Какую модель атрибуции выбрать в Директе при автостратегиях
Выбор модели атрибуции в рекламном кабинете выглядит как настройка для отчёта: галочка, которая меняет цифры в таблице, но не трогает саму рекламу. При ручном управлении ставками так почти и было. Но как только вы включили автостратегию, эта галочка перестала быть отчётной. Теперь по выбранной модели алгоритм решает, какие показы считать удачными, — а значит, на чём учиться и кого искать дальше. Вы задаёте не формат отчёта. Вы задаёте определение успеха, под которое алгоритм будет оптимизировать ваш бюджет неделями. И если это определение кривое, кривым будет всё обучение.
- При автостратегии модель атрибуции — это не отчёт, а критерий обучения: по ней алгоритм решает, какой показ был полезным, и оптимизирует под такие же.
- Last-click при автостратегии вреден: он засчитывает заслугу последнему касанию, и алгоритм учится покупать тех, кто уже готов купить, — бренд и ретаргетинг, а верх воронки глохнет.
- Модель должна учитывать весь путь, а не один его край, и опираться на окно, которого хватает на ваш цикл сделки.
- Окно нужно сверять с реальным циклом: если сделка вызревает три недели, а окно семь дней, половина влияния для алгоритма невидима.
- Состав настроек в кабинете меняется — смотрите актуальные варианты в интерфейсе. Меняется список, принцип выбора остаётся прежним.
- Смена модели перезапускает обучение. Менять её можно, но редко, осознанно и с зафиксированным периодом на переобучение — не сравнивая хвост старого со стартом нового.
Дальше — по порядку: почему при автостратегии выбор модели стал вопросом обучения, а не отчётности; почему last-click в этом режиме тихо разрушает верх воронки; как выбрать модель и окно под свой цикл сделки; и как менять их, не устраивая алгоритму хаос.
Модель атрибуции управляет обучением алгоритма
Автостратегия — это алгоритм площадки, который сам управляет ставками: он оценивает, насколько вероятно, что конкретный показ приведёт к нужному действию, и повышает ставку там, где вероятность выше. Чтобы такая оценка была осмысленной, алгоритму нужно знать, что считать «нужным действием» и, главное, кому записывать успех, когда действие случилось. Именно это и задаёт модель атрибуции.
Представьте, что клиент коснулся вас четыре раза, прежде чем купить, и последним касанием был ретаргетинг. Если выбрана модель по последнему клику, алгоритм записывает всю заслугу этому финальному показу — и делает вывод: «показы вот такому уже тёплому человеку приводят к продаже, надо искать похожих». Если выбрана модель, учитывающая весь путь, тот же успех распределяется по касаниям, и алгоритм видит ценность в том числе за ранними контактами. Продажа одна и та же. Но алгоритм извлёк из неё два разных урока — и дальше будет тратить деньги по-разному.
При ручных ставках модель атрибуции меняла ваш взгляд на прошлое. При автостратегии она меняет поведение алгоритма в будущем: он учится на той версии реальности, которую вы ему назначили моделью.
Отсюда сдвиг, который многие упускают. Пока ставками управлял человек, неудачная модель приводила максимум к неверному отчёту — вы могли перепроверить его головой. Теперь между моделью и бюджетом нет человека: алгоритм напрямую оптимизирует под тот успех, который вы разметили выбором модели. Ошиблись в разметке успеха — и алгоритм добросовестно, неделю за неделей, будет усиливать не то. И дело не в том, что он плохой: он честно учится на тех данных, которые вы ему сами определили.
Почему last-click при автостратегии вредит
Last-click отдаёт всю заслугу последнему касанию перед покупкой. При ручном управлении это давало перекошенный, но хотя бы понятный отчёт. При автостратегии тот же перекос превращается в инструкцию для алгоритма — и инструкция эта саморазрушительна.
Последним касанием почти всегда оказываются каналы низа воронки: ретаргетинг, догоняющий тех, кто уже был на сайте, и брендовые запросы, которые вводят те, кто уже знает ваше имя. Это самая тёплая аудитория — она и так близка к покупке. По last-click именно этим показам достаётся заслуга, и алгоритм делает единственно логичный вывод: «покупки случаются вот здесь, значит, надо давить сюда». Он начинает выкупать всё более готовых — тех, кто купил бы и почти без рекламы.
А показы, которые знакомят с брендом и создают спрос, почти никогда не бывают последним касанием. По last-click за них — ноль заслуги. Для алгоритма они выглядят бесполезными, и он перестаёт их искать. Верх воронки недофинансируется и глохнет. В первые недели метрики даже радуют: стоимость конверсии падает, ведь алгоритм кормит самых готовых. Но приток новых людей, которых потом «дожимает» ретаргетинг, сокращается — и через несколько месяцев ретаргетингу становится некого догонять, а брендовых запросов всё меньше. Спрос пересыхает, и связь с давним выбором модели уже не очевидна.
Оставлять модель по последнему клику при автостратегии, потому что «так метрики красивее». Красивее они ровно потому, что алгоритм учится покупать уже готовых. Вы оптимизируете сбор существующего спроса и одновременно, чужими руками алгоритма, отключаете его создание. Это не экономия, а медленное сужение воронки.
Принцип выбора: путь и окно под ваш цикл
Из механики выше следует принцип, который не зависит от конкретного меню в кабинете. Алгоритму нужно давать в обучение полную картину пути, а не один его край. Значит, при прочих равных выбирают модель, которая учитывает участие ранних касаний, а не сваливает всё на последнее. Модели, распределяющие заслугу по пути (а не отдающие её финалу), дают алгоритму более честный сигнал: ценны не только те, кто вот-вот купит, но и те, кто только заходит в воронку.
Второй параметр, о котором забывают чаще самой модели, — окно атрибуции: срок, в течение которого касание ещё считается причастным к продаже. Он критичен именно при автостратегии, потому что определяет, какие свои удачные показы алгоритм вообще увидит. Если окно короче вашего цикла сделки, ранние касания «протухают» до покупки: человек купил, но касание, с которого всё началось, было раньше окна — и в обучение оно не попадёт. Алгоритм не узнает, что этот показ сработал, и перестанет искать похожие.
Возьмём для примера бизнес, где сделка вызревает в среднем три недели, а окно атрибуции стоит на семи днях. Тогда для любой покупки алгоритм видит только касания последней недели — примерно половину пути. Всё, что происходило в первые две недели, для обучения не существует. Алгоритм оптимизирует под финал, даже если модель вы выбрали «правильную»: короткое окно превращает её в ускоренный last-click.
Поэтому окно определяет один факт: сколько в среднем проходит от первого касания до покупки в вашем бизнесе. Не привычка и не значение по умолчанию — только этот срок. Окно должно покрывать его с запасом. Короткий цикл (импульсная покупка) прощает короткое окно; длинный (дорогие и сложные продукты, B2B) требует длинного, иначе половина влияния для алгоритма невидима. Модель и окно работают в паре: хорошая модель на слишком коротком окне всё равно учится однобоко.
- Модель видит весь путь, а не один край. Отдавайте предпочтение модели, которая учитывает участие ранних касаний, а не сваливает всю заслугу на последний клик или на первый. Алгоритму нужна полная картина, чем ему кормить обучение.
- Окно не короче вашего цикла сделки. Сначала измерьте, сколько в среднем проходит от первого касания до покупки, и ставьте окно с запасом. Короткое окно при длинном цикле обесценивает даже правильно выбранную модель.
- Конверсии и разметка настроены до выбора модели. Если цели в кабинете считаются криво или размечены не все касания, алгоритм учится на дырявом пути. Порядок в данных первичен: без него спор о модели теряет смысл.
- Один критерий на аккаунт, а не разные модели в разных кампаниях наугад. Разнобой в определении успеха мешает сравнивать и мешает алгоритму. Держите единый осознанный принцип, а не набор случайных галочек.
Конкретный состав моделей и доступных окон в кабинете периодически меняется — площадка добавляет и убирает варианты, переименовывает их и меняет то, что стоит по умолчанию. Не полагайтесь на список из чужой статьи или из памяти: открывайте актуальные настройки в самом интерфейсе. Меняется набор пунктов, но принцип выбора — «полный путь плюс окно под ваш цикл» — остаётся прежним.
| Тип модели | Что алгоритм считает успехом | Чему учится | Риск при вашем цикле |
|---|---|---|---|
| По последнему клику | Только финальное касание перед покупкой | Выкупать самых готовых: бренд, ретаргетинг | Верх воронки глохнет, приток новых сжимается |
| По первому касанию | Только точку входа в воронку | Гнать новых любой ценой, игнорируя закрытие | Растёт объём, но падает качество и окупаемость |
| Учитывающая весь путь | Вклад касаний на всём пути к покупке | Ценить и привлечение, и дожим | Меньше перекосов, но нужен объём и чистые данные |
| Короткое окно при длинном цикле | Лишь касания последних дней перед сделкой | Тот же финал — ранние касания протухают | Любая модель вырождается в ускоренный last-click |
Ещё одно техническое, но решающее условие: модель работает только на чистых данных. Если конверсии в кабинете настроены криво или размечены не все касания, алгоритм учится на дырявой картине пути — и никакой выбор модели это не спасёт. Сначала корректно настроенные цели и разметка, потом разговор о модели атрибуции. Иначе вы уточняете правило дележа данных, половина которых потеряна на входе.
Как менять модель без хаоса
Допустим, вы поняли, что стоит уйти от last-click к модели, учитывающей путь. Здесь подстерегает вторая ловушка: сама смена модели — это вмешательство в обучение. Автостратегия учится на потоке размеченных успехов; вы меняете разметку успеха — и алгоритму приходится переучиваться почти с нуля. Сделать это можно, но по правилам, иначе вы получите просадку и решите, что «новая модель хуже», хотя на деле просто прервали обучение.
- 01Требуйте одной осознанной смены модели
Проследите, чтобы подрядчик не перебирал варианты в погоне за лучшими цифрами. Модель и окно под ваш цикл сделки выбирают заранее, по принципу, а не по отчёту за вчера. Одно продуманное изменение лучше пяти реактивных: каждое из них обнуляет обучение.
- 02Заложите команде период на переобучение
После смены модели алгоритм заново набирает статистику под новый критерий успеха. На это нужно время — ориентировочно порядка двух недель, но точный срок площадка указывает в своей справке. В этот период стратегия нестабильна по определению; договоритесь с командой, что резких выводов пока не делаем.
- 03Добейтесь, чтобы остальное на время обучения не трогали
Пока алгоритм переучивается под новую модель, бюджет, цели и ключевые настройки должны стоять на месте. Иначе никто не поймёт, что повлияло на результат — новая модель или правки поверх неё. Одно изменение за раз, и время на то, чтобы оно усвоилось.
- 04Не позволяйте сравнивать хвост старого со стартом нового
Самая частая подмена в отчёте: берут последние стабильные недели на старой модели и ставят рядом первые, ещё нестабильные недели на новой. Так сравнивают обученный алгоритм с переучивающимся — новый всегда проиграет. Требуйте сравнения только после того, как обучение завершилось.
- 05Спрашивайте результат по продажам и полной воронке
Смысл смены модели в том, чтобы алгоритм перестал душить верх воронки. Значит, и спрашивать с подрядчика надо приток новых, качество и итоговые продажи, а не мгновенную стоимость конверсии. На модели «весь путь» она может быть выше — и это нормально, если растёт объём реальных сделок.
Смена модели атрибуции перезапускает обучение автостратегии. Поэтому её нельзя дёргать каждую неделю в погоне за цифрами: алгоритм никогда не выйдет на стабильный результат, если критерий успеха под ним постоянно плывёт. Выбрали модель по принципу — дайте ей доучиться и отработать хотя бы полный цикл сделки, прежде чем судить.
Частые вопросы
Модель атрибуции при автостратегии вообще влияет на результат или это просто настройка отчёта?
Влияет напрямую. При ручных ставках модель меняла в основном отчёт. При автостратегии алгоритм по выбранной модели решает, какой показ считать удачным, и оптимизирует под похожие. То есть модель задаёт критерий обучения: на чём именно алгоритм учится и кого ищет дальше. Это уже не про то, как вы смотрите на прошлое, а про то, как алгоритм тратит бюджет в будущем.
Почему нельзя оставить last-click, если по нему метрики выглядят лучше?
Потому что они выглядят лучше именно из-за проблемы. Last-click засчитывает заслугу последнему касанию — обычно бренду и ретаргетингу, — и алгоритм учится выкупать уже готовых к покупке. Стоимость конверсии падает, но алгоритм перестаёт искать новых людей, потому что показы-знакомства по этой модели получают ноль заслуги. Красивая метрика сегодня оборачивается пересыханием притока через несколько месяцев.
Какую именно модель выбрать в кабинете Директа?
Назвать конкретный пункт меню было бы безответственно: состав моделей и окон в кабинете меняется, площадка их добавляет, убирает и переименовывает. Смотрите актуальный список прямо в интерфейсе. Принцип же неизменен: берите модель, которая учитывает весь путь клиента, а не только последнее касание, и окно, которого хватает на ваш цикл сделки. По этому принципу вы выберете верный вариант из любого текущего набора.
Как понять, какое окно атрибуции мне нужно?
Оттолкнитесь от реального цикла сделки — сколько в среднем проходит от первого касания до покупки в вашем бизнесе. Окно должно покрывать этот срок с запасом. Если люди принимают решение три недели, а окно стоит на неделю, алгоритм видит лишь последнюю треть пути и учится под финал. Сверяйте окно с фактом, а не с привычкой или значением по умолчанию.
Как часто можно менять модель атрибуции?
Редко и осознанно. Каждая смена модели перезапускает обучение автостратегии: алгоритм заново набирает статистику под новый критерий успеха. Если менять модель каждую неделю, стратегия никогда не выйдет на стабильный результат — она будет вечно переучиваться. Выбрали модель по принципу — дайте ей отработать хотя бы полный цикл сделки плюс период обучения, и только потом судите.
После смены модели стало хуже — это плохая модель?
Чаще всего нет. Смена модели сбрасывает обучение, и первые недели алгоритм работает нестабильно — это ожидаемая просадка переучивания, а не свойство новой модели. Типичная ошибка — сравнить последние стабильные недели на старой модели с первыми неделями на новой. Это сравнение обученного алгоритма с переучивающимся. Дождитесь завершения обучения и полного цикла сделки, потом сравнивайте — и по продажам, а не по стоимости клика.
Модель атрибуции в кабинете перестала быть строкой в отчёте в тот момент, когда ставками стал управлять алгоритм. Теперь это критерий, по которому автостратегия отличает удачу от неудачи и решает, куда вести ваш бюджет. Last-click в этом режиме учит алгоритм собирать готовый спрос и не создавать новый; модель, видящая весь путь, вместе с окном под ваш цикл сделки даёт более честный сигнал. Выберите по принципу, а не по вчерашним цифрам, дайте алгоритму доучиться — и не меняйте критерий успеха каждую неделю. Дальше нужна выдержка: вы один раз выбрали галочку по делу, а теперь оставьте её в покое и дайте алгоритму спокойно работать.
Хотите навести порядок в своём маркетинге?
30 минут, бесплатно: разберём вашу ситуацию и решим, нужен ли полный разбор.
Забронировать звонок