Атрибуция в 2026: как считать эффективность, когда путь клиента разбит между площадками

Классический путь клиента — увидел рекламу, кликнул, купил — на практике почти не встречается. Пользователь видит объявление в одной соцсети, ищет бренд в поиске через день, читает отзывы в мессенджере, а покупает неделю спустя с другого устройства через прямой заход на сайт. Вопрос «какая площадка привела к продаже» в такой картине давно перестал иметь один правильный ответ.

Почему last-click больше не работает как единственная метрика

Модель «вся заслуга — последнему клику» была удобной, когда путь клиента укладывался в один-два шага. Сейчас она системно недооценивает площадки, которые работают на верхних этапах воронки — контент, охватные размещения, первое знакомство с брендом — и переоценивает точку, где пользователь просто «дозрел» и кликнул в последний раз.

Дополнительно ситуацию усложняет то, что путь клиента физически размазан между разными экосистемами: у Яндекса, VK и Telegram — разные аккаунты, разные способы отслеживания и нет единого межплатформенного cookie, который раньше упрощал сквозную аналитику.

Пример: один и тот же путь клиента, разные модели — разный вывод

Возьмём условный путь: пользователь увидел рекламный пост о бренде в соцсети (точка 1), через два дня прочитал статью в блоге с упоминанием продукта (точка 2), ещё через три дня получил ретаргетинговое объявление и перешёл на сайт, но не купил (точка 3), а покупку совершил через неделю, напрямую зайдя на сайт по прямому переходу (точка 4).

• Last click отдаст 100% ценности точке 4 — прямому заходу, который на самом деле сам по себе ничего не «продавал», а лишь завершил путь, начатый постом в соцсети.
• First click, наоборот, отдаст всю ценность точке 1 — рекламному посту, полностью проигнорировав ретаргетинг, который вернул уже почти ушедшего пользователя.
• Линейная модель разделит ценность поровну между всеми четырьмя точками по 25%, что честнее, но не учитывает, что пост в соцсети и ретаргетинг сыграли явно более активную роль, чем пассивный прямой заход.
• Data-driven модель, обученная на массиве похожих путей, обычно в такой ситуации отдаёт больший вес именно точке 1 (инициировала интерес) и точке 3 (вернула пользователя к покупке), а прямому заходу — минимальную долю, потому что статистически он редко бывает самостоятельной причиной конверсии.

Разница в выводах прямо влияет на бюджетные решения: если ориентироваться только на last-click, соцсеть и ретаргетинг в этом примере покажутся неэффективными, и бюджет с них законно, но ошибочно, могут перераспределить в пользу канала, который на самом деле просто оказался последним по времени.

Какие модели атрибуции есть в 2026 году

• Last click / first click — самые простые модели, засчитывают всю ценность последнему или первому касанию. Годятся для быстрой ориентировочной оценки, но искажают картину при длинном цикле сделки.
• Линейная модель — распределяет ценность поровну между всеми точками контакта. Честнее, чем last-click, но не учитывает, что разные касания вносят разный вклад.
• Модели с временным затуханием — отдают больше веса точкам контакта, которые были ближе по времени к конверсии, но не игнорируют совсем ранние касания. Хороший компромисс, когда данных мало для полноценной алгоритмической модели, но искажения last-click уже мешают принимать решения.
• Data-driven / алгоритмическая атрибуция — вес каждого касания определяется на основе статистики по реальным конверсионным и неконверсионным путям. Точнее остальных моделей, но требует достаточного объёма данных, чтобы алгоритму было на чём обучаться — на малых объёмах конверсий такая модель может давать нестабильные, «скачущие» веса от месяца к месяцу.

Как считать эффективность на практике, если данные разбросаны по площадкам

• Свести данные в одном месте. Если кампании ведутся на нескольких площадках через разные кабинеты, для сквозной аналитики нужен единый источник данных — агрегатор, сводный отчёт или BI-система, куда стекается статистика по всем каналам, а не набор из пяти открытых вкладок с разными интерфейсами и разными определениями конверсии.
• Навести порядок в UTM-разметке. Атрибуция любой сложности бессмысленна, если на входе разные кампании размечены непоследовательно. Стоит зафиксировать единую структуру для всех каналов — например, всегда utm_source для площадки, utm_medium для типа размещения (cpc, social, retargeting) и utm_campaign для конкретной кампании — и следить, чтобы этой структуры придерживались все, кто запускает рекламу, включая подрядчиков.
• Инвестировать в first-party данные. Чем меньше можно опереться на кросс-платформенные cookie, тем важнее собственная база: email, номера телефонов, идентификаторы CRM — как связующее звено между разными точками контакта одного и того же клиента, даже если он взаимодействовал с брендом с разных устройств и в разных экосистемах.
• Проверять модель инкрементальными тестами. Периодически стоит отключать канал, который «на бумаге» показывает низкий вклад, и смотреть, просядут ли реальные продажи — это лучше любой модели показывает, играет ли канал самостоятельную роль или дублирует эффект других.

Типичные ошибки при внедрении сквозной атрибуции

• Разная UTM-логика у разных людей и подрядчиков — из-за этого одна и та же кампания в отчётах «расползается» на несколько разных строк, и посчитать её реальный вклад становится невозможно.
• Слепое доверие к «самоотчётности» каждой площадки по отдельности. Если сложить конверсии, которые показывает каждый рекламный кабинет по отдельности, сумма почти всегда окажется больше реального числа продаж — разные площадки нередко засчитывают себе одну и ту же конверсию.
• Игнорирование ассистирующих конверсий. Канал, который сам по себе редко закрывает продажу, но регулярно появляется в цепочке перед покупкой, легко ошибочно признать неэффективным, если смотреть только на его собственные прямые конверсии.
• Отсутствие связки онлайн- и офлайн-данных для бизнеса, где часть сделок закрывается не на сайте (звонок, визит в шоурум, оффлайн-магазин) — без этой связки атрибуция по определению видит только часть пути клиента.

Идеальной модели атрибуции, которая одинаково хорошо работает для любого бизнеса, не существует — и в 2026 году это уже не гипотеза, а рабочая данность. Задача не в том, чтобы найти «единственно верную» модель, а в том, чтобы выбрать ту, что достаточно честно отражает реальный путь именно ваших клиентов, и регулярно проверять её боевыми тестами, а не верить цифрам в отчёте на слово.