В 2026 году индустрия перформанс-маркетинга сталкивается с постоянно растущей сложностью клиентского пути. Пользователи взаимодействуют с десятками рекламных каналов перед совершением конверсии, и традиционные модели атрибуции, такие как Last Click или First Click, не дают адекватной оценки вклада каждого канала. Это приводит к неоптимальному распределению бюджета и потере потенциального ROMI (Return On Marketing Investment). Решение — использовать продвинутые подходы, основанные на теории игр, которые учитывают синергию и последовательность взаимодействий.
Проблема классических моделей атрибуции в многоканальной среде
Представьте типичный путь клиента: пользователь увидел баннерную рекламу, затем перешёл по ссылке из поисковой выдачи, позже кликнул по рекламному объявлению в Telegram (платформа Meta признана экстремистской и запрещена в РФ), а затем сделал заказ, введя название бренда напрямую в поиске. Какому каналу мы должны присвоить конверсию и соответствующий доход? Классические модели дают следующие искажённые результаты:
- Last Click: Вся ценность уходит на Direct/Organic Search (поиск по названию бренда), который по сути просто зафиксировал уже созревшее намерение.
- First Click: Вся ценность уходит на баннерную рекламу, игнорируя последующие касания, которые могли убедить пользователя в покупке.
- Линейная модель: Равномерно распределяет ценность между всеми каналами, что также не отражает реальный вклад. Ведь не все касания равнозначны.
Такие подходы систематически переоценивают одни каналы и недооценивают другие. В результате, мы либо вкладываемся в «последний штрих», забывая о каналах, которые формируют спрос, либо наоборот, перерасходуем бюджет на начальные этапы воронки, не поддерживая клиента до конца. Это напрямую влияет на ROMI, снижая его потенциальный максимум.
Теория игр в атрибуции: справедливость и точность
Модели атрибуции на основе теории игр призваны решить проблему несправедливого распределения ценности. Они рассматривают каждый канал как игрока в кооперативной игре, где цель — достижение конверсии. При этом вклад каждого игрока оценивается не изолированно, а с учётом его влияния на общий результат в различных комбинациях с другими игроками. Это позволяет выявить истинную ценность каждого канала.
Модель атрибуции Шапли
Коэффициент Шапли (Shapley Value) — это концепция из кооперативной теории игр, которая распределяет общий выигрыш (ценность конверсии) между игроками (каналами) на основе их маржинального вклада во все возможные коалиции. Она учитывает все возможные комбинации каналов, которые привели к конверсии, и оценивает, как присутствие или отсутствие каждого канала влияет на вероятность этой конверсии.
Формула Шапли сложна для ручного расчёта, но её суть в следующем: для каждого канала рассчитывается средний вклад, который он вносит в увеличение вероятности конверсии, когда добавляется к различным подмножествам других каналов. Это обеспечивает справедливое распределение, поскольку каждый канал получает вознаграждение пропорционально своей реальной ценности, а не просто за последнее или первое касание.
«В мире, где пользовательский путь нелинеен, а каналы взаимодействуют друг с другом, метрики 'первого' или 'последнего' клика — это лишь мираж эффективности. Истинная ценность лежит в понимании синергии.»
— Денис Орлов, перформанс-маркетолог
Марковские цепи
Модели на основе Марковских цепей подходят к проблеме атрибуции иначе. Они строят вероятностную модель переходов пользователя между различными состояниями (каналами) до достижения целевого состояния (конверсии). Модель рассчитывает вероятность того, что пользователь перейдёт из одного канала в другой, и затем, используя эти вероятности, определяет важность каждого канала в пути к конверсии.
Ключевое преимущество Марковских цепей — это учёт последовательности взаимодействий и вероятности «отвала» пользователя на любом этапе. Канал получает больше веса, если он часто встречается на успешных путях к конверсии и если он предотвращает уход пользователя из воронки. Это позволяет выявить не только каналы, которые непосредственно приводят к конверсии, но и те, которые «подогревают» пользователя и удерживают его внимание.
Внедрение и расчёт ROMI с моделями Шапли и Марковских цепей
Для расчёта атрибуции по моделям Шапли или Марковских цепей потребуются данные о каждом касании пользователя с рекламными каналами до совершения конверсии. Это достигается через UTM-метки, Client ID в веб-аналитике (Google Analytics 4, Яндекс Метрика) и сквозную аналитику, объединяющую данные из CRM и рекламных кабинетов.
После сбора данных, обработка и применение этих моделей чаще всего реализуются с помощью специальных инструментов или скриптов на Python (библиотеки вроде ChannelAttribution) или R. Эти инструменты позволяют рассчитать веса для каждого канала, отражающие их реальный вклад в конверсии.
Пример расчёта ROMI с атрибуцией Шапли
Рассмотрим условный интернет-магазин электроники. Бюджет на маркетинг в месяц составляет 1 000 000 рублей. За этот месяц было совершено 5000 конверсий со средней прибылью 1000 рублей с каждой. Общий доход от конверсий составил 5 000 000 рублей. В итоге, маркетинговые затраты принесли 5000 конверсий, обеспечив 5 000 000 рублей прибыли. Задача: определить вклад каждого канала в эти 5000 конверсий и соответствующий ROMI.
Предположим, у нас есть три основных канала: Контекстная реклама (Paid Search), Таргетированная реклама (Social Ads) и Email-маркетинг (Email).
Данные о затратах:
- Paid Search (PS): 400 000 рублей
- Social Ads (SA): 350 000 рублей
- Email: 250 000 рублей
Атрибуция конверсий (в штуках) по разным моделям:
1. Last Click:
- PS: 2000 конверсий
- SA: 1500 конверсий
- Email: 1500 конверсий
2. Шапли (после расчёта через инструмент):
- PS: 1800 конверсий
- SA: 1700 конверсий
- Email: 1500 конверсий
Теперь рассчитаем ROMI для каждого канала. Формула ROMI = (Доход от маркетинга - Затраты на маркетинг) / Затраты на маркетинг * 100%.
Доход от маркетинга для каждого канала рассчитывается как: Количество конверсий * Средняя прибыль с конверсии.
ROMI по модели Last Click
Paid Search:
Доход PS = 2000 * 1000 = 2 000 000 рублей
ROMI PS = (2 000 000 - 400 000) / 400 000 * 100% = 400%
Social Ads:
Доход SA = 1500 * 1000 = 1 500 000 рублей
ROMI SA = (1 500 000 - 350 000) / 350 000 * 100% = 328.57%
Email:
Доход Email = 1500 * 1000 = 1 500 000 рублей
ROMI Email = (1 500 000 - 250 000) / 250 000 * 100% = 500%
ROMI по модели Шапли
Paid Search:
Доход PS = 1800 * 1000 = 1 800 000 рублей
ROMI PS = (1 800 000 - 400 000) / 400 000 * 100% = 350%
Social Ads:
Доход SA = 1700 * 1000 = 1 700 000 рублей
ROMI SA = (1 700 000 - 350 000) / 350 000 * 100% = 385.71%
Email:
Доход Email = 1500 * 1000 = 1 500 000 рублей
ROMI Email = (1 500 000 - 250 000) / 250 000 * 100% = 500%
Выводы из примера:
- По модели Last Click, Email-маркетинг выглядит как самый эффективный канал, а Paid Search — как второй по эффективности.
- Модель Шапли показывает, что Paid Search менее эффективен, чем казалось по Last Click (ROMI снизился с 400% до 350%), а Social Ads, напротив, имеет более высокий ROMI (вырос с 328.57% до 385.71%), потому что вносит значительный вклад на промежуточных этапах воронки.
- Email-маркетинг сохраняет высокую эффективность, так как часто является последним или одним из последних касаний, непосредственно ведущих к покупке.
Такая детализация позволяет перераспределить 50 000 - 100 000 рублей бюджета с Paid Search на Social Ads, что повысит общий ROMI за счёт более эффективного использования бюджета в тех каналах, которые реально стимулируют продажи на разных этапах.
Оптимизация рекламного бюджета и стратегии на основе игровой атрибуции
Полученные данные об истинном вкладе каждого канала позволяют принимать обоснованные решения об оптимизации рекламного бюджета. Если какой-то канал показал более высокий ROMI по модели Шапли, чем по Last Click, это сигнал к увеличению инвестиций в него. И наоборот, завышенная оценка по Last Click может привести к перерасходу средств.
- Перераспределение бюджета: Вы можете смело увеличивать бюджет на каналы, которые демонстрируют высокий ROMI по продвинутым моделям, даже если они не являются «последним кликом». Например, если таргетированная реклама (Social Ads) активно «подогревает» аудиторию, но редко закрывает сделку напрямую, модель Шапли покажет её реальную ценность в цепочке, что позволит выделить на неё больше средств.
- Корректировка стратегий: Понимание, как каналы взаимодействуют, даёт инсайты для улучшения стратегий. Например, если Brand Search часто является завершающим шагом после Paid Search, возможно, стоит усиливать охватные кампании, чтобы увеличить узнаваемость бренда, а не только работать с горячим спросом.
- Управление воронкой: Марковские цепи особенно полезны для выявления «узких мест» в воронке. Если наблюдается высокий процент оттока после определённого канала, это повод для его оптимизации или изменения коммуникации.
Использование моделей атрибуции на основе теории игр позволяет перейти от интуитивного распределения бюджета к научно обоснованному. Это не только повышает ROMI, но и даёт глубокое понимание всей маркетинговой экосистемы, её сильных и слабых сторон.
«В 2026 году маркетолог, который не использует продвинутые модели атрибуции, похож на хирурга, оперирующего в темноте. Вы можете добиться успеха, но риск ошибки и потери эффективности слишком высок.»
— Денис Орлов, перформанс-маркетолог
Вызовы и перспективы
Внедрение моделей атрибуции на основе теории игр не лишено сложностей. Требуется качественный сбор данных, их очистка и сопоставление. Необходимы навыки работы с инструментами аналитики и, возможно, программирования. Однако инвестиции в эти компетенции окупаются многократно, поскольку позволяют принимать стратегические решения, основанные на точных расчётах.
Перспективы развития этих моделей связаны с дальнейшей интеграцией с искусственным интеллектом и машинным обучением. Системы будут не только рассчитывать атрибуцию, но и предлагать оптимальные сценарии распределения бюджета в режиме реального времени, учитывая динамику рынка и поведение пользователей. Это сделает маркетинг ещё более предсказуемым и эффективным.
Ключевые выводы для повышения ROMI в 2026 году
- 1.Отказаться от устаревших моделей Last Click/First Click в пользу моделей на основе теории игр (Шапли, Марковские цепи) для справедливой оценки вклада каналов.
- 2.Инвестировать в сквозную аналитику и системы сбора данных, способные отслеживать весь путь пользователя по всем точкам касания.
- 3.Использовать специализированные инструменты или разрабатывать собственные решения для расчёта атрибуции Шапли/Марковских цепей.
- 4.Регулярно анализировать полученные данные и перераспределять рекламные бюджеты в пользу каналов, демонстрирующих максимальный ROMI по продвинутым моделям.
- 5.Оптимизировать рекламные стратегии, основываясь на понимании синергии каналов и их роли на разных этапах воронки продаж.
- 6.Рассматривать атрибуцию как непрерывный процесс оптимизации, а не разовую задачу. Поведение пользователей и эффективность каналов постоянно меняются.
Подготовка данных для игровых моделей атрибуции: чистота — залог точности
Прежде чем бросаться в расчёты со сложными моделями Шапли или Марковских цепей, нужно убедиться в качестве данных. Грязные, неполные или неправильно собранные данные сделают любые, даже самые изощрённые математические модели, бесполезными. Игровые модели особенно чувствительны к качеству входной информации, поскольку они строят сложные зависимости и учитывают каждое касание.
Для начала, необходимо собрать максимально полный набор данных по каждому пользовательскому пути. Это включает все точки контакта: переходы по рекламе, органический поиск, рассылки, социальные сети, прямые заходы, офлайн-активности, если они интегрированы. Важно фиксировать не только факт взаимодействия, но и его тип, время, стоимость привлечения (если применимо) и, главное, уникальный идентификатор пользователя, позволяющий связать все эти точки.
Сбор и агрегация данных
Первый шаг — обеспечить всесторонний сбор данных. Используйте UTM-метки для всех рекламных кампаний. Внедряйте универсальные идентификаторы пользователя (User ID) через системы аналитики и CRM. Отслеживайте взаимодействия как на сайте, так и в мобильных приложениях, объединяя эти данные. Если у вас есть офлайн-точки продаж, постарайтесь связать их с онлайн-активностью, например, через программы лояльности или сканирование QR-кодов.
- Идентификация пользователя: Ключевая задача — понять, что все эти касания относятся к одному и тому же пользователю. Для этого используют User ID в Google Analytics 4, собственные системы авторизации, cookie-файлы, Fingerprint-анализ. Важно построить единый профиль клиента.
- Единое хранилище данных: Все собранные данные должны быть агрегированы в одном месте. Это может быть специализированная CDP (Customer Data Platform), data lake или хорошо структурированное хранилище данных. Только так можно получить полный путь пользователя.
- Очистка и стандартизация: Удаление дубликатов, исправление ошибок в UTM-метках, стандартизация названий каналов и кампаний. Например, «контекстная реклама» и «контекст» должны быть объединены в один канал. Этот этап может занять до 30% всего времени на подготовку.
Сегментация и фильтрация
После сбора и очистки данных необходимо провести их сегментацию. Возможно, для разных групп продуктов или аудиторий оптимальный путь конверсии будет отличаться. Анализируйте пути по типу продукта, географии, стоимости среднего чека. Отфильтруйте нерелевантные пути, например, очень короткие сессии без явного интереса или, наоборот, аномально длинные с подозрительными действиями.
«Качество данных определяет качество инсайтов. Самая продвинутая модель атрибуции не исправит ошибок в исходной информации. Сначала чистим, потом считаем.»
— Денис Орлов
Интерпретация результатов игровых моделей: от цифр к действиям
Получив распределение ценности каналов по моделям Шапли или Марковских цепей, перед вами встает задача — как это интерпретировать и применить на практике? Сами по себе цифры Шапли не дают готовых решений, они лишь показывают вклад. Наша задача — преобразовать эти инсайты в конкретные действия по оптимизации бюджета и улучшению перформанса.
Сравнение с классическими моделями
Начните с сравнения результатов игровой атрибуции с тем, что вы получали по модели Last Click или линейной. Часто обнаруживаются существенные различия. Например, канал, который по Last Click приносил 10% конверсий, по Шапли может давать 25%, потому что он является важным «игроком» в начале пути, но не в финале. И наоборот, Last Click может переоценивать финальные каналы, игнорируя их зависимость от предыдущих касаний. Это сравнение покажет вам, где именно классические модели искажали реальную картину.
Выявление недооценённых и переоценённых каналов
Основная задача — определить каналы, которые недооценивались классическими моделями. Если ROMI канала по Шапли значительно выше, чем по Last Click, это сигнал к увеличению инвестиций в него. Например, если затраты на органический поиск составляют 50 000 рублей, а ROMI по Last Click равен 150%, то по Шапли он может вырасти до 250%. Это говорит о его ключевой роли в поддержке других каналов. Ищите каналы с высоким коэффициентом прироста ROMI при переходе от Last Click к Шапли.
В то же время, каналы, чей ROMI по Шапли ниже, чем по Last Click, могут быть переоценены. Возможно, они лишь завершают путь, который уже был создан другими каналами, и их вклад в итоговую конверсию не так значителен, как казалось. В этом случае стоит рассмотреть перераспределение бюджета от них к более эффективным каналам.
Пример анализа и оптимизации бюджета на основе игровой атрибуции
Рассмотрим конкретный пример. Допустим, у нас есть три канала: Контекстная реклама (КР), Социальные сети (СС) и Email-маркетинг (Email).
Исходные данные за месяц:
- Общие затраты: 300 000 рублей
- Общий доход: 900 000 рублей
- Общее количество конверсий: 300
Распределение по Last Click:
- КР: Затраты 150 000 руб., Доход 600 000 руб. (200 конверсий)
- СС: Затраты 100 000 руб., Доход 150 000 руб. (50 конверсий)
- Email: Затраты 50 000 руб., Доход 150 000 руб. (50 конверсий)
ROMI по Last Click:
- КР: (600 000 - 150 000) / 150 000 * 100% = 300%
- СС: (150 000 - 100 000) / 100 000 * 100% = 50%
- Email: (150 000 - 50 000) / 50 000 * 100% = 200%
Вывод по Last Click: Контекст — лидер, СС — аутсайдер, Email — хорош.
Распределение по Шапли (гипотетический расчёт на основе игровых моделей):
- КР: Затраты 150 000 руб., Доход 450 000 руб. (150 конверсий)
- СС: Затраты 100 000 руб., Доход 300 000 руб. (100 конверсий)
- Email: Затраты 50 000 руб., Доход 150 000 руб. (50 конверсий)
ROMI по Шапли:
- КР: (450 000 - 150 000) / 150 000 * 100% = 200%
- СС: (300 000 - 100 000) / 100 000 * 100% = 200%
- Email: (150 000 - 50 000) / 50 000 * 100% = 200%
Что изменилось? По модели Шапли, социальные сети, которые по Last Click казались неэффективными, показывают ROMI в 200%. Это произошло потому, что СС часто выступают в роли первого касания, формируя спрос и информируя аудиторию, после чего пользователи переходят по контекстной рекламе или через email. Без СС многие пути просто не начались бы. В то же время, вклад КР немного снизился, так как часть её конверсий была инициирована другими каналами.
Предлагаемая оптимизация бюджета:
Если мы стремимся к максимальному ROMI, то исходя из новых данных, имеет смысл перераспределить бюджет:
- Увеличить бюджет на Социальные сети: Сейчас они недооценены и могут приносить больше при соответствующем вложении. Например, добавить 50 000 рублей.
- Сохранить или незначительно снизить бюджет на Email: Его эффективность стабильна.
- Пересмотреть стратегию по Контекстной рекламе: Возможно, часть бюджета, которая сейчас идёт на слишком широкие или дорогие ключевые слова, может быть перенаправлена в СС или на более точный контекст.
Новый бюджет (гипотетически):
- КР: 120 000 руб.
- СС: 150 000 руб.
- Email: 30 000 руб.
Общие затраты остались на уровне 300 000 рублей, но их распределение изменилось. За счёт этого, мы ожидаем, что общий доход вырастет с 900 000 рублей до, например, 1 000 000 рублей, а общий ROMI увеличится, поскольку инвестиции направлены в каналы с более высоким потенциалом влияния на общую конверсию. Такой подход позволяет не просто получить цифры, а использовать их для принятия конкретных, измеримых решений.
Автоматизация и инструментарий для работы с игровыми моделями
Ручной расчёт значений Шапли или Марковских цепей для большого количества конверсий и каналов становится невозможным. Здесь на помощь приходят специализированные инструменты и подходы к автоматизации.
Использование Python и R
Для аналитиков, владеющих программированием, Python и R предлагают мощные библиотеки для реализации игровых моделей. Например, в Python есть библиотеки вроде `ShapleyValue` или `MarkovModel`, которые позволяют быстро обрабатывать большие объёмы данных и рассчитывать необходимые коэффициенты. Это требует определённой квалификации, но даёт максимальную гибкость и контроль над процессом.
«Не стоит изобретать велосипед. Открытые библиотеки и готовые решения уже есть. Ваша задача — правильно подготовить данные и корректно интерпретировать результаты, а не писать код с нуля для каждой модели.»
— Денис Орлов
Специализированные платформы
Многие крупные аналитические платформы и сервисы сквозной аналитики уже интегрируют игровые модели атрибуции в свой функционал. Это позволяет маркетологам работать с ними без глубоких знаний в программировании. Такие платформы обычно предлагают удобные интерфейсы для загрузки данных, настройки моделей и визуализации результатов.
- Платформы сквозной аналитики: Многие современные системы (например, OWOX BI, Roistat, Alytics) предлагают продвинутые модели атрибуции, включая игровые. Они собирают данные из рекламных кабинетов, CRM, веб-аналитики и предоставляют готовые отчёты.
- CDP-системы: Customer Data Platforms агрегируют данные о клиентах из всех источников, что делает их идеальной основой для применения игровых моделей атрибуции. Они могут предоставлять данные в формате, готовом для обработки, или даже включать модули атрибуции.
- BI-инструменты: Tableau, Power BI, Google Data Studio можно использовать для визуализации результатов, полученных из Python/R или специализированных платформ. Это помогает сделать инсайты доступными для всей команды.
Этапы автоматизации:
- 1.Сбор данных: Автоматизируйте сбор данных из всех источников с помощью API или коннекторов.
- 2.Очистка и стандартизация: Настройте скрипты или правила в CDP для автоматической обработки данных.
- 3.Расчёт атрибуции: Используйте готовые модули в платформах или свои скрипты Python/R.
- 4.Визуализация и отчётность: Создайте дашборды в BI-системах, которые будут обновляться автоматически и показывать ключевые метрики ROMI по каналам с учётом игровой атрибуции.
- 5.Интеграция с рекламными кабинетами: В идеале, данные атрибуции должны использоваться для автоматической корректировки ставок и бюджетов в рекламных системах через API, что позволяет достичь максимальной операционной эффективности.
Комментарии (0)
Без регистрации. Комментарии проверяются автоматически перед публикацией.
Пока нет комментариев. Будьте первым!