Атрибуция в Яндекс Метрике: как работают модели и какую выбрать

Пользователь редко принимает решение о покупке после одного визита. Чаще его путь состоит из нескольких касаний: сначала он видит рекламу, затем переходит из поисковой выдачи, открывает письмо из рассылки, а уже после возвращается напрямую и оформляет заказ. В такой ситуации важно понимать, как определить вклад каждого канала в итоговую конверсию.

За это отвечает модель атрибуции. Она задает правило, по которому Яндекс Метрика распределяет ценность целевого действия между источниками трафика. От выбранной модели зависит, какие каналы будут выглядеть наиболее эффективными, как будет оцениваться реклама и куда в дальнейшем направят маркетинговый бюджет.

После обновления Яндекс Метрики подход к атрибуции изменился. Сервис перешел к единой кросс-девайс логике и отказался от ряда старых вариантов, которые не учитывали взаимодействия пользователя с разных устройств.

Разберемся, какие модели доступны сейчас, по какому принципу они работают и в каких ситуациях каждая из них будет наиболее полезна.

Что изменилось в атрибуции Яндекс Метрики

Весной Яндекс обновил систему атрибуции в Метрике и Директе. Главным изменением стал переход к автоматическому учету кросс-девайсных взаимодействий.

Ранее для некоторых моделей необходимо было отдельно активировать опцию «Кросс-девайс». Она позволяла объединять действия одного пользователя, совершенные со смартфона, компьютера или планшета. После обновления эта возможность стала частью стандартной логики сервиса, поэтому дополнительно включать ее больше не требуется.

Одновременно Яндекс отказался от старых вариантов атрибуции, которые не могли объединять визиты с разных устройств. При этом привычные названия моделей - «Первый переход», «Последний переход» и «Последний значимый переход» - остались. Теперь они работают с учетом кросс-девайсных данных.

В актуальной версии Метрики доступны четыре модели:

1. автоматическая;
2. первый переход;
3. последний переход;
4. последний значимый переход.

Что такое атрибуция и зачем нужен кросс-девайс

Атрибуция - это способ определить, какому источнику трафика система должна приписать конверсию. Иными словами, она помогает ответить на вопрос: какой канал считать ответственным за заявку, покупку, регистрацию или другое целевое действие.

Допустим, пользователь впервые увидел компанию в рекламе, через несколько дней нашел сайт в поиске, затем перешел по письму из рассылки и только после этого купил товар. Все эти контакты участвовали в принятии решения, однако разные модели атрибуции распределят конверсию между ними по-разному.

Кросс-девайсная логика позволяет учитывать такие взаимодействия как часть одного пользовательского пути. Например, человек может изучать товар со смартфона, а завершить покупку вечером с ноутбука. Для аналитики это не два независимых посетителя, а единая последовательность действий.

1. Атрибуция по первому переходу

В этой модели конверсия закрепляется за источником, который впервые привел пользователя на сайт.

Когда использовать

«Первый переход» полезен, если задача — определить, какие каналы привлекают новую аудиторию и создают первое знакомство с брендом. Особенно актуальна модель для компаний с длинным циклом сделки: недвижимости, автомобилей, B2B-услуг и других продуктов, где между первым визитом и покупкой может пройти значительное время.

Что учитывать

Модель не принимает во внимание последующие контакты. Если пользователь впервые пришел из поисковой системы, а окончательно решился на покупку после рекламного объявления, вся конверсия будет закреплена за поиском.

Поэтому каналы, которые непосредственно прогревают и возвращают аудиторию, при такой оценке могут выглядеть менее эффективными, чем они есть на самом деле.

Пример распределения конверсий при модели «Первый переход»: большую долю дают прямые заходы и поисковые системы, а реклама занимает третью позицию.

2. Атрибуция по последнему переходу

Здесь конверсия достается источнику, с которого пользователь пришел непосредственно перед выполнением целевого действия.

Когда использовать

Такая модель помогает оценить каналы, которые чаще всего завершают путь пользователя. Ее удобно применять для анализа email-рассылок, ретаргетинга, push-уведомлений и других инструментов, рассчитанных на уже заинтересованную аудиторию.

Что учитывать

История предыдущих взаимодействий при этом полностью игнорируется. Пользователь мог несколько недель знакомиться с продуктом через рекламу и SEO, но если перед покупкой он зашел напрямую, конверсия будет записана на прямой трафик.

В результате модель способна завышать значение прямых визитов, особенно если клиент самостоятельно вводит адрес сайта или возвращается по сохраненной закладке для завершения заказа.

Пример распределения конверсий при модели «Последний переход»: наибольшую долю дают поисковые системы, а рекламный трафик находится на четвертой позиции.

3. Атрибуция по последнему значимому переходу

В этом случае система выбирает последний значимый источник. Прямые визиты и внутренние переходы не считаются значимыми, если перед ними уже было взаимодействие с другим каналом.

Представим, что клиент сначала пришел по рекламному объявлению, а через несколько дней самостоятельно набрал адрес сайта в браузере и оформил заказ. При модели «Последний значимый переход» конверсия будет отнесена к рекламе.

Когда использовать

Это один из наиболее универсальных вариантов для оценки маркетинговых каналов. Модель позволяет не отдавать конверсии прямому трафику только потому, что пользователь вернулся на сайт самостоятельно. Благодаря этому проще оценивать реальный вклад рекламы, SEO, социальных сетей и других источников.

Что учитывать

Если необходимо определить именно тот источник, который технически привел пользователя на сайт непосредственно перед конверсией, лучше выбрать «Последний переход». В нем прямой визит будет учитываться независимо от предыдущей истории.

Пример распределения конверсий при модели «Последний значимый переход»: поисковый трафик приносит больше всего конверсий, а реклама занимает четвертую позицию.

4. Автоматическая атрибуция

Автоматическая модель использует алгоритмы машинного обучения. Вместо заранее заданного правила система анализирует пользовательский путь и оценивает вклад различных точек контакта в совершение конверсии.

Проще говоря, алгоритм не просто выбирает первый или последний источник, а пытается определить, какое взаимодействие действительно сыграло роль в конкретной конверсии.

Когда использовать

Яндекс рекомендует автоматическую атрибуцию для рекламных кампаний в Директе. Она используется рекламными стратегиями для обучения и оптимизации показов, помогает системе находить пользователей с большей вероятностью совершения целевого действия.

Особенно полезной модель становится при сложных сценариях, где у клиента много касаний с брендом и невозможно объективно оценить их вклад только по позиции в цепочке.

Что учитывать

Автоматическая модель хорошо подходит для управления рекламой, но при полноценном маркетинговом анализе не стоит ограничиваться только ей. Сопоставление результатов с другими моделями позволяет увидеть, как меняется оценка каналов в зависимости от выбранного принципа атрибуции.

Пример распределения конверсий при автоматической модели: поисковый трафик остается лидером, а реклама поднимается на второе место.

Как разные модели распределяют одну и ту же конверсию

Рассмотрим простой путь клиента:

Поиск → Email → Реклама → Прямой заход → Покупка

Одна и та же покупка будет интерпретироваться по-разному в зависимости от настроек атрибуции.

Первый переход - конверсия засчитывается поиску или другому источнику, который впервые привел пользователя на сайт. Такой подход помогает определить каналы, которые знакомят аудиторию с брендом.

Последний переход - конверсия достается источнику, с которого пользователь пришел непосредственно перед покупкой или другим целевым действием. Модель позволяет понять, какой канал стал финальной точкой на пути к конверсии.

Последний значимый переход - система учитывает последний существенный маркетинговый контакт и не засчитывает конверсию прямому заходу, если до него уже было взаимодействие с другим источником. Это помогает оценить вклад каналов, которые действительно участвовали в принятии решения.

Автоматическая атрибуция - конверсия распределяется с учетом оценки алгоритма Яндекса. Система анализирует путь пользователя и определяет, какие источники внесли наибольший вклад в целевое действие. Такой вариант особенно подходит для оптимизации рекламы и анализа сложных пользовательских сценариев.

В пользовательском сценарии каждый канал выполняет свою функцию:

1. поиск знакомит потенциального клиента с компанией;
2. рассылка поддерживает интерес;
3. реклама возвращает пользователя и может подтолкнуть его к покупке;
4. прямой визит становится финальной точкой перед заказом.

Поэтому выбор модели зависит от того, какую именно роль бизнеса интересует измерить: привлечение новой аудитории, влияние на решение или непосредственное завершение конверсии.

Какую модель атрибуции выбрать

Универсальной модели, которая одинаково хорошо решает все аналитические задачи, нет. Выбирать ее стоит исходя из того, какой вопрос вы хотите получить из данных.

1. Если нужно понять, какие источники приводят новых пользователей, подойдет модель «Первый переход».

1. Если важно определить, какой канал непосредственно предшествует конверсии, используйте «Последний переход».

1. Если необходимо оценить вклад маркетинговых каналов без переоценки прямого трафика, логичным выбором будет «Последний значимый переход».

1. Если основная задача - оптимизация рекламных кампаний в Директе, стоит ориентироваться на автоматическую атрибуцию.

Вместо заключения

Атрибуция в Яндекс Метрике не определяет один-единственный «правильный» источник продажи. Она задает аналитическую перспективу, через которую бизнес смотрит на путь пользователя.

Чем сложнее становится клиентский путь, тем важнее учитывать не только финальный переход, но и предыдущие взаимодействия. Один пользователь может несколько раз контактировать с брендом, менять устройства и возвращаться через разные каналы и каждый из них способен выполнять свою функцию в воронке.

Поэтому выбирать модель стоит не по принципу «какая лучше», а исходя из конкретной задачи. Для анализа привлечения подойдет первый переход, для оценки финального контакта - последний, для маркетингового анализа - последний значимый, а для управления рекламой - автоматическая атрибуция.

Главная цель аналитики при этом остается прежней: не просто распределить конверсии между источниками, а понять, какую роль каждый канал играет в принятии решения о покупке и использовать эту информацию для более точного управления маркетингом.