Как выбрать модель атрибуции для сквозной аналитики

Сквозная аналитика связывает расходы на рекламу с реальными продажами из CRM. Но между кликом и покупкой стоит вопрос, на который нет правильного ответа: какому каналу зачислить продажу, если клиент сначала увидел рекламу в Instagram, затем читал блог из органического поиска, кликал на ремаркетинг и в итоге зашел на сайт напрямую?

Это и есть атрибуция. Выбранная модель напрямую влияет на то, какие кампании вы масштабируете, а какие отключаете. Далее в материале я расскажу:

1. Что такое модель атрибуции простыми словами.

2. Конкретные сценарии: что выбрать для разных бизнесов.

3. Три вещи, которые мешают сквозной атрибуции ещё до выбора модели.

4. Типичные ошибки при выборе атрибуции.

5. Справочник: как работает каждая модель.

Что такое модель атрибуции простыми словами

Модель атрибуции — это правило распределения ценности конверсии между точками контакта на пути клиента.

Разные модели «увидят» эту покупку по-разному:

• Last Click отнесёт все 5000 грн к прямому переходу (или к email, если игнорировать direct);

• Linear распределит поровну — по 1250 грн каждому каналу;

• Data-driven распределит неравномерно — на основе того, как подобные пути обычно завершаются конверсией в ваших данных.

Ни одна модель не является «истиной». Это разные линзы, через которые вы смотрите на одни и те же данные.

Далее — конкретные рекомендации для каждого типа бизнеса, три фактора, которые нарушают сквозную атрибуцию ещё до того, как вы приступили к выбору модели, и справочник самих моделей.

Конкретные сценарии: что выбрать для разных бизнесов

Малый e-commerce (до ~400 покупок в месяц)

Рекомендация: Last non-direct click.

При таких объемах data-driven фактически не работает: модели не на чём учиться, и вы получаете те же цифры, что дал бы last click, только не зная об этом. Лучше сознательно работать с простой моделью, чем получать те же данные на более сложной. 

Компенсируйте её «слепые зоны» отчётом об ассоциированных конверсиях и путях пользователей: раз в месяц смотрите, какие каналы появляются в начале путей, даже если они не приводят к продаже.

Средний и крупный e-commerce (400+ покупок в месяц)

Рекомендация: Data-driven в GA4 + линейная или позиционная логика на необработанных данных в BigQuery для проверки.

Типичный путь покупателя в e-commerce — 4–8 точек контакта: 

• социальные сети на этапе знакомства; 

• поиск на этапе сравнения; 

• ремаркетинг; 

• прямой переход к покупке. 

Last click здесь гарантированно сместит бюджет в сторону брендового поиска и ремаркетинга. DDA дает более адекватную картину, а параллельный расчет простой модели на необработанных данных устраняет проблему «черного ящика»: если обе модели показывают, что канал работает, — решение надежное.

B2B и услуги с длительным циклом сделки (недвижимость, автомобили, enterprise-софт)

Рекомендация: собственная атрибуция на данных CRM + необработанных данных GA4, а не стандартные модели GA4.

Причин две. Первая — окно атрибуции: цикл сделки продолжительностью 3–6 месяцев не укладывается в стандартные настройки, и верхняя часть воронки систематически недооценивается.
Вторая — конверсия происходит не на сайте: заявка — это ещё не деньги, а GA4 не видит, какая из 50 заявок стала сделкой на миллион. 

Здесь сквозная аналитика обязательна: сопоставьте client_id со сделками в CRM и рассчитайте атрибуцию по заключенным сделкам, а не по лидам. Модель — linear или position-based (U-shaped — 40/20/40) в качестве отправной точки: они просты, понятны и не требуют больших объемов данных для машинного обучения. Если сделок достаточно, следующий шаг — W-shaped (первое взаимодействие, создание заявки, создание сделки в CRM) или алгоритмические подходы: цепи Маркова и вектор Шепли, о них — в справочнике в конце статьи.

Главная сложность здесь не в модели, а в том, чтобы вообще дойти до состояния, когда есть что моделировать — об этом я расскажу в разделе о склеивании идентификаторов.

Лидогенерация с коротким циклом (доставка, локальные услуги, инфопродукты)

Рекомендация: Last click и не усложняйте.

Если клиент конвертируется за 1–2 сессии, распределять ценность не на что. Ресурсы лучше вложить в качество передачи данных (валидные UTM, корректный импорт конверсий в рекламные кабинеты), чем в сложную модель.

Мобильные приложения

Рекомендация: атрибуция MMP (AppsFlyer, Adjust, Branch.io) в качестве основы, GA4 — в качестве вспомогательного источника.

Мобильная атрибуция — это отдельный мир: SKAdNetwork на iOS, view-through-конверсии, фрод. MMP решают именно эти задачи. Сравнивать цифры AppsFlyer и GA4 «в лоб» нельзя — у них разная логика (например, MMP учитывает и показы, а GA4 — только клики, сгенерировавшие сессию). Выбирайте один источник истины для принятия решений о бюджете.

Краткая памятка

Три вещи, которые ломают сквозную атрибуцию ещё до выбора модели

Выбор модели — это самая заметная часть работы, но далеко не самая сложная. Ниже — то, из-за чего сквозная атрибуция реально рушится в проектах.

1. Связывание идентификаторов

Фраза «сшиваем client_id со сделками в CRM» звучит как простой технический шаг, а на практике это самая сложная часть всего пайплайна. Что за этим стоит:

1. Сохранение gclid / utm-меток в скрытые поля формы и последующая их передача в CRM — без этого сделка поступает в систему вообще без источника.

2. Звонки и офлайн-сделки. Заявка по телефону по определению не имеет client_id. Здесь требуется колтрекинг с подстановкой номеров и привязкой сессии к звонку.

3. Обнуление идентификатора. ITP в Safari, очистка куки, смена устройства — и client_id, записанный при первом взаимодействии, к моменту заключения сделки через 4 месяца уже не существует. Часть путей обрывается, и никакая модель атрибуции этого не исправит.

Практический вывод: прежде чем спорить о linear vs data-driven, посчитайте, какой процент сделок в CRM вообще имеет валидный источник. Если это 60% — модель атрибуции вы выбираете для 60% бизнеса.

2. В BigQuery-экспорте GA4 нет веса атрибуции

Вес критически важен именно для комбинации «DDA + простая модель на сырых данных», хотя это и неочевидно.

Сырой экспорт GA4 на уровне событий в BigQuery содержит события, параметры сессий и источники трафика, но не содержит распределения ценности конверсии между точками контакта. Вес, который вы видите в отчетах интерфейса, там отсутствует, и выгрузить его невозможно.

Это означает, что любая атрибуция на сырых данных строится с нуля: вы сами собираете пути пользователей, сами пишете логику распределения, сами валидируете. Кастомная модель в BigQuery — это не «экспорт DDA в SQL», это отдельный аналитический продукт.

3. Consent Mode и смоделированные конверсии

Вторая часть той же проблемы. Когда пользователь отклонил аналитические куки, GA4 не получает идентификатор, но в интерфейсе конверсия всё равно появляется, потому что Google моделирует её на основе поведения тех пользователей, которые дали согласие.

В экспорт в BigQuery смоделированные конверсии не попадают.

Последствие, которое регулярно ставит проекты в тупик: цифры в интерфейсе GA4 и показатели, рассчитанные на сырых данных, никогда не совпадут. Это не баг трекинга и не ошибка в SQL — это два разных набора данных. Разница тем больше, чем ниже уровень согласия на сайте.

Кейс: когда consent «съедает» половину идентификаторов

В одном из наших проектов согласие отсекало около 50% GA-идентификаторов. Строить атрибуцию привычным способом — по необработанным событиям в BigQuery — на таких данных было бессмысленно: половины путей там просто нет, а моделирование, с помощью которого GA4 закрывает этот пробел в интерфейсе, в экспорт не попадает.

Решение оказалось проще, чем попытки «починить» сырые данные. 

В GA4 есть два принципиально разных канала доступа к данным: сырой экспорт на уровне событий (event-level) в BigQuery и агрегированный Data API. Мы начали выгружать транзакции с источниками именно через API, ведь он предоставляет данные уже по той модели атрибуции, которая настроена в интерфейсе, с учётом моделирования.

Ограничения у этого подхода тоже есть: thresholding (GA4 скрывает строки, когда объем слишком мал) и сэмплирование. Мы обошли их, забирая данные небольшими порциями: короткие диапазоны дат и минимум параметров в запросе, чтобы сэмплирование не включалось.

Более общий вывод: при низком уровне согласия сырые данные перестают быть «более достоверным» источником. Иногда агрегированный API с моделью Google даёт более честную картину, чем собственная атрибуция, построенная на урезанных путях.

Типичные ошибки

1. Верить, что DDA работает, когда она фактически не работает. GA4 не сообщает, что модели не хватает данных. Проверяйте это через Model Comparison: если data-driven и last click дают идентичные цифры — вы смотрите на last click.

2. Сравнивать конверсии GA4 и Meta Ads и искать «правильную» цифру. Meta учитывает view-through и любые взаимодействия с рекламой, GA4 — только клики с сессией. Это разные методологии, а не ошибка трекинга.

3. Сравнивать цифры интерфейса GA4 и собственных расчётов в BigQuery как «правильные против неправильных». Это не сработает, ведь это два разных набора данных, а не два способа вычисления одного и того же показателя.

4. Смотреть на session source и считать, что это data-driven. Настройки атрибуции в GA4 влияют только на параметры без префиксов session/first user. Отчет по session source — это всегда last click, независимо от настроек.

5. Менять модель и сравнивать результаты «до/после» как динамику каналов. После смены модели показатели в каналах меняются, хотя на самом деле они стабильны. Фиксируйте дату изменения и не сравнивайте такие периоды напрямую.

6. Выбирать модель раз и навсегда. Модель атрибуции — это инструмент для решения конкретного вопроса. «Какие кампании масштабировать?» — смотрите DDA или linear. «Сколько стоит последнее взаимодействие перед покупкой?» — last click. Держите две модели рядом и принимайте решения там, где их выводы совпадают.

Справочник: как работает каждая модель

Last Click (последний клик)

100% ценности приписывается последнему каналу перед конверсией. В варианте last non-direct click прямые посещения игнорируются, если перед ними был другой канал.

Плюсы: 

• максимально проста и прозрачна, любой член команды поймёт отчёт; 

• не требует больших объемов данных; 

• легко сверять данные между системами (Google Ads, GA4, CRM).

Минусы: 

• систематически недооценивает верхние этапы воронки — медиа, соцсети, контент-маркетинг; 

• переоценивает брендовый поиск и ремаркетинг, то есть каналы, которые «дорабатывают» уже заинтересованного клиента; 

• решения на её основе часто приводят к отключению кампаний, которые на самом деле генерируют спрос.

Модели, основанные на правилах, которых больше нет в интерфейсе GA4

В ноябре 2023 года Google удалил из GA4 сразу четыре модели: linear, first click, time decay и position-based. В интерфейсе остались три опции: data-driven, last click и Google paid channels last click.

Почему Google их удалил. Официальная аргументация: основанные на правилах модели распределяют ценность произвольно. Логика типа «поровну» или «40/20/40» не вытекает из данных, это допущения, зафиксированные в коде. Google делает ставку на data-driven как на модель, которая рассчитывает вклад каналов на основе фактического поведения пользователей, и параллельно нуждается в единой модели для автостратегий в Ads. Упрощение интерфейса стало приятным побочным эффектом.

Почему мы всё равно ими пользуемся. В сквозной аналитике эти модели никуда не исчезли: если вы строите атрибуцию на сырых данных в BigQuery, на данных CRM или в сторонних системах, они доступны и часто полезны. Причины три: их логику легко объяснить как клиенту, так и руководителю, они не требуют значительных наборов данных для машинного обучения (которых в B2B никогда не будет), и они работают как контроль для «черного ящика» DDA.

Кратко о каждой:

1. Linear — ценность делится поровну между всеми точками контакта. Учитывает вклад всех каналов и не «убивает» верх воронки, но размывает картину: показ баннера и финальный клик получают одинаковый вес. Хороший компромисс, когда данных недостаточно для data-driven.

2. First Click — 100% ценности отдается первому контакту. Отвечает на вопрос «какой канал приводит новых клиентов». Модель полезна как вторая линза наряду с last click: разрыв между ними показывает, насколько разные каналы генерируют и закрывают спрос.

3. Time Decay — чем ближе контакт к конверсии, тем больше его вес (обычно — период полураспада 7 дней). Компромисс между linear и last click для коротких и средних циклов.

4. Position-based (U-shaped) — 40% первому, 40% последнему, 20% поровну остальным. Логика: самое важное — привести клиента к целевому действию. Для B2B существуют расширения W-shaped и Z-shaped, которые добавляют вес моменту создания лида и закрытию сделки.

Google paid channels last click (Ads-preferred)

Третий вариант в настройках атрибуции GA4: 100% ценности последнему клику по платным каналам Google, если они были в пути. Эта модель предназначена не для аналитики, а для оптимизации Google Ads: с ней конверсии, импортированные в Ads, «подсвечивают» платные кампании. Для отчетов сквозной аналитики она не подходит, поскольку по определению предвзята в пользу одного рекламного источника.

Data-driven (DDA)

Алгоритмическая модель: машинное обучение анализирует конверсионные и неконверсионные пути именно в ваших данных и рассчитывает фактический вклад каждой точки контакта. Сейчас это модель по умолчанию в GA4.

Плюсы: 

• наиболее близка к реальности, учитывает порядок, количество и тип взаимодействий; 

• показывает ценность ассистирующих каналов, которую скрывает модель «последнего клика»; 

• автоматически адаптируется к изменениям в поведении аудитории.

Минусы:

1. требует большого объема данных. Google не публикует точного порога для GA4. На практике при низких объемах конверсий DDA дает результаты, почти идентичные «последнему клику», ведь модели просто не на чем учиться. Проверяйте через Model Comparison.

2. «Черный ящик»: вы не можете объяснить клиенту или руководителю, почему кампания получила именно 23% ценности.

3. Работает только на данных, которые видит Google. Офлайн-продажи, звонки, сделки из CRM без импорта в GA4 модель не учитывает.

4. Вес не экспортируется в BigQuery.

В 2026 году GA4 позволяет настраивать модель атрибуции и окно ретроспективного обзора отдельно для каждого ключевого события. Раньше единые настройки применялись ко всему ресурсу (property): подписка на рассылку и покупка на $10 000 оценивались одинаково.

На практике это означает: для покупки можно задать data-driven с длинным окном, для подписки — last click с коротким. Настройки можно выполнить в разделе Advertising → Conversion Management, отдельно для каждого property.

Алгоритмические подходы на собственных данных

Для тех, кто строит атрибуцию самостоятельно на необработанных данных, помимо моделей, основанных на правилах, существуют два классических алгоритмических подхода.

Цепочки Маркова учитывают removal effect — насколько упадет общая конверсия, если полностью убрать канал из путей. Вектор Шепли — метод из теории игр, справедливо распределяющий «выигрыш» между участниками коалиции; именно на нем основан DDA Google.

Оба реализуются на данных GA4 в BigQuery с помощью SQL + Python и, в отличие от DDA, это не «черный ящик»: вы контролируете логику и можете её объяснить.

Отдельный случай: продажи вне сайта

Значительная часть рынка продает не только через сайт: продажи происходят в Instagram Direct, мессенджерах, на маркетплейсах. Поскольку конверсия происходит в переписке или на чужом домене, GA4 её не видит в принципе, и это не вопрос настроек трекинга.

Атрибуция в таких сценариях вырождается: канал сделки и так известен из CRM, поэтому ценность просто приписывается ему напрямую, независимо от других источников.

Рабочая конструкция в таких случаях гибридная: 

• в качестве базы используется Last Click на сырых данных GA4;

• заказы, которые удалось связать с сессией, получают источник из GA4;

• несвязанные сделки берут источник непосредственно из CRM;

• для приоритетных каналов (например, маркетплейсов) данные из CRM переопределяют данные GA4 даже в том случае, если сессия на сайте была найдена.

Минимальное условие, чтобы это работало: поле «Источник» в CRM должно быть обязательным для заполнения и иметь фиксированный список значений, а не произвольный текст.

Важно понимать, чем мы платим за такой подход. Другие каналы вполне могли сработать, просто мы отдали всю продажу последнему. Иногда это можно отследить: если клиент постоянный и уже покупал, в CRM может храниться набор его идентификаторов, в частности client_id Google Analytics. По нему видно, что человек взаимодействовал с сайтом, а купил через Директ или маркетплейс. 

Вывод

Модель атрибуции — это не поиск истины, а выбор «линзы» для решения конкретной бизнес-задачи. Но в сквозной аналитике выбор модели — это «последняя миля», а не «первая». Сначала нужно ответить на базовые вопросы: 

• какой процент сделок в CRM имеет достоверный источник;

• как правильно учитывать телефонные звонки;

• насколько consent на сайте размывает данные;

• и понимаете ли вы, почему цифры в интерфейсе не совпадают с расчетами в BigQuery.

И напоследок: атрибуция — не единственный способ оценивать эффективность маркетинга. Из-за деградации cookie-based трекинга (ограничения ITP, consent mode, блокировщики рекламы) крупные бренды всё чаще дополняют её инструментами Marketing Mix Modeling и инкрементными тестами — подходами, не зависящими от отслеживания отдельных пользователей. Но это тема отдельной статьи.