Модели атрибуции: First-Touch, Last-Touch и Multi-Touch

В чем разница между моделями атрибуции first-touch, last-touch и multi-touch? Модели атрибуции определяют, как именно распределяется «заслуга» за конверсию между точками контакта пользователя при привлечении. Поскольку каналы мобильного продвижения постоянно расширяются и включают платный поиск, социальную рекламу, работу с инфлюенсерами и ретаргетинг, модели атрибуции создают измерительную базу для оценки вклада каждого канала в путь пользователя.

Модель атрибуции — это количественное правило или математическая база, которая определяет, как распределяются конверсия и ценность дохода между маркетинговыми точками контакта до совершения целевого действия. Присваивая дробную или полную ценность, эти модели позволяют маркетологам оценивать реальную эффективность привлечения для каждого отдельного медиаканала.

Платформы мобильных измерений (MMP), такие как AppsFlyer, Adjust, Branch и OpoInstall, применяют модели атрибуции для сопоставления точек контакта кампаний, установок, событий после установки и данных о доходах по разным рекламным каналам.

Перейти к разделу: Краткая сравнительная таблица | Модель атрибуции vs Окно атрибуции | Атрибуция vs Инкрементальность | Часто задаваемые вопросы

Краткий ответ

В мобильном маркетинге модель атрибуции — это не сам механизм отслеживания, а правило принятия решения, применяемое при обработке атрибуции, чтобы определить, какая точка контакта получает «заслугу» за конверсию. First-touch измеряет первичный интерес, last-touch оценивает влияние на финальную конверсию, а multi-touch анализирует совокупный вклад нескольких взаимодействий.

• Выбирайте Last-Touch, если: ваш продукт имеет короткий цикл покупки (до 24 часов), и пользователи обычно совершают конверсию сразу после одного рекламного взаимодействия.
• Выбирайте Multi-Touch, если: приложение предполагает путь через несколько каналов (платный поиск, социальные сети и кампании с лидерами мнений) или использует модель подписки, требующую нескольких недель на раздумья.
• Выбирайте Data-Driven атрибуцию, если: у вашей команды достаточный объем конверсий и накоплены статистически значимые исторические данные для обучения моделей вклада.

Краткая сравнительная таблица

В таблице ниже показано, как распределяется ценность конверсии в моделях одноточечной и многоточечной атрибуции:

Чек-лист по выбору модели атрибуции

• Используйте Last-Touch, если:
  • ✓ Кампании работают по модели CPI для одного канала.
  • ✓ Цикл конверсии завершается в течение 24 часов после первого контакта.
  • ✓ Путь пользователя почти не содержит промежуточных точек подогрева.
• Используйте Multi-Touch, если:
  • ✓ Рекламный бюджет распределен между множеством платных сетей, поиском и социальными сетями.
  • ✓ Продукты требуют длительного обдумывания (например, подписочные приложения, финтех, B2B SaaS).
  • ✓ Рекламные платформы (как Meta Ads и Google Ads) сообщают о пересекающихся конверсиях.
• Используйте Data-Driven, если:
  • ✓ Объем кампаний достигает десятков тысяч конверсий в месяц.
  • ✓ Инфраструктура данных поддерживает экспорт логов событий.

Основные типы моделей атрибуции

Структурно системы атрибуции делятся на три парадигмы в зависимости от правил распределения:

• Single-Touch (Одноточечная атрибуция): Назначает 100% заслуги за конверсию одной точке взаимодействия. Включает First-Touch (заслуга первому контакту) и Last-Touch (заслуга последнему контакту внутри окна атрибуции).

• Rule-Based Multi-Touch (Правила для многоточечной атрибуции): Применяет фиксированные алгоритмические проценты ко всем зафиксированным точкам. Включает Linear (равная ценность), Time-Decay (рост веса ближе к конверсии) и Position-Based (U-образное распределение).

• Algorithmic Attribution (Алгоритмическая атрибуция): Использует машинное обучение для динамического расчета инкрементального вклада каждой точки.

  Модели мобильной атрибуции
  │
  ├── Single-Touch
  │ ├── First-Touch
  │ └── Last-Touch
  │
  ├── Rule-Based Multi-Touch
  │ ├── Linear
  │ ├── Time-Decay
  │ └── Position-Based (U-Shaped)
  │
  └── Algorithmic Attribution
  └── Data-Driven Machine Learning Models

Контекст мобильной атрибуции

Согласно отраслевым стандартам, мобильная атрибуция эволюционировала от простого учета установок к атрибуции на основе событий и доходов по мере усложнения экосистемы.

Ранние кампании с оплатой за установку (CPI) использовали Last-Touch из-за коротких путей конверсии. По мере роста популярности подписочных приложений, игровой монетизации и кросс-канального продвижения маркетологи перешли на Multi-Touch и Data-Driven модели для оценки ассистированных конверсий.

Современные архитектуры атрибуции объединяют логи кликов, данные об показах, сигналы магазинов приложений, события после установки и данные о доходах для оценки качества привлечения.

Почему выбор модели влияет на показатели

Некорректная модель атрибуции искажает отчетность по кампаниям. Исторически команды роста полагались на одноточечные модели из-за их простоты. Однако присвоение 100% заслуги финальному взаимодействию игнорирует предшествующие этапы открытия и подогрева, которые изначально привели пользователя в воронку.

Этот перекос создает финансовые риски: кампании на верхнем уровне воронки (видео, охватная реклама) получают нулевой кредит, из-за чего маркетологи ошибочно сокращают бюджеты на перспективные каналы, направляя их в ретаргетинг, который «забирает» заслугу у тех, кто и так готов был сконвертироваться.

Оптимальная атрибуция дает сбалансированную видимость пути пользователя, позволяя точно рассчитать окупаемость маркетинговых инвестиций (ROAS) и оптимизировать стоимость привлечения (CAC).

Сравнение Single-Touch и Multi-Touch

В базовом смысле измерение кампаний делится на одноточечные и многоточечные фреймворки. Каждый обрабатывает данные по-своему:

• Single-Touch: Оценивает путь, выбирая одно взаимодействие — самое первое или самое последнее — и назначая ему 100% ценности конверсии.
• Multi-Touch (MTA): Учитывает все взаимодействия пользователя до момента конверсии, применяя правила весов для дробного распределения ценности между всеми точками контакта.

Рассмотрим путь пользователя длительностью 30 дней, завершившийся покупкой годовой подписки за $49.99:

• День 0: Пользователь видит TikTok-рекламу и кликает по ссылке.
• День 3: Пользователь ищет приложение через Google Поиск и кликает на объявление.
• День 7: Пользователь кликает на баннер ретаргетинга в Meta.
• День 30: Пользователь оплачивает подписку за $49.99 внутри приложения.

Для быстрого выбора подхода команды используют следующую логику:

Пользователи конвертируются в течение 24 часов после первого контакта?
       │
      Да ──> Last-Touch Model
       │
      Нет
       │
Пользователи взаимодействуют с несколькими каналами перед конверсией?
       │
      Да ──> Multi-Touch Model (Position-Based или Time Decay)
       │
      Нет ──> First-Touch или Linear Model

Как модели распределяют ценность

Команды обычно выбирают из пяти моделей на основе правил:

Last-Touch

• Правило: 100% ценности получает последний клик (или показ) перед конверсией в рамках окна атрибуции.
• Вариант использования: Модель проста, но игнорирует каналы открытия, создавая перекос в сторону ретаргетинга.

First-Touch

• Правило: 100% ценности получает первая точка контакта, познакомившая пользователя с приложением.
• Вариант использования: Выделяет каналы узнаваемости бренда, но слепа к тому, что происходит дальше.

Linear (Линейная)

• Правило: Распределяет ценность поровну между всеми точками контакта в окне конверсии.
• Вариант использования: Сбалансированный подход, но приравнивает случайные просмотры к важным кликам.

Time-Decay (Временной распад)

• Правило: Присваивает больший вес точкам контакта, которые были ближе к моменту конверсии.
• Вариант использования: Учитывает, что недавние взаимодействия имеют больший вес в решении о покупке.

Position-Based (Позиционная)

• Правило: Распределяет веса по позициям (обычно 40% первому, 40% последнему, 20% поровну остальным).
• Вариант использования: Отлично сочетает важность первого знакомства и последнего шага к покупке.

Правила vs Алгоритмы

В отличие от фиксированных правил, алгоритмические или Data-Driven модели используют ML для динамического анализа цепочек:

• Марковские модели: Анализируют вероятность перехода между точками контакта.
• Модели Шепли: Используют теорию кооперативных игр для оценки инкрементального вклада каждого канала.

Детерминированная vs Вероятностная атрибуция

• Детерминированная: Сопоставляет действия через уникальные ID (логин, IDFA). Максимальная точность, но ограничена уровнем согласия пользователей.
• Вероятностная: Использует контекстные сигналы (браузер, метаданные сессии). Обеспечивает больший охват в условиях конфиденциальности.

Click-Through vs View-Through

• Click-Through (CTA): Требует явного клика по рекламе в рамках окна атрибуции.
• View-Through (VTA): Учитывает показ рекламы, если пользователь сконвертировался без клика (в рамках короткого окна).

Атрибуция vs Инкрементальность

Важно не путать эти понятия:

• Атрибуция (Распределение ценности): Ответ на вопрос «кто получил заслугу» согласно правилам.
• Инкрементальность (Причинно-следственный эффект): Ответ на вопрос «что бы произошло, если бы этой рекламы не было» (измеряется через A/B тесты).

Конфиденциальность и SKAdNetwork

Изменения (ATT Apple и SKAN) ограничили доступ к IDFA. Теперь атрибуция на iOS опирается на агрегированные постбэки и вероятностные модели, требуя от маркетологов сопоставления ценностей событий с правилами SKAN.

Фрод и риски

Для предотвращения фрода (Click Injection, Click Spamming, Install Hijacking) необходим анализ времени от клика до установки (CTIT), детектирование аномалий и серверная валидация.

Влияние SAN (Self-Attributing Networks)

SAN (например, Meta или Google) работают как «черные ящики», самостоятельно заявляя о конверсиях. Для устранения дублирования и нормализации данных необходим независимый MMP-инструментарий.

Как выбрать модель для бизнеса

Модель атрибуции vs Окно атрибуции

Модель решает, как распределить ценность, а окно определяет, какие взаимодействия в принципе «допущены» к участию в атрибуции по времени.

Когда нужен Multi-Touch

Переход на Multi-Touch оправдан, если: есть многоканальные пути пользователя, бюджеты распределены по разным платформам, необходимо устранение конфликтов SAN и приоритет смещен на удержание пользователей с высокой LTV.

Техническая реализация и сырые данные

Для создания кастомных алгоритмов профессиональные команды экспортируют «сырые» логи (raw logs) через S2S-вебхуки в свои хранилища данных.

{
  "event_type": "attribution_postback",
  "model_applied": "position_based",
  "touchpoint_count": 3,
  "total_revenue_cents": 4999,
  "currency": "USD"
}

Итоги и рекомендации

Переходите на многоточечную (multi-touch) атрибуцию, если:

• ✓ Смешанный медиа-микс: реклама идет в разных каналах одновременно.
• ✓ Длинный цикл принятия решения: путь пользователя занимает дни или недели.
• ✓ Конфликты SAN: сети постоянно делят одну конверсию между собой.
• ✓ Нужна детализация ROAS: важно понимать вклад охватных каналов в результат.

Платформы вроде OpoInstall помогают мобильным командам внедрить такие решения, обеспечивая контроль над данными и поддержку экспортных инструментов (S2S постбэки). Обновлено: Август 2026.