Мультикассовая атрибуция (MTA): определение и модели

Мультикассовая атрибуция (MTA) — это измерительная модель, которая распределяет кредит за конверсию между всеми маркетинговыми точками касания, с которыми клиент взаимодействовал до покупки, вместо того чтобы отдавать весь кредит одной рекламе или клику. Если покупатель увидел нативную рекламу, позже кликнул ретаргетинговое объявление и затем конвертировался после брендового поиска, MTA присваивает каждой из трёх точек касания долю конверсии, а не полностью последней.

Распространённые модели MTA#

Линейные модели дают каждой точке касания одинаковый кредит. Модели с временным затуханием дают более высокий вес точкам, ближе к конверсии, чем более ранним. Позиционные (U‑образные) модели дают большую долю первой и последней точке, а остальное распределяют между промежуточными. Модели, основанные на данных или алгоритмах, часто построены на значениях Шепли или аналогичном подходе из теории игр, оценивая предельный вклад каждой точки непосредственно из исторических данных, а не применяя фиксированное правило.

Чем они отличаются от одноточечных моделей#

Самая простая альтернатива — присваивание кредита последней точке касания внутри определённого окна атрибуции, через пиксель конверсии в момент покупки. Это легко вычислить, но система постоянно недооценивает верхневоронковые каналы, такие как нативные рекламные размещения, которые обычно знакомят с продуктом, а не завершают продажу. MTA пытается исправить это, распределяя кредит по всему пути, что обычно делает верхневоронковую нативную рекламу и дисплейную рекламу более ценными в модели MTA, чем в модели последнего касания.

Почему стало сложнее реализовывать#

MTA зависит от объединения точек касания одного пользователя через устройства и сессии, что требует постоянных идентификаторов: cookie, мобильных рекламных ID или сопоставления по входу в аккаунт. Ограничения браузерных cookie и ограничения отслеживания на уровне платформ сделали это объединение менее надёжным со временем, поэтому модели MTA всё чаще опираются на моделирование или вероятностное сопоставление, чтобы заполнять пробелы вместо детерминированного отслеживания кликов. Это одна из причин, почему всё больше рекламодателей инвестируют в сбор данных первой стороны, поскольку собственный пользовательский профиль лучше выдерживает изменения в отслеживании платформ, чем арендованный.

Где это вписывается в другие измерения#

MTA лучше всего работает как диагностический инструмент для средней воронки, показывая, какие точки касания обычно встречаются вместе на выигрышном пути, а не как окончательное слово о ценности канала. Серьёзные команды медиа‑байинга периодически проверяют, сохраняется ли предполагаемая ценность канала в реальном экспериментальном удержании, поскольку канал, который MTA считает ответственным за треть конверсий, может показать почти нулевой эффект, когда его действительно отключают для тестовой группы.

Понимание того, какие каналы создают верхневоронковую осведомлённость, начинается с понимания того, что действительно работает. Инструмент native ad spy tool от OpenAdLibrary показывает, какие рекламодатели активно запускают нативные креативы в вашей вертикали, что является полезным вводом перед тем, как решить, сколько кредита за атрибуцию заслуживает каждый канал в вашей модели.

Практические рекомендации по настройке#

Для корректной работы MTA требуется единый идентификатор отслеживания во всех сетях, чтобы точки касания одного пользователя могли быть сопоставлены, плюс согласованная длительность окна атрибуции применяемая одинаково ко всем каналам. Несоответствие окон между платформами — например, 7‑дневное окно в одной панели и 30‑дневное в другой — сделает любые кросс‑канальные сравнения MTA недействительными ещё до запуска модели. Очистка ваших базовых данных о расходах на рекламу и конверсиях стоит выполнить перед инвестированием в более сложную модель, основанную на данных.