експоненційну складність.

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 

Як працює Markov Chain атрибуція?

Інший підхід — моделювати шлях користувача як марковський процес. Кожен канал — стан, а переходи між ними — ймовірності. Внесок каналу вимірюється через removal effect: наскільки знизиться загальна конверсія, якщо прибрати цей канал. Markov Chain швидша за Shapley і підходить для 20+ каналів.

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 

Як cookieless атрибуція змінює правила гри?

Після скасування third-party cookie та посилення GDPR класична user-level атрибуція стає неможливою. Рішення: Aggregate Measurement (API з differential privacy) та гібрид MMM + MTA. MMM (Media Mix Modeling) працює на агрегованих даних, MTA — на first-party. Калібрування MTA за MMM дає робастні оцінки, підвищуючи точність 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 

Чому інкрементальний тест — золотий стандарт валідації?

Найкращий спосіб перевірити атрибуцію — експеримент. Geo-holdout: вмикаємо канал в одному регіоні, вимикаємо в іншому та порівнюємо конверсії (DiD). Ghost ads: показуємо рекламу лише частині аудиторії — true incremental lift. Отримані коефіцієнти калібрують модель, підвищуючи її точність 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 

Що входить у роботу: deliverables

• Аудит поточних маркетингових даних та інфраструктури (CDP, CRM, ad platforms).
• Вибір та кастомізація моделі атрибуції (Shapley, Markov Chain, MMM).
• Інтеграція з вашою дашбордою (Tableau, Power BI, власна BI).
• Документація моделі, навчання команди.
• Підтримка протягом 3 місяців після запуску.

Як ми це робимо: процес

1. Аналітика — збір даних, path stitching, cross-device matching.
2. Проектування — вибір моделі, узгодження метрик.
3. Реалізація — написання пайплайну на Python, тестування.
4. Валідація — інкрементальні тести, калібрування.
5. Деплой — інтеграція в дашборду, налаштування автоматичної звітності.

Досвід та гарантії

Ми — команда з понад 5-річним досвідом у AI-атрибуції (50+ проєктів). Використовуємо тільки production-перевірені стеки: PyTorch, Hugging Face для ембеддінгів, Pinecone для векторних даних. Гарантуємо прозорість — ви отримуєте повний код моделі та метрики якості. Детальніше про математику атрибуції можна прочитати в статті про Shapley value.

Терміни та вартість

Терміни: від 3 тижнів (базові правилові моделі) до 3 місяців (повний цикл із incrementality testing). Вартість розраховується індивідуально під обсяг даних та складність інтеграції. Отримайте консультацію нашого експерта або замовте демо моделі на ваших історичних даних — напишіть нам, ми оцінимо ваш проєкт і підберемо оптимальне рішення.