Модели атрибуции в веб-аналитике: какую выбрать в 2026 году

Модели атрибуции решают, какому каналу засчитать продажу, — и от этого решения напрямую зависит, куда вы направите рекламный бюджет. Если реклама, SEO и рассылки «спорят» за одну конверсию, а вы верите только последнему клику, часть каналов кажется бесполезной, хотя на деле именно они разогревают спрос. Эта статья — практический разбор для маркетологов, предпринимателей и аналитиков, которым важно понимать, что такое атрибуция, чем отличаются last click, мультитач и data-driven подходы и какую модель выбрать в 2026 году. Разберём модели атрибуции в Яндекс Метрике и сквозной аналитике, окна атрибуции, типичные ошибки настройки и то, как cookieless-эпоха и AI-поиск (GEO/AEO) меняют правила игры. Без воды — с механикой, диапазонами сроков и чек-листами, которые можно применить сразу и не переплачивать за «удобные», но искажённые цифры в отчётах.

Что такое атрибуция в веб-аналитике и зачем она бизнесу

Атрибуция в веб-аналитике — это способ определить, какие каналы, кампании и касания привели пользователя к целевому действию, и распределить между ними ценность конверсии. Проще говоря, это правило дележа заслуг: когда человек купил, атрибуция отвечает на вопрос «кому спасибо».

Путь к покупке почти никогда не бывает линейным. Типичная цепочка выглядит так: пользователь нашёл вас в органической выдаче, через день вернулся из контекстной рекламы, ещё через неделю кликнул по письму и оформил заказ, зайдя напрямую. Здесь минимум четыре касания и четыре канала. Без модели атрибуции вы либо не знаете, кого благодарить, либо по привычке хвалите только последний источник.

Бизнесу атрибуция нужна не ради красивых дашбордов, а для трёх приземлённых решений: сколько платить за каждый канал, какие кампании масштабировать, а какие отключать. Ошибка в модели — это ошибка в распределении бюджета, которая накапливается месяцами.

Касание (touchpoint)

Любое взаимодействие пользователя с каналом на пути к конверсии: клик по рекламе, органический переход, визит из соцсети.

Конверсия

Целевое действие — заявка, покупка, звонок, регистрация, — ценность которого распределяет модель.

Путь конверсии (customer journey)

Полная последовательность касаний от первого контакта до целевого действия.

Окно атрибуции

Период, в течение которого касание ещё может «претендовать» на конверсию.

Важно развести два понятия, которые часто путают. Сбор данных — это то, какие визиты, метки и события система вообще зафиксировала. Модель атрибуции — это правило пересчёта уже собранных данных. Модель можно поменять задним числом и увидеть тот же период в новом свете, а вот несобранные касания не восстановит ни одна модель. Поэтому грамотная работа с атрибуцией всегда начинается с чистого трекинга: корректных целей, сквозной UTM-разметки и по возможности кросс-девайс идентификации. На этом фундаменте строится всё остальное — от оценки SEO до расчёта окупаемости контекста и карт.

Как модели атрибуции влияют на бюджет и решения по каналам

Выбор модели атрибуции меняет не реальность, а её отражение в отчётах — но именно по отчётам распределяют деньги, поэтому влияние на бюджет прямое и весомое. Одна и та же кампания при разных моделях может выглядеть и убыточной, и лучшей в аккаунте.

Разберём на упрощённом примере. Допустим, за месяц пришло 100 заявок, и в путях этих заявок участвуют три канала: органический поиск (верх воронки), контекст (середина) и брендовый поиск с прямыми заходами (низ, закрытие). При модели last click почти вся заслуга уйдёт закрывающим каналам, органика и медийка покажут скромные цифры. При многокасательной модели картина выровняется: SEO и контекст получат свою долю за то, что сформировали спрос.

Что происходит дальше на практике. Маркетолог, глядя на last click, видит «неэффективное» SEO и урезает бюджет на контент. Через 2–4 месяца, когда органический трафик проседает, падает и общий поток заявок — включая те, что раньше закрывались брендовым поиском. Причина и следствие разнесены во времени, поэтому связь замечают не сразу. Это классическая ловушка однокасательных моделей.

Отсюда практический принцип: модель атрибуции должна соответствовать роли канала в воронке. Для оценки закрывающих инструментов (ретаргетинг, брендовый поиск) last click допустима. Для оценки верхних этапов — SEO, контента, охватной рекламы, присутствия на картах и в AI-выдаче — она почти всегда несправедлива. На практике зрелые команды не выбирают одну «правильную» модель раз и навсегда, а смотрят несколько моделей параллельно и принимают решения по совокупности. Именно такой подход к сквозной аналитике агентство Seotika выстраивает в проектах, где переплетаются SEO, контекст, SERM и работа с картами: цель — не красивый отчёт, а понятная связь между вложениями и выручкой.

Last click атрибуция: почему это стандарт по умолчанию

Last click (модель по последнему клику) присваивает всю ценность конверсии последнему каналу перед целевым действием — и именно за простоту она стала стандартом по умолчанию в большинстве систем. Логика предельно понятна: кто привёл клиента непосредственно к покупке, тот и получает 100% заслуги.

У этой прямолинейности есть реальные достоинства. Модель однозначна: по ней невозможно спорить, кому засчитать заявку. Она легко воспроизводится и сверяется с рекламными кабинетами, где по умолчанию тоже часто действует атрибуция по последнему взаимодействию. Для коротких путей и импульсных покупок — доставка еды, срочные услуги, недорогие товары — last click вполне адекватна: там между первым интересом и заказом действительно одно-два касания.

Проблемы начинаются, когда путь длинный и многоканальный. Last click систематически переоценивает «закрывающие» источники и обнуляет вклад всего, что было раньше. Брендовый поиск, прямые заходы и ретаргетинг раздуваются, потому что они по своей природе стоят в конце пути, — но сами по себе они лишь снимают уже сформированный спрос. А спрос формировали органика, контент, охватная реклама, отзывы и присутствие в картах.

Отдельно стоит различать чистый last click и его более честного родственника — last non-direct click (последний значимый переход). Второй игнорирует прямой заход как «неинформативный» и отдаёт ценность предыдущему рекламному или органическому источнику. Именно эта разновидность чаще всего работает по умолчанию в веб-аналитике, и путать её с чистым последним кликом — распространённая ошибка при сверке цифр.

Вывод: last click — не «плохая» модель, а инструмент с узкой зоной применимости. Она хороша как быстрый, сверяемый ориентир и для оценки нижней части воронки. Строить на ней стратегические решения о распределении бюджета между этапами воронки — значит из года в год недоинвестировать в то, что приводит новых клиентов.

Однокасательные модели: last click, first click и last non-direct

Однокасательные (single-touch) модели отдают всю ценность конверсии ровно одному касанию в пути — первому или последнему — и различаются только тем, какое касание считают решающим. Это самое простое семейство моделей, с которого исторически начиналась атрибуция.

В семействе три рабочих варианта. Last click присваивает 100% последнему каналу перед конверсией — хорош для оценки закрытия сделки. First click (первый клик) отдаёт всё первому касанию — полезен, когда важно понять, что вообще приводит новую аудиторию и запускает интерес. Last non-direct отбрасывает прямые заходы и засчитывает последний осмысленный источник — компромисс, который отсекает шум прямого трафика.

Когда какая модель уместна:

• First click — для оценки каналов привлечения и охвата: SEO по информационным запросам, медийка, статьи, упоминания. Отвечает на вопрос «откуда берётся новый спрос».
• Last click / last non-direct — для оценки закрывающих каналов: брендовый поиск, ретаргетинг, email. Отвечает на вопрос «что дожимает до покупки».
• Обе — как быстрые, легко сверяемые ориентиры, когда нет ресурса на сложную аналитику.

Главное ограничение всех однокасательных моделей — они игнорируют середину пути. Реклама и контент, которые прогревают пользователя между первым и последним касанием, для них не существуют. Если у вас длинный цикл и 3–5 касаний на конверсию, single-touch модели будут ошибаться систематически, а не случайно.

Практический приём, который снимает часть слепоты, — смотреть first click и last click в паре. Разрыв между ними многое говорит о структуре воронки. Если канал силён по first click, но слаб по last click, он работает на привлечение и его нельзя оценивать по стоимости прямой заявки. Если наоборот — это закрывающий инструмент, который сам по себе новую аудиторию не приводит. Такой парный взгляд — дешёвый способ приблизиться к правде без внедрения мультитач-моделей. Он же помогает корректно защищать бюджеты на SEO и контент, вклад которых часто прячется именно в начале пути и обесценивается при взгляде только на последний клик.

Многокасательные модели: линейная, временной спад и позиционная

Многокасательные (multi-touch) модели распределяют ценность конверсии между всеми касаниями пути, а не отдают её одному каналу — и потому честнее отражают реальный вклад маркетинга. Различаются они правилом, по которому делят «пирог» между точками контакта.

Три базовые мультитач-модели с фиксированными правилами:

• Линейная — все касания получают равную долю. Если в пути пять каналов, каждый забирает по 20%. Простая и нейтральная: не выделяет ни начало, ни конец. Хороша, когда все этапы воронки одинаково важны и нет причины кого-то приоритизировать.
• Временной спад (time decay) — чем ближе касание к конверсии, тем больше его доля. Ранние визиты получают меньше, поздние — больше. Подходит для коротких циклов и промо-кампаний, где решающую роль играет финальный прогрев.
• Позиционная (U-образная, position-based) — основной вес отдают первому и последнему касанию (часто по 40%), остаток делят между промежуточными. Логика: важнее всего привлечь и закрыть, середина — поддержка. Компромисс между вниманием к привлечению и к конверсии.

Плюс всех мультитач-моделей в том, что они перестают обнулять верх и середину воронки. SEO, контент, медийка наконец получают свою долю, и решения о бюджете становятся менее близорукими. Минус — они всё ещё опираются на произвольные правила: почему именно 40/20/40, а не 30/40/30? Никакого обоснования данными за этими цифрами нет, это экспертное допущение.

Поэтому мультитач-модели — разумный следующий шаг после single-touch, но не финальная точка. Они лучше отражают многоканальность, однако веса в них назначены вручную. Ответ на вопрос «а как распределить ценность по реальным данным, а не по интуиции» дают уже алгоритмические (data-driven) модели, к которым переходим дальше.

Data-driven атрибуция: как алгоритм считает вклад касаний

Data-driven атрибуция — это модель, в которой вклад каждого касания рассчитывает алгоритм на основе реальных данных о путях пользователей, а не по заранее заданному правилу вроде «40/20/40». Вместо интуитивных весов система сама определяет, какие касания статистически повышают вероятность конверсии.

Механика в упрощённом виде такова. Алгоритм сравнивает множество путей — тех, что закончились конверсией, и тех, что нет. Он смотрит, как меняется вероятность целевого действия, когда в цепочке присутствует или отсутствует конкретное касание. Если добавление канала заметно поднимает шанс покупки, его вклад оценивается выше; если почти не влияет — ниже. Такой подход опирается на идею «контрфактического» вклада: сколько ценности исчезнет, если убрать это касание из пути. Отсюда и справедливость модели — она вознаграждает не позицию в цепочке, а реальное влияние на результат.

Data-driven атрибуция стала стандартом по умолчанию в ряде современных систем аналитики именно потому, что снимает произвол ручных весов. Но у неё есть строгие условия применимости.

Где data-driven раскрывается лучше всего: крупные интернет-магазины, сервисы с длинным циклом, проекты с большим числом каналов и высокой частотой конверсий. Там, где путей мало, честнее и надёжнее остаться на прозрачных мультитач- или парных single-touch моделях.

Есть и оборотная сторона — прозрачность. Data-driven часто работает как «чёрный ящик»: она выдаёт распределение весов, но не всегда объясняет логику простыми словами, что усложняет защиту бюджета перед руководством. Поэтому на практике её не противопоставляют другим моделям, а используют вместе с ними: data-driven как основной ориентир, last click и линейную — как понятные контрольные точки. Такой многомодельный взгляд команды Seotika применяют, когда нужно оценить совместный эффект SEO, контекста и других каналов в одном сквозном отчёте, а не по отдельности.

Модель атрибуции в Яндекс Метрике: какие есть и как выбрать

Модель атрибуции в Яндекс Метрике переключается прямо в настройках отчёта, а по умолчанию в большинстве отчётов применяется «Последний значимый переход» — то есть последний неоткрытый источник, игнорирующий прямые заходы. Понимание доступных моделей избавляет от главной ошибки — сравнения цифр, посчитанных по разным правилам.

Основные модели атрибуции в Метрике:

Практический алгоритм выбора. Для повседневной оценки каналов оставляйте «Последний значимый переход» — он отсекает шум прямого трафика и даёт сопоставимую базу. Для анализа того, что приводит новых пользователей (в первую очередь SEO и охватных кампаний), переключайтесь на «Первый переход». Для разбора эффективности контекста используйте «Последний переход из Директа». Ключевое правило — фиксировать модель, по которой вы смотрите отчёт, и не сравнивать периоды, посчитанные по разным моделям: расхождение будет вызвано не динамикой, а сменой правила.

Отдельная частая путаница — расхождение цифр между Метрикой и другими системами, например GA4. Это норма: у них разные модели по умолчанию, разные окна и разная логика склейки визитов. Не пытайтесь свести конверсии двух систем «в ноль» — сравнивайте динамику внутри одной системы по одной модели.

Отдельно стоит смотреть отчёты по многоканальным последовательностям и ассоциированным конверсиям: они показывают, в скольких цепочках участвовал канал, даже если он не был последним. Для органики, контента и карт это часто единственный способ увидеть их реальный вклад, который прячет любая последняя-клик логика.

Окно атрибуции: как выбрать период и не потерять конверсии

Окно атрибуции — это период, в течение которого касание ещё может претендовать на конверсию, и подбирать его нужно по длине реального цикла покупки, а не по умолчанию из настроек. Если человек думает о покупке две недели, а окно стоит на три дня, все ранние касания просто выпадут из атрибуции.

Как окно влияет на картину. Слишком короткое окно обрезает начало пути: первые визиты «истекают» до конверсии, и заслуга целиком уходит поздним касаниям — вы снова недооцениваете верх воронки. Слишком длинное окно создаёт обратную проблему: конверсия приписывается случайному визиту месячной давности, который к покупке отношения не имел. Обе крайности искажают распределение бюджета.

Ориентиры по типам бизнеса (диапазоны, а не догма):

• Импульсные покупки и срочные услуги — короткое окно, от нескольких дней до 1–2 недель. Решение принимается быстро, длинное окно только добавит шум.
• Товары среднего чека, e-commerce — окно порядка нескольких недель. Люди сравнивают, откладывают, возвращаются.
• B2B, недвижимость, медицина, дорогие услуги — длинное окно, недели и месяцы. Цикл сделки растянут, ранние касания критичны.

Отдельно есть окно клика и окно показа (для медийной рекламы). Окно показа обычно короче, потому что просмотр баннера — более слабый сигнал интереса, чем клик. Смешивать их не стоит: это разные по силе касания.

Типичная ошибка — оставить окно по умолчанию и забыть о нём. Между тем окно и модель работают в связке: длинное окно усиливает роль ранних касаний, поэтому при мультитач-модели его влияние заметнее, чем при last click. Пересматривайте окно при заметном изменении цикла сделки — например, после запуска дорогого продукта или выхода в новый сегмент. Это дешёвая настройка, которая сильно меняет корректность выводов о SEO, контексте и охватных каналах.

Сквозная аналитика и атрибуция офлайн-продаж

Сквозная аналитика связывает онлайн-касания с реальными продажами в CRM, позволяя атрибутировать не абстрактные «конверсии на сайте», а деньги — сделки, выручку и маржу. Без этой связки вы оптимизируете каналы по заявкам, которые могут вообще не конвертироваться в оплаченные заказы.

Проблема, которую решает сквозная аналитика, знакома любому бизнесу с менеджерами и офлайн-продажами. Веб-аналитика видит заявку и на этом останавливается. Но заявки различаются по качеству: один канал приносит горячие лиды с высокой оплатой, другой — массу пустых обращений. Если оценивать каналы по числу заявок, вы легко масштабируете источник дешёвого, но некачественного трафика. Атрибуция на уровне выручки эту ловушку снимает.

Как это устроено технически. Пользователю на сайте присваивается идентификатор, UTM-метки и данные визита передаются в CRM вместе с заявкой, а когда сделка закрывается (в том числе офлайн — звонком или в офисе), фактическая сумма возвращается в аналитику и связывается с исходным каналом. Дальше та же модель атрибуции распределяет уже не конверсии, а рубли выручки между касаниями.

Что критично для корректной сквозной атрибуции:

• Единый идентификатор клиента, живущий от первого визита до оплаты, включая коллтрекинг для звонков.
• Дисциплина в CRM: менеджеры доводят сделки до финальных статусов, иначе выручка не привязывается к каналу.
• Согласованные окна и модель между веб-аналитикой и CRM, чтобы данные не «разъезжались».
• Учёт длинного цикла: в B2B оплата может прийти через месяцы после первого касания — окно должно это выдерживать.

Отдельная сложность — офлайн-касания, которые в цепочку почти не попадают: наружная реклама, рекомендации, визитки. Их вклад восстанавливают косвенно — через опросы «откуда узнали» и анализ роста прямого и брендового трафика. Это не заменяет кликовую атрибуцию, но закрывает её слепые зоны. Построение такой связки — от коллтрекинга до отчёта по выручке на канал — как раз одна из типовых задач, которые Seotika решает в проектах со сложной воронкой, где SEO, контекст, карты и SERM работают вместе, а оценивать их нужно по деньгам, а не по кликам.

Как выбрать модель атрибуции под задачи бизнеса

Выбор модели атрибуции определяется тремя факторами: длиной цикла покупки, числом каналов и объёмом конверсий — а не модой на data-driven. Правильная модель — та, что соответствует вашей воронке, а не самая сложная из доступных.

Пошаговый алгоритм выбора:

1. Оцените длину цикла. Короткий (дни) — допустимы last click и time decay. Длинный (недели-месяцы) — нужны мультитач или data-driven.
2. Посчитайте число каналов. Один-два канала — сложная атрибуция избыточна. Много каналов с пересечениями — мультитач обязательна.
3. Проверьте объём конверсий. Десятки в месяц — оставайтесь на прозрачных моделях. Сотни и тысячи — можно доверять data-driven.
4. Определите цель анализа. Оценка привлечения — first click. Оценка закрытия — last click. Общая картина — линейная, позиционная или data-driven.
5. Смотрите несколько моделей сразу. Решения принимайте по совокупности, а не по одной «истине».

Частая ошибка — искать одну «самую точную» модель. Её не существует: каждая модель — это оптика, подсвечивающая свою часть воронки. Зрелый подход — держать 2–3 модели и читать их вместе, обращая внимание на расхождения. Именно расхождение между first click и last click, между last click и data-driven несёт главный инсайт: оно показывает, какие каналы работают на привлечение, а какие — на закрытие. Начинать почти всегда стоит с простого, а усложнять модель — только когда объём данных и число каналов этого действительно требуют, а не ради галочки «у нас data-driven».

Атрибуция в эпоху cookieless, мультиканальности и AI-поиска (GEO/AEO)

В 2026 году классическая кликовая атрибуция теряет полноту картины: ограничение сторонних cookie, кросс-девайс поведение и AI-поиск создают массу касаний, которые аналитика просто не видит. Понимание этих слепых зон важнее, чем спор о том, линейная модель или позиционная.

Три сдвига, которые ломают привычную атрибуцию:

• Cookieless. Ограничение сторонних cookie и усиление приватности рвут цепочки: пользователь на разных устройствах и в разных браузерах выглядит как несколько разных людей. Ранние касания теряются, доля «прямых заходов» и «не определён» раздувается.
• Мультиканальность и мультидевайс. Человек ищет с телефона, сравнивает с рабочего ноутбука, покупает с домашнего. Без единого идентификатора эти сессии не склеиваются, и атрибуция дробит один путь на осколки.
• AI-поиск и GEO/AEO. Ответные системы и нейросети всё чаще дают пользователю готовый ответ прямо в выдаче. Человек узнаёт о компании из AI-ответа и приходит напрямую или через брендовый запрос — а первоисточник (ваш контент, попавший в ответ) остаётся невидимым для кликовой атрибуции.

Что с этим делать на практике. Во-первых, усиливать серверный и first-party сбор данных, авторизацию и единые идентификаторы — это возвращает часть склейки путей. Во-вторых, дополнять кликовую атрибуцию неатрибутивными методами: опросами «откуда вы о нас узнали», анализом brand lift и динамики брендового спроса, инкрементальными тестами (замер эффекта от включения/отключения канала). В-третьих, инвестировать в присутствие там, где формируется невидимый спрос: SEO под информационные запросы, оптимизацию под AI-ответы (GEO/AEO), карты, отзывы и работу с репутацией (SERM). Эти каналы редко бывают последним кликом, но всё чаще запускают путь, который классическая атрибуция припишет кому-то другому. Задача аналитики 2026 года — не найти идеальную формулу дележа, а честно признать пределы кликовой модели и достроить картину за её границами.

Внедрение атрибуции: пошаговый план и чек-лист

Внедрение атрибуции начинается не с выбора модели, а с наведения порядка в сборе данных — потому что любая модель лишь пересчитывает то, что уже собрано. Порядок действий должен идти снизу вверх: сначала фундамент трекинга, потом модели и отчёты.

Пошаговый план внедрения:

1. Настройте цели и события. Опишите все значимые конверсии — заявки, звонки, покупки — и убедитесь, что они корректно фиксируются. Без чистых целей атрибутировать нечего.
2. Внедрите сквозную UTM-разметку. Все платные и партнёрские ссылки — с единой схемой меток. Именно кривые метки чаще всего гонят рекламный трафик в «прямые заходы».
3. Подключите коллтрекинг и CRM. Если есть звонки и офлайн-продажи, свяжите их с онлайн-источником — иначе половина воронки невидима.
4. Определите окна атрибуции по реальной длине цикла покупки.
5. Выберите базовую модель и 1–2 контрольные. Например, «последний значимый переход» как основную, first click и линейную — как контроль.
6. Сравните каналы по нескольким моделям и найдите расхождения — это и есть инсайты.
7. Пересматривайте настройки ежеквартально или при смене продукта и рынка.

Чек-лист перед тем, как доверять цифрам атрибуции:

• Все ключевые конверсии настроены и проверены на тестовых заявках.
• UTM-разметка сквозная, нет рекламного трафика в «прямых заходах».
• Кросс-девайс склейка настроена там, где возможно (авторизация, first-party ID).
• Окна атрибуции соответствуют реальному циклу сделки.
• Зафиксировано, по какой модели строится каждый регулярный отчёт.
• Для оценки SEO и контента смотрятся ассоциированные конверсии, а не только last click.
• Кликовая атрибуция дополнена опросами «откуда узнали» для невидимых каналов.

Типичные ошибки, которые обесценивают всю работу: менять модель и удивляться «скачку» конверсий (это не скачок, а другая оптика); сравнивать цифры Метрики и GA4 в лоб; резать бюджеты по одному last click; оставлять окно по умолчанию при длинном цикле. Если внедрять атрибуцию системно — от трекинга до многомодельного чтения отчётов, — она перестаёт быть источником споров и становится инструментом, который экономит бюджет. Именно такую сквозную настройку аналитики, увязанную с SEO, контекстом, картами и репутацией, выстраивает агентство Seotika, и результат этой работы виден в кейсах проектов со сложной многоканальной воронкой.