Многократная атрибуция

Это модель аналитики, которая распределяет ценность конверсии между всеми точками контакта с пользователем в течение его пути к покупке, а не приписывает успех только последнему клику. Пользователь мог увидеть баннер в Facebook, затем найти компанию через поисковик, потом прийти через push-уведомление — и каждое из этих взаимодействий повлияло на его решение совершить целевое действие.

Система работает через выбор одной из нескольких моделей распределения. Линейная модель делит заслугу поровну между всеми касаниями. Time decay отдает больший вес более поздним взаимодействиям, чем ближе к конверсии. U-образная модель придает наибольшее значение первому и последнему контакту. Data-driven модель использует алгоритмы для анализа конкретных данных проекта и самостоятельно определяет весовые коэффициенты.

Каждая модель дает разные ответы на вопрос о том, какие каналы приносят реальную прибыль. Часто трафик, который выглядит убыточным в модели последнего клика, оказывается важным элементом воронки в многократной атрибуции. Он разогревает аудиторию на входе, и без него ROI закрывающего канала может упасть в два раза. Правильное перераспределение бюджета на основе этих данных приводит к росту общей прибыльности кампаний.

Главная проблема метода — кросс-девайсная атрибуция. Когда пользователь кликает с мобильного устройства, а покупает с компьютера, часть пути теряется и не отслеживается. В вертикалях с жесткими ограничениями на пиксели отслеживания ситуация еще сложнее. Для корректной работы data-driven моделей требуется значительный объем данных, при их недостатке результаты могут быть неточными.

При наличии достаточного трафика и настроенной сквозной аналитики многократная атрибуция становится обязательным инструментом. Без нее арбитражники часто отключают каналы, которые фактически приносят прибыль, и не понимают причин падения общих показателей кампании.