1. Введение

Современная цифровая среда включает множество каналов привлечения пользователей: поисковую рекламу, социальные сети, e-mail, партнёрские программы [5]. До совершения целевого действия пользователь, как правило, взаимодействует с несколькими из них. Задача атрибуции — определить вклад каждого канала в итоговую конверсию — напрямую влияет на распределение маркетингового бюджета [1]. Некорректная атрибуция систематически переоценивает каналы, «замыкающие» пользовательский путь, и недооценивает каналы ранних точек контакта [3].

Традиционные модели решают эту задачу через заранее заданные правила, не опирающиеся на данные. Методы машинного обучения позволяют перейти к data-driven подходу, в котором параметры модели выводятся из реальной истории взаимодействий. Цель статьи — сравнить традиционные и ML-подходы к атрибуции, формализовать переход от выхода модели к оценке вклада каналов и показать возможности применения этих оценок при распределении бюджета.

2. Традиционные модели атрибуции

Модель последнего клика (Last-click) присваивает 100 % вклада последнему каналу перед конверсией [2]. Для цепочки «контекст → соцсеть → e-mail → покупка» e-mail получает весь вклад, тогда как каналы ранних точек контакта обнуляются. Главное преимущество — простота реализации; недостаток — систематическое игнорирование вспомогательных каналов.

Линейная модель (Linear attribution) распределяет вклад равномерно между всеми точками контакта. Для трёхканальной цепочки каждый канал получает по 33,3 %. Модель признаёт многоканальный характер пути, однако не дифференцирует каналы по фактическому вкладу. Обе модели относятся к классу rule-based атрибуции: распределение вклада определяется априорным правилом, а не выводится из данных [4].

3. Методы машинного обучения для атрибуции

В рамках ML-подхода задача формулируется как бинарная классификация: по признакам, описывающим путь пользователя, модель предсказывает вероятность конверсии (y = 1). Признаки включают количество контактов с каждым каналом, их последовательность, давность взаимодействия, число посещений.

Логистическая регрессия оценивает вероятность конверсии как линейную комбинацию признаков через сигмоид-функцию. Коэффициенты модели интерпретируемы напрямую: положительный вес признака «наличие контакта с каналом» отражает положительную ассоциацию с конверсией. Модель устойчива на малых выборках, однако не улавливает нелинейные взаимодействия признаков.

Дерево решений строит иерархию условий вида: «если был контакт с поисковой рекламой и последующий e-mail, а возврат произошёл менее чем через три дня — вероятность конверсии высока». Модель наглядна и интерпретируема, но склонна к переобучению на небольших выборках.

Градиентный бустинг последовательно строит ансамбль деревьев, каждый раз минимизируя остаточную ошибку предыдущего набора [6]. GradientBoostingClassifier из библиотеки scikit-learn строит деревья путём последовательного уменьшения функции потерь [7]. Модель эффективно выявляет нелинейные зависимости, однако требует большего объёма обучающих данных и менее прозрачна для интерпретации.

Для перехода от прогнозной вероятности к оценке вклада отдельных каналов применяются методы интерпретируемого ML. SHAP-значения (Shapley Additive Explanations) разлагают прогноз модели на вклады отдельных признаков [10]. Подходы, основанные на значениях Шепли, применяются также в задачах рекламной атрибуции для распределения вклада между точками взаимодействия [3]. Альтернативный подход — аблационный: последовательное исключение признаков канала и измерение падения прогнозной вероятности. Для получения сопоставимых оценок относительной значимости каналов абсолютные SHAP-значения могут агрегироваться по наблюдениям и нормироваться относительно их суммарного значения. Полученные показатели Aᵢ далее используются как аналитические оценки относительного вклада каналов.

4. Сравнение подходов

В таблице 1 представлено сопоставление методов по ключевым критериям.

Таблица 1

Сравнение методов атрибуции маркетинговых каналов

Rule-based модели обеспечивают максимальную интерпретируемость, однако не выявляют нелинейные зависимости между каналами. ML-методы позволяют учитывать более сложные закономерности за счёт частичного снижения прозрачности, особенно выраженного в ансамблевых моделях.

5. Условный расчётный пример

Рассмотрим условный пример с тремя пользователями (таблица 2). Для путей без конверсии атрибуция не производится — в соответствующих ячейках стоит «—».

Таблица 2

Условные данные о пользовательских путях

В представленном условном наборе наличие контекстной рекламы связано с обоими конверсионными маршрутами (П1, П3) и отсутствует в неконверсионном (П2). На реальной выборке ML-модель может использовать подобные закономерности при оценке вероятности конверсии, тогда как модель last-click полностью исключает контекстную рекламу из распределения вклада в рассмотренных конверсиях.

6. Применение оценок при распределении бюджета

Полученные SHAP-оценки вклада Aᵢ используются для расчёта показателя относительной эффективности канала:

Eᵢ = Aᵢ / Cᵢ

где Cᵢ — расходы на i-й канал. Условный расчёт представлен в таблице 3.

Таблица 3

Условный расчёт показателя эффективности каналов

Из таблицы видно, что e-mail демонстрирует наибольшее значение Eᵢ (0,0300) при наименьших затратах — это аналитический ориентир при пересмотре бюджета. Вместе с тем механическое перекладывание средств в пользу канала с максимальным Eᵢ не рекомендуется: необходимо учитывать эффекты насыщения, временны́е лаги и взаимозависимость каналов [1].

7. Ограничения подхода

Качество данных. Точность ML-модели определяется полнотой и достоверностью истории взаимодействий. Неполная разметка событий ведёт к систематическим смещениям.

Фрагментация сессий. Путь пользователя через несколько устройств или браузеров сложен для корректной идентификации и сборки в единую цепочку.

Корреляция против причинности. Ассоциация канала с конверсией не означает его причинного влияния. Оценка причинных эффектов требует экспериментальных или квазиэкспериментальных схем [8, 9].

Дисбаланс классов. Конверсии составляют малую долю наблюдений и требуют специальных методов балансировки выборки.

Интерпретируемость. Сложные ансамблевые модели затрудняют объяснение конкретных прогнозов, что ограничивает операционализацию выводов в принятии маркетинговых решений.

Заключение

Проведённый анализ позволяет сформулировать три основных вывода.

Во-первых, традиционные rule-based модели атрибуции просты в реализации, однако используют априорные правила распределения вклада, не отражающие фактического поведения пользователей.

Во-вторых, ML-модели позволяют строить data-driven атрибуцию. Переход от прогнозной вероятности конверсии к оценкам вклада каналов обеспечивается через SHAP-значения или аблационный подход с последующей нормировкой.

В-третьих, полученные ML-оценки вклада могут использоваться как аналитическая основа при принятии решений о распределении маркетингового бюджета в составе информационной системы. Интерпретация результатов требует учёта ограничений, связанных с качеством данных, фрагментацией сессий и принципиальным различием между корреляционными и причинными зависимостями.

Литература:

1. Li H., Kannan P. K. Attributing conversions in a multichannel online marketing environment: An empirical model and a field experiment // Journal of Marketing Research. — 2014. — Vol. 51, № 1. — P. 40–56.
2. Google Analytics Help. Get started with attribution [Электронный ресурс]. — URL: https://support.google.com/analytics/answer/10596866 (дата обращения: 01.08.2026).
3. Berman R. Beyond the Last Touch: Attribution in Online Advertising // Marketing Science. — 2018. — Vol. 37, № 5. — P. 771–792.
4. Shao X., Li L. Data-driven multi-touch attribution models // Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — 2011. — P. 258–264.
5. Kannan P. K., Li H. Digital marketing: A framework, review and research agenda // International Journal of Research in Marketing. — 2017. — Vol. 34, № 1. — P. 22–45.
6. Friedman J. H. Greedy function approximation: A gradient boosting machine // The Annals of Statistics. — 2001. — Vol. 29, № 5. — P. 1189–1232.
7. Pedregosa F. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. — 2011. — Vol. 12. — P. 2825–2830.
8. Dalessandro B., Perlich C., Stitelman O., Provost F. Causally motivated attribution for online advertising // Proceedings of the 6th International Workshop on Data Mining for Online Advertising and Internet Economy (ADKDD'12). — 2012. — Article 7. — P. 1–9.
9. Gordon B. R., Zettelmeyer F., Bhargava N., Chapsky D. A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook[1] // Marketing Science. — 2019. — Vol. 38, № 2. — P. 193–225.
10. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. — 2017. — Vol. 30.

[1] Продукция компании Meta. Организация признана экстремистской и запрещена на территории РФ.