ПаветтаData-Driven атрибуция использует алгоритм, который анализирует все пути конверсии за период и распределяет ценность по каналам в зависимости от их реального вклада. Учитывает, что некоторые каналы важны в начале воронки, другие — в финале.
Самая справедливая модель, но требует достаточного объёма данных (обычно сотни конверсий в месяц) и доступна не во всех системах. В GA4 включается на проектах с достаточной выборкой.
Алгоритм видит: 60% покупок начинаются с организики, в середине email, закрытие на ретаргетинге. Распределяет ценность: organic 40%, email 30%, retargeting 30%.
Внутри Data-Driven работает сравнение путей с конверсией и без неё: алгоритм (в GA4 — на базе модели Шепли из теории игр) смотрит, насколько присутствие канала в цепочке повышает вероятность покупки, и отдаёт ему вес пропорционально этому вкладу. Поэтому канал, который встречается в выигрышных путях чаще, чем в проигрышных, получает больше ценности, даже если он не последний клик. Это ломает привычку оценивать воронку по финальному источнику и обычно перераспределяет бюджет от брендового ретаргетинга к верхним касаниям — organic и медийке.
Практические ограничения жёсткие: с июля 2023 в GA4 DDA стала моделью по умолчанию, но Яндекс.Метрика своей атрибуции такого типа не даёт — там выбираешь last-click, first-click или «по последнему значимому переходу», поэтому свести картину Директа и Google в одной модели без сквозной аналитики (Roistat, OWOX, коннекторы в BigQuery) не получится. Главная ошибка — сравнивать CTR и стоимость конверсии между кабинетами, где включены разные модели: цифры просто несопоставимы, и канал кажется то прибыльным, то убыточным в зависимости от того, кому атрибуция «отдала» продажу.
Вес каналу назначает статистика по тысячам путей; фиксированные правила вроде «всё последнему» тут не работают.
Нужны сотни конверсий в месяц и сквозная аналитика, иначе модель недостоверна или недоступна.
Видно ценность верхних касаний, и деньги не утекают только в каналы, закрывающие сделку.
Модель требует объёма: алгоритму нужны сотни конверсий и разнообразные пути, иначе он приписывает вес случайным касаниям. На проектах с десятком сделок в месяц пользы от неё нет, там надёжнее смотреть на несколько простых моделей рядом и сравнивать выводы. Практический приём — открыть отчёт по последнему клику и по первому касанию: разница между ними показывает, какие каналы работают на знакомство.
В Яндекс Метрике роль такой модели играет автоматическая атрибуция: система сама решает, какому переходу приписать визит, и отдельно предлагает модели последнего значимого перехода и первого перехода. Переключение модели меняет картину сильнее любых правок в рекламе, поэтому в отчётности фиксируют одну модель и оговаривают её в каждом документе.
Частые вопросы
Сколько нужно данных для такой модели?
Ориентир — несколько сотен конверсий в месяц и достаточное разнообразие путей. При меньших объёмах алгоритм переобучается на случайных совпадениях. В таких случаях полезнее сравнивать две простые модели и понимать разницу между ними.
Что использовать в Яндекс Метрике?
Автоматическую атрибуцию для общей картины и модель последнего значимого перехода для оценки конкретных кампаний. Первый переход показывает каналы знакомства. Сравнение трёх отчётов даёт понимание роли каналов даже без алгоритмической модели.
Чем плоха атрибуция по последнему клику?
Она отдаёт всю заслугу каналу, который закрыл сделку, чаще всего брендовому поиску и прямым заходам. Каналы, которые познакомили человека с продуктом, выглядят убыточными, и их отключают первыми. Через квартал падает и брендовый спрос.
Как проверить, что модель влияет на решения?
Выгрузите один и тот же период в двух моделях и сравните доход по каналам. Если порядок каналов меняется, значит решения о бюджете зависят от выбора модели, и его нужно закрепить в регламенте отчётности.
Google Analytics 4