Вы тратите деньги на таргет в VK и блогеров, но аналитика говорит, что всё это бесполезно? Знакомая ситуация для многих владельцев онлайн-школ. Клиент видит рекламу, переходит по ссылке, читает три письма, участвует в вебинаре, получает напоминание в Telegram и только потом покупает курс. Но система отчётности присваивает 100% заслуги последнему касанию - например, прямому заходу или чат-боту. Ранние каналы получают ноль. Это не реальность, а искажение данных.
В инфобизнесе путь клиента редко бывает линейным и коротким. Здесь работают сложные воронки с множеством точек контакта. Если вы используете устаревшие методы оценки эффективности, вы просто выбрасываете бюджет на ветер, недооценивая работу контент-маркетинга и лидогенерации. Разберёмся, какие модели атрибуции существуют, как они влияют на ваши решения о распределении бюджета и почему выбор «по умолчанию» может стоить вам прибыли.
Почему Last Click обманывает маркетологов инфобизнеса
Last Click (или модель последнего клика) - это самая простая и исторически распространённая модель атрибуции. Её принцип примитивен: весь кредит за конверсию достаётся тому источнику трафика, который был последним перед покупкой. В официальной документации Google Ads эта модель описывается как правило, при котором 100% ценности назначается объявлению и ключевому слову последнего взаимодействия.
Для обычного интернет-магазина с импульсными покупками это может быть приемлемо. Человек увидел товар, кликнул, купил. Но в инфобизнесе цикл сделки длинный. Представьте типичный путь студента онлайн-школы:
- Увидел рекламный пост эксперта в Instagram (первое касание).
- Скачал бесплатный гайд через лендинг (второе касание).
- Получил серию email-писем с прогревом (третье касание).
- Перешёл по рекламе ремаркетинга в Facebook и оформил заказ (последнее касание).
По модели Last Click вся ценность конверсии уходит в Facebook-рекламу. Инстаграм и email-рассылка получают 0%. Вы смотрите на цифры и делаете ложный вывод: «Email не работает, таргет в Instagram бесполезен». На самом деле без этих каналов клиент никогда бы не дошёл до этапа оформления заказа. Вы начинаете резать бюджеты на лидогенерацию, думая, что оптимизируете расходы, но на деле убиваете верх воронки.
Эксперты рынка, включая аналитиков из Netpeak и CleverData, называют Last Click «крайней» моделью. Она систематически занижает вклад первых и промежуточных каналов, создавая иллюзию эффективности только тех источников, которые находятся в самом низу воронки продаж. Для проектов с длинным циклом принятия решений (от 7 дней и более) эта модель практически бесполезна.
Position-Based: компромисс для сложных воронок
Если Last Click игнорирует начало пути, то Position-Based (позиционная или U-образная модель) пытается учесть важность обоих концов воронки. Эта модель распределяет ценность конверсии следующим образом: 40% достается первому касанию, 40% - последнему, а оставшиеся 20% равномерно делятся между всеми промежуточными взаимодействиями.
Почему именно такая пропорция? Логика проста: первое касание отвечает за привлечение внимания и знакомство с брендом (лидогенерация), а последнее - за закрытие сделки (конвертация). Промежуточные шаги играют вспомогательную роль, поддерживая интерес клиента. Для инфобизнеса это часто выглядит более честной картиной, чем Last Click.
| Канал в цепочке | Роль в воронке | Last Click (%) | Position-Based (%) | Data-Driven (%) |
|---|---|---|---|---|
| Таргет VK / Блогер | Привлечение (First Touch) | 0% | 40% | Динамически (на основе данных) |
| Email-рассылка | Прогрев (Mid Touch) | 0% | 10% (если 2 канала) | Динамически (на основе данных) |
| Вебинар / Урок | Обучение (Mid Touch) | 0% | 10% (если 2 канала) | Динамически (на основе данных) |
| Ремаркетинг / Чат | Закрытие (Last Touch) | 100% | 40% | Динамически (на основе данных) |
Как видите, позиционная модель возвращает вес каналам привлечения. Теперь вы видите, что таргет действительно приводит людей, а не просто «шумит». Однако у этой модели есть существенный недостаток: она основана на фиксированных правилах. Мы предполагаем, что первый и последний каналы всегда важнее средних ровно в два раза. Но так ли это в вашем конкретном бизнесе? Иногда прогрев через email настолько эффективен, что без него конверсия была бы близка к нулю, независимо от силы первого клика.
Data-Driven Attribution: алгоритмы вместо правил
Вершина эволюции атрибуции - Data-Driven Attribution (DDA, атрибуция на основе данных). В отличие от предыдущих моделей, здесь нет жестких процентов вроде «40% первому». Алгоритмы машинного обучения Google анализируют реальные пути пользователей, которые привели к конверсии, и определяют фактический вклад каждого канала математически.
DDA учитывает сотни факторов: устройство пользователя, время суток, последовательность кликов, частоту показов. Если статистика показывает, что в вашем проекте пользователи, увидевшие рекламу в YouTube, чаще покупают, чем те, кто начал путь с поиска, DDA автоматически повысит вес YouTube в отчетах. Это самый объективный способ оценить эффективность маркетинга.
Но есть важный нюанс, критичный для малого инфобизнеса. Чтобы DDA заработала, требуется значительный объем данных. Согласно требованиям Google Analytics и Google Ads, необходимо минимум 600 конверсий за последние 30 дней. Если у вас мало продаж, модель просто не активируется или будет выдавать неточные результаты.
Давайте посчитаем. При среднем чеке курса 15 000 рублей и конверсии из посетителя в покупателя 2%, вам нужно около 30 000-60 000 уникальных посетителей в месяц, чтобы набрать нужное количество конверсий. Крупные онлайн-платформы с десятками курсов легко проходят этот порог. А вот одиночный эксперт или небольшая школа с оборотом 500 тысяч рублей в месяц могут иметь всего 30-50 продаж. Для них DDA недоступна технически.
Какую модель выбрать под свой масштаб?
Выбор модели атрибуции зависит не от моды, а от ваших текущих возможностей и объема трафика. Вот практическая шпаргалка для владельца инфобизнеса:
- Старт и малый бизнес (до 100 конверсий в месяц): Используйте Position-Based или даже Last Click, если воронка очень короткая (например, продажа недорогих микропродуктов через один лендинг). Позиционная модель даст более сбалансированную картину, чем Last Click, и не требует больших объемов данных для настройки. Она понятна и предсказуема.
- Средний бизнес (100-600 конверсий в месяц): Обязательно переходите на Position-Based. Начните тестировать Data-Driven, если объемы приближаются к порогу. Сравнивайте отчеты: где расходятся цифры? Обычно оказывается, что DDA начинает находить скрытые связи между каналами, которые позиционная модель упускает.
- Крупные проекты (более 600 конверсий в месяц): Data-Driven должна стать основной моделью. Она позволит точно рассчитать ROI по каждому каналу и перераспределить бюджет в пользу того, что реально приносит деньги, а не того, что просто «закрывает» сделку.
Не стоит слепо переключать модели и менять стратегию на следующий день. Данные требуют времени для накопления. Заложите 1-3 месяца на тестирование новой модели, прежде чем делать радикальные выводы об эффективности конкретных рекламных кампаний.
Типичные ошибки при внедрении атрибуции
Даже самая умная модель не спасет, если данные собираются криво. В инфобизнесе много специфических рисков:
- Потеря трекинга на внешних платформах. Если вы ведете вебинары на сторонних сервисах или принимаете оплату через нестандартные платежки, события могут не передаваться в GA4 или Яндекс.Метрику корректно. Модель будет видеть «пустые» дыры в пути клиента.
- Игнорирование офлайн-коммуникаций. Многие продажи в инфобизнесе происходят после консультации в мессенджере или звонка менеджера. Если эти действия не интегрированы в сквозную аналитику, они выпадают из поля зрения атрибуции. Часто последний клик приписывается сайту, хотя реальную продажу сделал менеджер.
- Слепая вера цифрам. Изменение модели атрибуции не меняет реальную выручку, оно меняет лишь её интерпретацию. Не паникуйте, если при переходе с Last Click на Position-Based эффективность email-маркетинга вдруг вырастет в отчетах в пять раз. Это значит, что вы наконец-то начали честно оценивать его вклад.
Что делать прямо сейчас?
Зайдите в свои рекламные кабинеты и системы аналитики. Посмотрите, какая модель атрибуции активна по умолчанию. В большинстве случаев это Last Click. Переключитесь на Position-Based и сравните отчеты за прошлый месяц. Обратите внимание на разницу в стоимости привлечения клиента (CAC) для каналов верхнего уровня (таргет, поиск, блогеры).
Если вы видите, что стоимость лида по модели Last Click кажется подозрительно низкой для холодных каналов, а стоимость продажи по прогретым каналам (email, ретаргетинг) необоснованно высокой, скорее всего, Last Click вас обманывает. Попробуйте перераспределить часть бюджета в пользу тех каналов, которые по Last Click выглядели «бесполезными», но по позиционной модели показали хороший результат. Отслеживайте итоговую выручку, а не только метрики кликов.
Атрибуция - это не магия, а инструмент честного учета. Чем точнее вы понимаете, какой канал привел клиента, тем эффективнее тратите каждый рубль. В условиях растущей конкуренции в нише онлайн-образования это вопрос выживания бизнеса.
Можно ли использовать несколько моделей атрибуции одновременно?
Да, и это рекомендуемая практика. В Google Analytics 4 и современных системах сквозной аналитики можно создавать сегменты отчетов с разными моделями. Сравнение Last Click, Position-Based и Data-Driven позволяет увидеть полную картину. Например, если канал хорошо показывает себя во всех трех моделях, он точно работает. Если он эффективен только в Last Click, возможно, он просто «собирает» готовых клиентов, которых привели другие.
Что делать, если у меня меньше 600 конверсий в месяц для Data-Driven?
Используйте модель Position-Based (U-образную). Она не имеет требований к минимальному объему данных и лучше отражает реальность инфобизнеса, чем Last Click. Также можно рассмотреть объединение нескольких продуктов или периодов (например, анализ за квартал вместо месяца) для увеличения объема выборки, если это допустимо методологически.
Как атрибуция влияет на ставки в контекстной рекламе?
Google Ads и Яндекс.Директ используют выбранную модель атрибуции для автоматического назначения ставок (Smart Bidding). Если вы выберете Last Click, алгоритмы будут переплачивать за ключевые слова, которые часто становятся последними перед покупкой, и недоплачивать за широкие запросы, приводящие новых пользователей. Выбор правильной модели помогает алгоритмам обучаться быстрее и точнее находить целевую аудиторию.
Нужна ли платная версия GA4 для работы с Data-Driven?
Базовая функциональность Data-Driven Attribution доступна бесплатно в Google Analytics 4 и Google Ads, если выполнены требования по объему данных (минимум 600 конверсий за 30 дней). Однако некоторые продвинутые функции, такие как углубленный анализ путей пользователя и расширенные сегменты, могут требовать подписки на GA4 360 или использования сторонних сервисов сквозной аналитики (Roistat, Calltouch и др.).
Как учитывать продажи через Telegram-ботов?
Это одна из самых сложных задач. Необходимо настроить передачу событий из бота в вашу CRM и далее в систему аналитики. Если пользователь кликает на ссылку в рекламе, попадает на лендинг, затем переходит в бота и покупает там, важно, чтобы источник перехода в бота сохранялся. Часто используется UTM-метки, передаваемые через deep-linking, чтобы атрибуция могла связать покупку в мессенджере с первоначальным источником трафика.
1 Комментарии
Андрей Николаевич
сен 12 2026Материал написан с явным пренебрежением к тонкостям аналитической работы.
Автор упрощает проблему до уровня, достойного начинающего маркетолога-стажера, игнорируя фундаментальные ограничения статистических моделей. Утверждение о том, что Data-Driven Attribution является «вершиной эволюции», демонстрирует поверхностное понимание предмета: алгоритмы машинного обучения не обладают магическим знанием причинно-следственных связей, они лишь выявляют корреляции в исторических данных.
Более того, рекомендация использовать Position-Based модель для малого бизнеса выглядит методологически несостоятельной. Фиксированные веса 40/20/40 являются произвольной константой, не имеющей эмпирического обоснования для конкретной ниши инфобизнеса. Это не решение проблемы искажения данных, а замена одного набора предубеждений на другой.
Вместо того чтобы предлагать сложные гибридные модели или экспериментальный дизайн A/B тестирования, автор предлагает примитивную шпаргалку, которая может ввести в заблуждение владельцев бизнеса, ожидающих от атрибуции объективной истины там, где её попросту нет.
Критика Last Click справедлива, но предлагаемые альтернативы не учитывают специфические риски мультиканальной атрибуции в условиях высокой волатильности трафика. Инфобизнес характеризуется длительными циклами принятия решений и множеством офлайн-касаний, которые современные цифровые инструменты отслеживают крайне ненадежно.
Ссылки на требования Google Analytics по объему конверсий верны технически, но игнорируют реальность российского рынка, где интеграция с Яндекс.Метрикой и локальными CRM-системами имеет свою специфику, требующую более глубокого погружения в тему сквозной аналитики.
Таким образом, статья представляет собой компиляцию общих мест, не подкрепленную глубоким анализом ограничений каждой из рассмотренных моделей в контексте именно инфобизнеса.
Ожидание, что переключение модели атрибуции автоматически оптимизирует бюджет, является типичной ошибкой мышления, свойственной дилетантам.
Реальная эффективность зависит от качества первичных данных, настройки событий и понимания бизнес-процессов, а не от выбора красивого названия модели в интерфейсе рекламного кабинета.
Для профессионального сообщества данный текст несет минимальную информационную ценность, так как не раскрывает механизмов калибровки весов в позиционных моделях или особенностей интерпретации результатов DDA при малых выборках.
Автору следовало бы уделить внимание проблемам перекрестного устройства (cross-device tracking), которые критичны для длинных воронок, но остались за рамками обсуждения.
В итоге мы имеем дело с популярным чтивом, адаптированным для широкой аудитории, но непригодным для принятия взвешенных управленческих решений без дополнительной верификации.
Тон изложения слишком дидактичный, что снижает доверие к экспертности автора.
Использование терминов вроде «магия» и «честный учет» размывает научную строгость подхода.
Статья не отвечает на главный вопрос: как измерить достоверность самой модели атрибуции.