Атрибуция в 2026 году: почему last click обманывает ваш маркетинг
Если вы до сих пор оцениваете эффективность рекламы только по последнему клику, то почти наверняка режете бюджет не там, где нужно. Каналы, которые познакомили человека с брендом и подтолкнули его к покупке, могут выглядеть убыточными. А те, которые лишь забрали уже готовый спрос, получать больше денег.
Проблема не в том, что модель last click всегда неверна. Она проста, понятна и в некоторых случаях действительно полезна. Проблема начинается тогда, когда ее используют как единственный источник правды и на ее основании принимают все решения о рекламном бюджете.
Разберемся, почему последний клик показывает лишь часть пути клиента, какие модели атрибуции стоит знать и как выбрать подходящую для своего бизнеса.
ЧТО ТАКОЕ АТРИБУЦИЯ И ЗАЧЕМ ОНА НУЖНА
До покупки человек редко взаимодействует с брендом только один раз. Он может увидеть рекламу в соцсети, прочитать статью, перейти по объявлению в поиске, уйти сравнивать предложения, вернуться через рассылку и только после этого оформить заказ.
Каждое такое взаимодействие называется касанием. Задача модели атрибуции - распределить ценность конверсии между каналами, которые участвовали в пути клиента.
От выбранной модели зависит, как маркетолог увидит результат рекламы:
● какие каналы будут считаться эффективными
● где окажется самый высокий доход и самый низкий ДРР
● какие кампании получат дополнительный бюджет
● какие размещения решат сократить или отключить
При одних и тех же продажах разные модели могут дать совершенно разную картину. Поэтому атрибуция - не просто способ построить отчет. Это логика, которая напрямую влияет на распределение денег.
ПОЧЕМУ LAST CLICK ЧАСТО ВВОДИТ В ЗАБЛУЖДЕНИЕ
Last click - самая простая модель атрибуции: вся ценность продажи достается последнему учтенному источнику перед покупкой. Она привычна, легко объясняется и часто используется в отчетах по умолчанию. Но простота здесь оборачивается сильным упрощением реального поведения покупателей.
Представим путь клиента:
1. Человек впервые увидел продукт в рекламе во «ВКонтакте».
2. Через неделю перешел на сайт по объявлению в Яндекс Директе, но ничего не купил.
3. Еще через два дня ввел название компании в поиске, снова пришел на сайт и оформил заказ.
В модели last click вся ценность заказа достанется брендовому поиску - или другому последнему источнику, который учитывает конкретная система аналитики. Реклама во «ВКонтакте», которая познакомила человека с продуктом, не получит ничего. Небрендовая поисковая кампания, вернувшая его на сайт, - тоже.
В отчете это будет выглядеть так, будто брендовая реклама отлично продает, а реклама в соцсетях не работает. Следующий шаг кажется логичным: сократить бюджет на соцсети и вложить больше денег в брендовый поиск. Но после такого решения новых пользователей в верхней части воронки станет меньше, а через некоторое время снизится и число брендовых запросов.
То есть last click часто вознаграждает канал, который завершил уже начатый путь, и недооценивает каналы, которые этот путь создали.
Особенно заметно это в трех случаях:
● у клиента длинный цикл принятия решения;
● в пути к покупке участвуют несколько рекламных каналов;
● компания много вкладывает в охват, контент, медийную рекламу и формирование спроса.
Чем сложнее путь покупателя, тем меньше последний клик рассказывает о реальном вкладе рекламы.
КАКИЕ МОДЕЛИ АТРИБУЦИИ СТОИТ ЗНАТЬ В 2026 ГОДУ
Универсальной модели, которая подходит всем компаниям и отвечает на любые вопросы, не существует. Каждая модель рассматривает путь клиента под своим углом.
Первый клик - first click
Вся ценность конверсии достается каналу, с которого начался путь клиента.
Если человек впервые пришел из рекламы в соцсети, затем несколько раз возвращался из других источников и в итоге совершил покупку, вся выручка будет отнесена к соцсети.
Модель помогает понять, какие каналы приводят новую аудиторию и создают спрос. Она особенно полезна при оценке охватных размещений, контента и верхней части воронки.
Но у нее есть обратная сторона: все последующие касания остаются без ценности. Канал мог познакомить человека с брендом, но почти не повлиять на решение о покупке - модель все равно запишет ему весь результат.
Линейная модель - linear
Ценность конверсии делится поровну между всеми касаниями в цепочке.
Если до покупки было четыре учтенных взаимодействия, каждое получит по 25% ценности заказа. Так можно увидеть все каналы, которые участвовали в сделке, и не потерять верхнюю или середину воронки.
Линейная модель хорошо подходит для первого анализа многоканальных цепочек. Она проста и прозрачна, но считает все касания одинаково важными. На практике случайный переход из рассылки и ключевое рекламное объявление, после которого клиент принял решение, не всегда равноценны.
Модель с учетом давности взаимодействия - time decay
Чем ближе касание к покупке, тем больше ценности оно получает. Первые взаимодействия тоже учитываются, но их вес постепенно уменьшается.
Эта модель помогает оценивать рекламу в бизнесе с относительно коротким циклом сделки, где последние касания обычно сильнее влияют на решение. Например, она может быть полезна для интернет-магазина, если большинство покупателей оформляют заказ в течение нескольких дней после первого визита.
Однако time decay по своей логике все равно отдает преимущество нижней части воронки. Если охватная реклама запускает длинный процесс выбора, ее вклад может оставаться заниженным.
Позиционная модель - position based, или U-shaped
Наибольший вес получают первое и последнее касания, а оставшаяся ценность распределяется между промежуточными. В классическом варианте первому и последнему взаимодействиям отдают по 40%, а остальным - оставшиеся 20%, но конкретные веса можно настраивать.
Такая модель признает две важные роли: один канал познакомил клиента с продуктом, другой помог завершить покупку. Все, что происходило между ними, также учитывается, хотя и с меньшим весом.
Позиционная модель подходит компаниям, которым важно одновременно оценивать привлечение новой аудитории и закрытие сделки. Но заданные веса остаются условностью: схема 40–20–40 не доказывает, что именно так каналы повлияли на человека.
Атрибуция на основе данных - data driven
Вместо заранее заданного правила алгоритм анализирует накопленную историю взаимодействий и оценивает вклад разных касаний в конверсию.
Потенциально это наиболее гибкий подход: модель может учитывать, что одни каналы чаще встречаются в конверсионных цепочках, другие помогают только на определенном этапе, а третьи почти не меняют вероятность покупки.
Но data driven - не волшебная кнопка. Для нее нужен достаточный объем качественных данных, единая история касаний и стабильная методика учета конверсий. Если часть каналов потеряна, заказы дублируются, UTM-метки размечены хаотично или данные из CRM не связаны с рекламными визитами, алгоритм лишь точнее посчитает ошибочную картину.
Кроме того, результат такой модели сложнее объяснить: маркетолог видит рассчитанные веса, но не всегда может быстро понять, почему алгоритм распределил ценность именно так.
Как выбрать модель атрибуции
Выбор зависит не от моды и не от того, какая модель кажется самой продвинутой. Сначала нужно понять, какой вопрос вы хотите решить.
Если покупки импульсные, а путь занимает несколько часов
Для короткого цикла сделки last click может оставаться полезной рабочей моделью. Если большинство клиентов видят объявление и покупают в тот же визит, сложное распределение ценности мало изменит выводы.
Если до заказа все же бывает несколько касаний, стоит дополнительно посмотреть time decay: она учтет весь путь, но сохранит больший вес за взаимодействиями перед покупкой.
Если цикл сделки длинный
Для дорогих товаров, сложных услуг и B2B путь клиента может занимать недели и включать пять, десять и больше касаний. В таком случае последний клик обычно слишком сильно упрощает картину.
Для начала можно использовать линейную или позиционную модель. Они покажут, какие каналы участвуют в цепочках, даже если не закрывают продажу напрямую. При достаточном объеме данных имеет смысл дополнительно анализировать data-driven атрибуцию.
Если вы много вкладываете в узнаваемость и создание спроса
Медийная реклама, видео, соцсети, контент и другие охватные форматы часто получают мало конверсий по last click. Их задача обычно в другом: познакомить аудиторию с брендом и запустить интерес.
Чтобы увидеть эту роль, полезно сравнить результаты по first click и position based. Но важно не уходить в другую крайность: первое касание еще не означает, что реклама действительно стала причиной покупки.
Если основная задача - оперативно управлять продажами
Когда нужно оценить каналы, которые приводят готовый спрос и помогают закрывать заказы прямо сейчас, last click и time decay остаются полезными. Главное - не делать на их основании вывод, что верхняя часть воронки не нужна.
На практике бизнесу редко достаточно одной модели. Разумнее использовать несколько ракурсов для разных управленческих задач.
Не ищите одну «правильную» модель
Одна из самых частых ошибок - попытка выбрать модель атрибуции один раз и считать ее окончательной истиной. Но ни одна модель не знает наверняка, что происходило в голове покупателя. Она лишь по заданным правилам распределяет ценность между зафиксированными касаниями.
Поэтому полезнее сравнивать хотя бы две-три модели на одних и тех же данных. Например:
● last click - чтобы увидеть, какие источники чаще завершают путь;
● first click - чтобы понять, откуда начинаются новые цепочки;
● linear или position based - чтобы оценить каналы, работающие в середине воронки.
Если канал выглядит прибыльным по последнему клику, но резко теряет ценность в других моделях, возможно, он в основном забирает уже сформированный спрос. Если, наоборот, канал почти не виден в last click, но регулярно появляется первым или в середине успешных цепочек, отключать его только из-за низкого числа последних кликов рискованно.
Разница в 20–30% между моделями - не универсальный норматив, но хороший сигнал для проверки. Чем сильнее меняются выручка, ДРР, CPO или ROI канала при переключении модели, тем опаснее принимать решение по одному отчету.
Атрибуция не равна реальному приросту продаж
Важно помнить: даже самая сложная модель атрибуции распределяет ценность уже произошедших конверсий, но не доказывает, что без конкретного канала этих конверсий не было бы.
Например, брендовый поиск может часто становиться последним касанием. Но часть покупателей и без рекламы нашла бы сайт по названию компании. И наоборот, медийная кампания может встречаться в пути клиента, хотя ее реальное влияние на решение было минимальным.
Чтобы оценить именно дополнительный эффект рекламы, атрибуцию стоит дополнять экспериментами: геотестами, holdout-группами, временным изменением бюджета и другими способами измерения инкрементальности. Атрибуция отвечает на вопрос «как распределить ценность между зафиксированными касаниями», а эксперимент «сколько продаж реклама действительно добавила».
Это не конкурирующие подходы. Вместе они дают более надежную основу для решений.
Какие ошибки мешают атрибуции работать
Данные по каналам живут в разных системах
Если расходы находятся в рекламных кабинетах, визиты - в счетчике, заказы - в CRM, а отмены и возвраты - в учетной системе, сравнить реальную эффективность каналов невозможно. В одном отчете будет больше заказов, в другом - другая выручка, а часть источников потеряется при переносе данных.
Учитываются не все касания
Пользователь может переходить между устройствами, чистить cookies, отказываться от отслеживания или возвращаться через канал, который система не смогла определить. Любая модель работает только с той частью пути, которую удалось зафиксировать. Поэтому цифры атрибуции всегда нужно воспринимать как расчетную картину, а не полную запись поведения человека.
Нет единых правил разметки
Один и тот же источник может оказаться в отчете под несколькими названиями из-за разных UTM-меток. Или, наоборот, разные типы трафика объединятся в одну строку. До выбора сложной модели важно привести в порядок структуру источников, каналов и кампаний.
В конверсии попадают отмененные заказы
Канал может выглядеть прибыльным по созданным заказам, но убыточным после учета отмен, возвратов и фактической оплаты. Для оптимизации бюджета атрибуцию нужно строить на тех статусах и суммах, которые отражают реальный результат бизнеса.
Сравниваются цифры из разных отчетов
Рекламные кабинеты, системы веб-аналитики и сквозная аналитика могут использовать разные окна атрибуции, правила учета прямых визитов и даты отнесения конверсий. Поэтому расхождение цифр не всегда означает ошибку. Сначала нужно зафиксировать единую методику, а уже потом сравнивать каналы.
Что делать уже сейчас
Чтобы перестать управлять рекламой вслепую, не обязательно сразу внедрять самый сложный алгоритм. Начать можно с последовательных шагов.
1. Соберите данные в одной системе.
Свяжите расходы, визиты, заказы, статусы, выручку и известные касания клиента.
2. Приведите в порядок источники.
Проверьте UTM-разметку, названия каналов и правила объединения переходов.
3. Зафиксируйте методику.
Определите окно атрибуции, правила учета прямых визитов, повторных заказов, отмен и возвратов.
4. Сравните две-три модели.
Начните с last click, first click и одной многоканальной модели - например, linear или position based.
5. Найдите самые большие расхождения. В первую очередь изучите каналы, у которых заметно меняются выручка, ДРР, CPO или ROI.
6. Не перераспределяйте бюджет резко. Сначала проверьте гипотезу на ограниченной части бюджета и оцените, как изменился общий объем продаж, а не только отчет конкретного канала.
7. Пересматривайте выводы. Путь клиента меняется вместе с рекламным миксом, сезонностью, ассортиментом и поведением аудитории. Сравнение моделей должно стать регулярной частью анализа.
Сначала данные, потом модель
Главный принцип атрибуции в 2026 году звучит просто: модель не исправит плохие или неполные данные.
Если система не видит путь клиента от первого визита до покупки, не связывает рекламные расходы с заказами и не учитывает их реальные статусы, спор между last click, linear и data driven мало что изменит. Все модели будут по-разному распределять одну и ту же неполную информацию.
Поэтому первый шаг - создать единый источник данных, в котором можно увидеть цепочки касаний и сравнить результат по одинаковым правилам. И только после этого выбирать модель под конкретную задачу: оценку привлечения новой аудитории, поддержку спроса, завершение продаж или распределение бюджета.
Last click не нужно полностью отказываться. Нужно перестать принимать его за всю картину. Чем больше каналов участвует в пути клиента, тем важнее смотреть на маркетинг с нескольких сторон - и проверять решения не только отчетами, но и реальным изменением бизнес-результата.
В TrackAd можно собрать данные по рекламным источникам и заказам в единой системе, увидеть цепочки касаний и сравнить эффективность каналов по разным моделям атрибуции. Это помогает понять, какие источники создают спрос, какие поддерживают решение, а какие лишь получают последний клик - и распределять бюджет с учетом всего пути клиента.
Проблема не в том, что модель last click всегда неверна. Она проста, понятна и в некоторых случаях действительно полезна. Проблема начинается тогда, когда ее используют как единственный источник правды и на ее основании принимают все решения о рекламном бюджете.
Разберемся, почему последний клик показывает лишь часть пути клиента, какие модели атрибуции стоит знать и как выбрать подходящую для своего бизнеса.
ЧТО ТАКОЕ АТРИБУЦИЯ И ЗАЧЕМ ОНА НУЖНА
До покупки человек редко взаимодействует с брендом только один раз. Он может увидеть рекламу в соцсети, прочитать статью, перейти по объявлению в поиске, уйти сравнивать предложения, вернуться через рассылку и только после этого оформить заказ.
Каждое такое взаимодействие называется касанием. Задача модели атрибуции - распределить ценность конверсии между каналами, которые участвовали в пути клиента.
От выбранной модели зависит, как маркетолог увидит результат рекламы:
● какие каналы будут считаться эффективными
● где окажется самый высокий доход и самый низкий ДРР
● какие кампании получат дополнительный бюджет
● какие размещения решат сократить или отключить
При одних и тех же продажах разные модели могут дать совершенно разную картину. Поэтому атрибуция - не просто способ построить отчет. Это логика, которая напрямую влияет на распределение денег.
ПОЧЕМУ LAST CLICK ЧАСТО ВВОДИТ В ЗАБЛУЖДЕНИЕ
Last click - самая простая модель атрибуции: вся ценность продажи достается последнему учтенному источнику перед покупкой. Она привычна, легко объясняется и часто используется в отчетах по умолчанию. Но простота здесь оборачивается сильным упрощением реального поведения покупателей.
Представим путь клиента:
1. Человек впервые увидел продукт в рекламе во «ВКонтакте».
2. Через неделю перешел на сайт по объявлению в Яндекс Директе, но ничего не купил.
3. Еще через два дня ввел название компании в поиске, снова пришел на сайт и оформил заказ.
В модели last click вся ценность заказа достанется брендовому поиску - или другому последнему источнику, который учитывает конкретная система аналитики. Реклама во «ВКонтакте», которая познакомила человека с продуктом, не получит ничего. Небрендовая поисковая кампания, вернувшая его на сайт, - тоже.
В отчете это будет выглядеть так, будто брендовая реклама отлично продает, а реклама в соцсетях не работает. Следующий шаг кажется логичным: сократить бюджет на соцсети и вложить больше денег в брендовый поиск. Но после такого решения новых пользователей в верхней части воронки станет меньше, а через некоторое время снизится и число брендовых запросов.
То есть last click часто вознаграждает канал, который завершил уже начатый путь, и недооценивает каналы, которые этот путь создали.
Особенно заметно это в трех случаях:
● у клиента длинный цикл принятия решения;
● в пути к покупке участвуют несколько рекламных каналов;
● компания много вкладывает в охват, контент, медийную рекламу и формирование спроса.
Чем сложнее путь покупателя, тем меньше последний клик рассказывает о реальном вкладе рекламы.
КАКИЕ МОДЕЛИ АТРИБУЦИИ СТОИТ ЗНАТЬ В 2026 ГОДУ
Универсальной модели, которая подходит всем компаниям и отвечает на любые вопросы, не существует. Каждая модель рассматривает путь клиента под своим углом.
Первый клик - first click
Вся ценность конверсии достается каналу, с которого начался путь клиента.
Если человек впервые пришел из рекламы в соцсети, затем несколько раз возвращался из других источников и в итоге совершил покупку, вся выручка будет отнесена к соцсети.
Модель помогает понять, какие каналы приводят новую аудиторию и создают спрос. Она особенно полезна при оценке охватных размещений, контента и верхней части воронки.
Но у нее есть обратная сторона: все последующие касания остаются без ценности. Канал мог познакомить человека с брендом, но почти не повлиять на решение о покупке - модель все равно запишет ему весь результат.
Линейная модель - linear
Ценность конверсии делится поровну между всеми касаниями в цепочке.
Если до покупки было четыре учтенных взаимодействия, каждое получит по 25% ценности заказа. Так можно увидеть все каналы, которые участвовали в сделке, и не потерять верхнюю или середину воронки.
Линейная модель хорошо подходит для первого анализа многоканальных цепочек. Она проста и прозрачна, но считает все касания одинаково важными. На практике случайный переход из рассылки и ключевое рекламное объявление, после которого клиент принял решение, не всегда равноценны.
Модель с учетом давности взаимодействия - time decay
Чем ближе касание к покупке, тем больше ценности оно получает. Первые взаимодействия тоже учитываются, но их вес постепенно уменьшается.
Эта модель помогает оценивать рекламу в бизнесе с относительно коротким циклом сделки, где последние касания обычно сильнее влияют на решение. Например, она может быть полезна для интернет-магазина, если большинство покупателей оформляют заказ в течение нескольких дней после первого визита.
Однако time decay по своей логике все равно отдает преимущество нижней части воронки. Если охватная реклама запускает длинный процесс выбора, ее вклад может оставаться заниженным.
Позиционная модель - position based, или U-shaped
Наибольший вес получают первое и последнее касания, а оставшаяся ценность распределяется между промежуточными. В классическом варианте первому и последнему взаимодействиям отдают по 40%, а остальным - оставшиеся 20%, но конкретные веса можно настраивать.
Такая модель признает две важные роли: один канал познакомил клиента с продуктом, другой помог завершить покупку. Все, что происходило между ними, также учитывается, хотя и с меньшим весом.
Позиционная модель подходит компаниям, которым важно одновременно оценивать привлечение новой аудитории и закрытие сделки. Но заданные веса остаются условностью: схема 40–20–40 не доказывает, что именно так каналы повлияли на человека.
Атрибуция на основе данных - data driven
Вместо заранее заданного правила алгоритм анализирует накопленную историю взаимодействий и оценивает вклад разных касаний в конверсию.
Потенциально это наиболее гибкий подход: модель может учитывать, что одни каналы чаще встречаются в конверсионных цепочках, другие помогают только на определенном этапе, а третьи почти не меняют вероятность покупки.
Но data driven - не волшебная кнопка. Для нее нужен достаточный объем качественных данных, единая история касаний и стабильная методика учета конверсий. Если часть каналов потеряна, заказы дублируются, UTM-метки размечены хаотично или данные из CRM не связаны с рекламными визитами, алгоритм лишь точнее посчитает ошибочную картину.
Кроме того, результат такой модели сложнее объяснить: маркетолог видит рассчитанные веса, но не всегда может быстро понять, почему алгоритм распределил ценность именно так.
Как выбрать модель атрибуции
Выбор зависит не от моды и не от того, какая модель кажется самой продвинутой. Сначала нужно понять, какой вопрос вы хотите решить.
Если покупки импульсные, а путь занимает несколько часов
Для короткого цикла сделки last click может оставаться полезной рабочей моделью. Если большинство клиентов видят объявление и покупают в тот же визит, сложное распределение ценности мало изменит выводы.
Если до заказа все же бывает несколько касаний, стоит дополнительно посмотреть time decay: она учтет весь путь, но сохранит больший вес за взаимодействиями перед покупкой.
Если цикл сделки длинный
Для дорогих товаров, сложных услуг и B2B путь клиента может занимать недели и включать пять, десять и больше касаний. В таком случае последний клик обычно слишком сильно упрощает картину.
Для начала можно использовать линейную или позиционную модель. Они покажут, какие каналы участвуют в цепочках, даже если не закрывают продажу напрямую. При достаточном объеме данных имеет смысл дополнительно анализировать data-driven атрибуцию.
Если вы много вкладываете в узнаваемость и создание спроса
Медийная реклама, видео, соцсети, контент и другие охватные форматы часто получают мало конверсий по last click. Их задача обычно в другом: познакомить аудиторию с брендом и запустить интерес.
Чтобы увидеть эту роль, полезно сравнить результаты по first click и position based. Но важно не уходить в другую крайность: первое касание еще не означает, что реклама действительно стала причиной покупки.
Если основная задача - оперативно управлять продажами
Когда нужно оценить каналы, которые приводят готовый спрос и помогают закрывать заказы прямо сейчас, last click и time decay остаются полезными. Главное - не делать на их основании вывод, что верхняя часть воронки не нужна.
На практике бизнесу редко достаточно одной модели. Разумнее использовать несколько ракурсов для разных управленческих задач.
Не ищите одну «правильную» модель
Одна из самых частых ошибок - попытка выбрать модель атрибуции один раз и считать ее окончательной истиной. Но ни одна модель не знает наверняка, что происходило в голове покупателя. Она лишь по заданным правилам распределяет ценность между зафиксированными касаниями.
Поэтому полезнее сравнивать хотя бы две-три модели на одних и тех же данных. Например:
● last click - чтобы увидеть, какие источники чаще завершают путь;
● first click - чтобы понять, откуда начинаются новые цепочки;
● linear или position based - чтобы оценить каналы, работающие в середине воронки.
Если канал выглядит прибыльным по последнему клику, но резко теряет ценность в других моделях, возможно, он в основном забирает уже сформированный спрос. Если, наоборот, канал почти не виден в last click, но регулярно появляется первым или в середине успешных цепочек, отключать его только из-за низкого числа последних кликов рискованно.
Разница в 20–30% между моделями - не универсальный норматив, но хороший сигнал для проверки. Чем сильнее меняются выручка, ДРР, CPO или ROI канала при переключении модели, тем опаснее принимать решение по одному отчету.
Атрибуция не равна реальному приросту продаж
Важно помнить: даже самая сложная модель атрибуции распределяет ценность уже произошедших конверсий, но не доказывает, что без конкретного канала этих конверсий не было бы.
Например, брендовый поиск может часто становиться последним касанием. Но часть покупателей и без рекламы нашла бы сайт по названию компании. И наоборот, медийная кампания может встречаться в пути клиента, хотя ее реальное влияние на решение было минимальным.
Чтобы оценить именно дополнительный эффект рекламы, атрибуцию стоит дополнять экспериментами: геотестами, holdout-группами, временным изменением бюджета и другими способами измерения инкрементальности. Атрибуция отвечает на вопрос «как распределить ценность между зафиксированными касаниями», а эксперимент «сколько продаж реклама действительно добавила».
Это не конкурирующие подходы. Вместе они дают более надежную основу для решений.
Какие ошибки мешают атрибуции работать
Данные по каналам живут в разных системах
Если расходы находятся в рекламных кабинетах, визиты - в счетчике, заказы - в CRM, а отмены и возвраты - в учетной системе, сравнить реальную эффективность каналов невозможно. В одном отчете будет больше заказов, в другом - другая выручка, а часть источников потеряется при переносе данных.
Учитываются не все касания
Пользователь может переходить между устройствами, чистить cookies, отказываться от отслеживания или возвращаться через канал, который система не смогла определить. Любая модель работает только с той частью пути, которую удалось зафиксировать. Поэтому цифры атрибуции всегда нужно воспринимать как расчетную картину, а не полную запись поведения человека.
Нет единых правил разметки
Один и тот же источник может оказаться в отчете под несколькими названиями из-за разных UTM-меток. Или, наоборот, разные типы трафика объединятся в одну строку. До выбора сложной модели важно привести в порядок структуру источников, каналов и кампаний.
В конверсии попадают отмененные заказы
Канал может выглядеть прибыльным по созданным заказам, но убыточным после учета отмен, возвратов и фактической оплаты. Для оптимизации бюджета атрибуцию нужно строить на тех статусах и суммах, которые отражают реальный результат бизнеса.
Сравниваются цифры из разных отчетов
Рекламные кабинеты, системы веб-аналитики и сквозная аналитика могут использовать разные окна атрибуции, правила учета прямых визитов и даты отнесения конверсий. Поэтому расхождение цифр не всегда означает ошибку. Сначала нужно зафиксировать единую методику, а уже потом сравнивать каналы.
Что делать уже сейчас
Чтобы перестать управлять рекламой вслепую, не обязательно сразу внедрять самый сложный алгоритм. Начать можно с последовательных шагов.
1. Соберите данные в одной системе.
Свяжите расходы, визиты, заказы, статусы, выручку и известные касания клиента.
2. Приведите в порядок источники.
Проверьте UTM-разметку, названия каналов и правила объединения переходов.
3. Зафиксируйте методику.
Определите окно атрибуции, правила учета прямых визитов, повторных заказов, отмен и возвратов.
4. Сравните две-три модели.
Начните с last click, first click и одной многоканальной модели - например, linear или position based.
5. Найдите самые большие расхождения. В первую очередь изучите каналы, у которых заметно меняются выручка, ДРР, CPO или ROI.
6. Не перераспределяйте бюджет резко. Сначала проверьте гипотезу на ограниченной части бюджета и оцените, как изменился общий объем продаж, а не только отчет конкретного канала.
7. Пересматривайте выводы. Путь клиента меняется вместе с рекламным миксом, сезонностью, ассортиментом и поведением аудитории. Сравнение моделей должно стать регулярной частью анализа.
Сначала данные, потом модель
Главный принцип атрибуции в 2026 году звучит просто: модель не исправит плохие или неполные данные.
Если система не видит путь клиента от первого визита до покупки, не связывает рекламные расходы с заказами и не учитывает их реальные статусы, спор между last click, linear и data driven мало что изменит. Все модели будут по-разному распределять одну и ту же неполную информацию.
Поэтому первый шаг - создать единый источник данных, в котором можно увидеть цепочки касаний и сравнить результат по одинаковым правилам. И только после этого выбирать модель под конкретную задачу: оценку привлечения новой аудитории, поддержку спроса, завершение продаж или распределение бюджета.
Last click не нужно полностью отказываться. Нужно перестать принимать его за всю картину. Чем больше каналов участвует в пути клиента, тем важнее смотреть на маркетинг с нескольких сторон - и проверять решения не только отчетами, но и реальным изменением бизнес-результата.
В TrackAd можно собрать данные по рекламным источникам и заказам в единой системе, увидеть цепочки касаний и сравнить эффективность каналов по разным моделям атрибуции. Это помогает понять, какие источники создают спрос, какие поддерживают решение, а какие лишь получают последний клик - и распределять бюджет с учетом всего пути клиента.