🎯Multi-touch атрибуция: как понять, какой канал реально приводит клиента Представьте путь клиента: увидел рекламу → прочитал пост в Telegram → зашёл на сайт → вернулся через поиск → получил письмо → купил. А потом маркетолог смотрит отчёт и говорит: «Продажу принёс поиск». 🤔 Но действительно ли только поиск заслуживает результат? Нет. Клиент мог вообще не купить, если бы раньше не увидел рекламу или не познакомился с брендом. И здесь появляется Multi-touch атрибуция. 🧩Что это такое? Если простыми словами: Multi-touch атрибуция - это способ распределить ценность конверсии между несколькими маркетинговыми касаниями пользователя. То есть мы не говорим: «Последний канал получил всю заслугу». Мы смотрим на весь путь клиента. 👀Пример Допустим, клиент купил продукт за 50 000 ₽. Перед покупкой он взаимодействовал с брендом так: 1️⃣Реклама Увидел баннер. ↓ 2️⃣Telegram Прочитал пост компании. ↓ 3️⃣Поиск Через несколько дней нашёл бренд в Яндексе. ↓ 4️⃣Email Получил письмо с предложением. ↓ 5️⃣Сайт Вернулся и купил. Кому отдать продажу? Если использовать только последний источник: «Спасибо, Email». Но реальный путь был гораздо длиннее. ⚔️Почему Last Click не всегда достаточно? Last Click говорит: «Последний канал перед покупкой получает 100% заслуги». Проблема в том, что последний контакт не обязательно создал спрос. Например: Реклама познакомила с брендом. Контент сформировал интерес. Поиск помог найти сайт. Email напомнил о продукте. А уже потом пользователь купил. Если смотреть только последний клик, большая часть этой работы просто исчезает из отчёта. 📊Какие модели бывают? 🥇Linear Каждому касанию достаётся одинаковая доля. Если было 4 касания: 25% + 25% + 25% + 25% Просто и понятно. Но все касания считаются одинаково ценными. 🎯Position-based Больше веса получают первое и последнее касание. Например: 40% - первое 20% - середина 40% - последнее Логика: первое знакомит с брендом, последнее приводит к покупке. ⏱️ Time Decay Чем ближе касание к покупке, тем больше его вес. Например: Реклама → Telegram → Поиск → Email → Покупка Email получает больше веса, чем первое рекламное касание. 🧠 Data-driven Самый интересный вариант. Модель пытается определить реальный вклад разных касаний на основе данных. Например, анализирует большое количество пользовательских путей и оценивает, какие взаимодействия действительно связаны с вероятностью конверсии. 🏦 Пример для банка Допустим, клиент оформил кредитную карту. Его путь: Видео-реклама ↓ поиск бренда ↓ страница карты ↓ ретаргетинг ↓ заявка Если смотреть только Last Click, можно решить: «Ретаргетинг - главный канал!» И увеличить туда бюджет. Но если убрать видео-рекламу, возможно, пользователей, которых потом можно было вернуть ретаргетингом, станет значительно меньше. Multi-touch помогает увидеть всю цепочку.

🚨 Но здесь есть важная ловушка Multi-touch атрибуция не означает, что мы автоматически узнаем абсолютную истину. Модель всё равно делает предположения. Например: «Давайте дадим каждому касанию по 25%». Почему именно 25%? Это просто выбранное правило. Поэтому атрибуционная модель - это инструмент принятия решений, а не идеальная камера наблюдения за реальностью.

🎯Главное Multi-touch атрибуция помогает перейти от вопроса: «Какой канал получил последний клик?» к гораздо более полезному: «Как разные каналы вместе привели клиента к покупке?» Именно это важно, когда у бизнеса длинная воронка и клиент взаимодействует с брендом несколько раз. Потому что реальный маркетинг редко выглядит так: реклама → клик → покупка. Гораздо чаще это: увидел → забыл → прочитал → сравнил → поискал → вернулся → подумал → получил предложение → купил. И если вы хотите правильно распределять бюджет, нужно анализировать не только последнюю точку, а весь путь клиента.

#ЖизньвТрафике #MultiTouchAttribution #Атрибуция #СквознаяАналитика #Маркетинг #ИнтернетМаркетинг #DigitalMarketing #PerformanceMarketing #WebAnalytics #CRM #MarketingAnalytics #ROMI