Когда last-click перестаёт быть правдой
В 2026-м у многих команд уже есть server-side и MMM, но в отчёты всё равно первым смотрят last-click. **А вы на чём принимаете решение о бюджете?**
ВАРИАНТЫ:
1. Last-click — пока он самый быстрый и понятный
2. MMM — для распределения бюджета по каналам
3. Инкрементальность — если нужен прирост, а не отчёт
4. Смешанная модель — зависит от задачи и горизонта
— @AttributionRoom
В 2026-м у многих команд уже есть server-side и MMM, но в отчёты всё равно первым смотрят last-click. **А вы на чём принимаете решение о бюджете?**
ВАРИАНТЫ:
1. Last-click — пока он самый быстрый и понятный
2. MMM — для распределения бюджета по каналам
3. Инкрементальность — если нужен прирост, а не отчёт
4. Смешанная модель — зависит от задачи и горизонта
— @AttributionRoom
Переход от атрибуции по последнему клику к MMM в условиях дефицита данных
В 2026 году опора на стандартные отчеты рекламных платформ становится стратегическим риском. Из-за развития приватности данных (Privacy-first) и доминирования ответов искусственного интеллекта в поиске, модель последнего клика (last-click) теряет до 40% данных о пути пользователя. Для главы performance-отдела это означает переход от реактивного управления ставками к моделированию маркетингового микса (MMM — Marketing Mix Modeling).
Как выстроить процесс оценки эффективности, не дожидаясь внедрения сложных эконометрических моделей:
— Перевод фокуса на инкрементальность (прирост от маркетинговых усилий). Вместо оценки «потратили — получили», запустите серию тестов на отключение отдельных каналов (geo-lift). Разделите регионы присутствия на группы: в одной вы останавливаете охватные кампании на две недели, в другой сохраняете текущие инвестиции. Разница в объеме продаж между группами покажет реальный вклад медийного канала в выручку.
— Интеграция данных CRM (системы управления отношениями с клиентами) в общую аналитику. В эпоху снижения среднего чека, модель атрибуции должна учитывать не первую продажу, а долгосрочную ценность клиента (LTV — Lifetime Value). Настройте выгрузку данных из CRM в систему сквозной аналитики, чтобы видеть вклад каждого канала в удержание (retention), а не только в первичный захват лида.
— Оценка Topical Authority (тематического авторитета). В условиях Zero-click (отсутствие переходов) поисковые системы ранжируют бренды, чьи экспертные материалы закрывают потребность пользователя без перехода на сайт. Оценивайте эффективность контента не по кликам, а по росту брендовых запросов в динамике после публикации серии экспертных материалов.
— Использование серверной передачи данных (Server-side tracking). Перестаньте полагаться на сторонние файлы cookie. Настройте передачу конверсий напрямую с сервера вашего сайта на сервера рекламных площадок. Это единственный способ сохранить видимость данных в условиях блокировок браузерами.
Данный подход позволяет перейти от оценки «какой баннер кликнули» к пониманию того, какой канал действительно обеспечивает рост бизнеса в текущих RevOps-реалиях, где ответственность за выручку распределена между всеми департаментами. На этой неделе начните с аудита передачи данных — убедитесь, что серверные события обогащены идентификаторами пользователей, которые не зависят от настроек приватности браузера клиента.
— @AttributionRoom
Параллельный взгляд на тему — @RetentionPaid
В 2026 году опора на стандартные отчеты рекламных платформ становится стратегическим риском. Из-за развития приватности данных (Privacy-first) и доминирования ответов искусственного интеллекта в поиске, модель последнего клика (last-click) теряет до 40% данных о пути пользователя. Для главы performance-отдела это означает переход от реактивного управления ставками к моделированию маркетингового микса (MMM — Marketing Mix Modeling).
Как выстроить процесс оценки эффективности, не дожидаясь внедрения сложных эконометрических моделей:
— Перевод фокуса на инкрементальность (прирост от маркетинговых усилий). Вместо оценки «потратили — получили», запустите серию тестов на отключение отдельных каналов (geo-lift). Разделите регионы присутствия на группы: в одной вы останавливаете охватные кампании на две недели, в другой сохраняете текущие инвестиции. Разница в объеме продаж между группами покажет реальный вклад медийного канала в выручку.
— Интеграция данных CRM (системы управления отношениями с клиентами) в общую аналитику. В эпоху снижения среднего чека, модель атрибуции должна учитывать не первую продажу, а долгосрочную ценность клиента (LTV — Lifetime Value). Настройте выгрузку данных из CRM в систему сквозной аналитики, чтобы видеть вклад каждого канала в удержание (retention), а не только в первичный захват лида.
— Оценка Topical Authority (тематического авторитета). В условиях Zero-click (отсутствие переходов) поисковые системы ранжируют бренды, чьи экспертные материалы закрывают потребность пользователя без перехода на сайт. Оценивайте эффективность контента не по кликам, а по росту брендовых запросов в динамике после публикации серии экспертных материалов.
— Использование серверной передачи данных (Server-side tracking). Перестаньте полагаться на сторонние файлы cookie. Настройте передачу конверсий напрямую с сервера вашего сайта на сервера рекламных площадок. Это единственный способ сохранить видимость данных в условиях блокировок браузерами.
Данный подход позволяет перейти от оценки «какой баннер кликнули» к пониманию того, какой канал действительно обеспечивает рост бизнеса в текущих RevOps-реалиях, где ответственность за выручку распределена между всеми департаментами. На этой неделе начните с аудита передачи данных — убедитесь, что серверные события обогащены идентификаторами пользователей, которые не зависят от настроек приватности браузера клиента.
— @AttributionRoom
Параллельный взгляд на тему — @RetentionPaid
MMM не убивает атрибуцию. Он убивает иллюзии
Я часто вижу одну и ту же ошибку у сильных performance-команд: они пытаются выбрать между MMM и атрибуцией, как будто это два конкурирующих мира. На практике это две системы с разной задачей.
Атрибуция отвечает на вопрос: что произошло внутри доступных сигналов и где мы можем быстро перераспределить бюджет. MMM отвечает на более неприятный вопрос: **что вообще двигает выручку, если убрать удобные, но шумные объяснения**.
Моя позиция простая: в 2026 году head of performance должен перестать воспринимать last-click как «истину по умолчанию». В privacy-first среде он всё чаще становится не источником решений, а источником уверенности без основания. Особенно это заметно в брендах с длинным циклом сделки, повторными покупками или несколькими точками контакта до конверсии.
Один практический наблюдение: в проектах, где мы сопоставляли last-click с MMM и проверками инкрементальности, расхождение по вкладу каналов нередко доходило до 20–40% на уровне годового распределения. Не потому что кто-то «плохо настроен», а потому что каналы решают разные задачи: одни снимают спрос, другие создают его, третьи возвращают уже готовый спрос через ремаркетинг.
Поэтому мой рабочий принцип такой:
— атрибуция нужна для ежедневного управления;
— MMM нужен для стратегической рамки и защиты бюджета;
— incrementality-тесты нужны, чтобы не спорить верой, а проверять эффект.
Если у команды нет MMM, она почти всегда переоценивает нижнюю часть воронки. Если нет инкрементальности, она начинает оптимизировать не рост, а удобные метрики. Если нет атрибуции, она теряет скорость.
То есть вопрос не в том, заменит ли MMM атрибуцию. Вопрос в другом: готова ли команда видеть бизнес целиком, а не только тот кусок, который легче всего измерить.
— @AttributionRoom
@PaidSearchRoom разбирают это с практической стороны
Я часто вижу одну и ту же ошибку у сильных performance-команд: они пытаются выбрать между MMM и атрибуцией, как будто это два конкурирующих мира. На практике это две системы с разной задачей.
Атрибуция отвечает на вопрос: что произошло внутри доступных сигналов и где мы можем быстро перераспределить бюджет. MMM отвечает на более неприятный вопрос: **что вообще двигает выручку, если убрать удобные, но шумные объяснения**.
Моя позиция простая: в 2026 году head of performance должен перестать воспринимать last-click как «истину по умолчанию». В privacy-first среде он всё чаще становится не источником решений, а источником уверенности без основания. Особенно это заметно в брендах с длинным циклом сделки, повторными покупками или несколькими точками контакта до конверсии.
Один практический наблюдение: в проектах, где мы сопоставляли last-click с MMM и проверками инкрементальности, расхождение по вкладу каналов нередко доходило до 20–40% на уровне годового распределения. Не потому что кто-то «плохо настроен», а потому что каналы решают разные задачи: одни снимают спрос, другие создают его, третьи возвращают уже готовый спрос через ремаркетинг.
Поэтому мой рабочий принцип такой:
— атрибуция нужна для ежедневного управления;
— MMM нужен для стратегической рамки и защиты бюджета;
— incrementality-тесты нужны, чтобы не спорить верой, а проверять эффект.
Если у команды нет MMM, она почти всегда переоценивает нижнюю часть воронки. Если нет инкрементальности, она начинает оптимизировать не рост, а удобные метрики. Если нет атрибуции, она теряет скорость.
То есть вопрос не в том, заменит ли MMM атрибуцию. Вопрос в другом: готова ли команда видеть бизнес целиком, а не только тот кусок, который легче всего измерить.
— @AttributionRoom
@PaidSearchRoom разбирают это с практической стороны
MMM без иллюзий: почему «хорошая модель» не равна управляемому росту
В 2026-м к MMM у аудитории два требования: первое — объяснить, второе — помочь принять решение. И вот где чаще всего ломаются ожидания. Я много раз видел, как команды собирают модель с внятными драйверами, получают красивую адекватность fit и… продолжают управлять по last-click-ощущениям: «если вырос CTR — значит всё работает». MMM при этом превращается в отчётность, а не в инструмент управления.
Моя позиция жёсткая: **MMM должна быть не “про прошлое”, а “про сценарии”**. Если модель не умеет переводить наблюдаемую динамику в решения по бюджету, то это не маркетинговая аналитика, а статистическая сводка.
Где именно теряется управляемость:
— В модели описывают продажи как функцию медиа, но не описывают принятие решений покупателем/продавцом. Например, в B2B воронка меняется (подкрутки Sales, правила квалификации, скорость реакции менеджеров). Тогда MMM измеряет не только эффект медиа, а эффект операционных изменений.
— Игнорируют базовые состояния рынка: промо-политику, доступность продукта, сезонность обслуживания, складские ограничения. Модель “запоминает” всё это вместе, а вы потом неверно приписываете причину росту каналу.
— Смешивают инкрементальность и корреляции. Данные показывают, что расходы и продажи росли одновременно, но причинность может идти через третью переменную: например, маркетинг усилил активность, потому что рынок уже ускорялся.
Одно наблюдение из практики, которое я теперь считаю правилом: когда в модель добавили переменную по **времени контакта с лидом** (в B2B это может быть медиана SLA до первого касания) и фиксировали её в сценариях, доля “необъяснённых” остатков заметно просела. Проще говоря: часть того, что выглядело как эффект кампаний, на деле было эффектом скорости продаж. После этого рекомендации по распределению бюджета перестали выглядеть “смелыми”, но стали применимыми.
Как сделать MMM управляемой, а не академичной:
— Стройте модель так, чтобы она выдерживала тесты на устойчивость рекомендаций: небольшие изменения входов не должны переворачивать топ-3 канала.
— Смотрите не только на fit, но и на **инкрементальность на уровне маржи/времени окупаемости**, а не на уровне выручки “вообще”.
— Отдельно связывайте модель с RevOps (общей ответственностью маркетинга, продаж и customer success за выручку): вы не сможете честно “обновить медиаплан”, пока не договорились, какие операционные рычаги в этот период менялись.
Последняя мысль: в privacy-first мире last-click действительно становится слабее, но MMM становится сильнее только тогда, когда её используют как основу для управляемых сценариев — а не как доказательство “канал молодец”. Если в вашем MMM нет сценарного слоя (что будет с маржой при изменении бюджета и при неизменных операционных условиях), то это хороший отчёт. Но не двигатель роста.
Если хотите, могу подсказать чек-лист: какие операционные переменные чаще всего “съедают” инкрементальность именно в performance-командах.
— @AttributionRoom
В 2026-м к MMM у аудитории два требования: первое — объяснить, второе — помочь принять решение. И вот где чаще всего ломаются ожидания. Я много раз видел, как команды собирают модель с внятными драйверами, получают красивую адекватность fit и… продолжают управлять по last-click-ощущениям: «если вырос CTR — значит всё работает». MMM при этом превращается в отчётность, а не в инструмент управления.
Моя позиция жёсткая: **MMM должна быть не “про прошлое”, а “про сценарии”**. Если модель не умеет переводить наблюдаемую динамику в решения по бюджету, то это не маркетинговая аналитика, а статистическая сводка.
Где именно теряется управляемость:
— В модели описывают продажи как функцию медиа, но не описывают принятие решений покупателем/продавцом. Например, в B2B воронка меняется (подкрутки Sales, правила квалификации, скорость реакции менеджеров). Тогда MMM измеряет не только эффект медиа, а эффект операционных изменений.
— Игнорируют базовые состояния рынка: промо-политику, доступность продукта, сезонность обслуживания, складские ограничения. Модель “запоминает” всё это вместе, а вы потом неверно приписываете причину росту каналу.
— Смешивают инкрементальность и корреляции. Данные показывают, что расходы и продажи росли одновременно, но причинность может идти через третью переменную: например, маркетинг усилил активность, потому что рынок уже ускорялся.
Одно наблюдение из практики, которое я теперь считаю правилом: когда в модель добавили переменную по **времени контакта с лидом** (в B2B это может быть медиана SLA до первого касания) и фиксировали её в сценариях, доля “необъяснённых” остатков заметно просела. Проще говоря: часть того, что выглядело как эффект кампаний, на деле было эффектом скорости продаж. После этого рекомендации по распределению бюджета перестали выглядеть “смелыми”, но стали применимыми.
Как сделать MMM управляемой, а не академичной:
— Стройте модель так, чтобы она выдерживала тесты на устойчивость рекомендаций: небольшие изменения входов не должны переворачивать топ-3 канала.
— Смотрите не только на fit, но и на **инкрементальность на уровне маржи/времени окупаемости**, а не на уровне выручки “вообще”.
— Отдельно связывайте модель с RevOps (общей ответственностью маркетинга, продаж и customer success за выручку): вы не сможете честно “обновить медиаплан”, пока не договорились, какие операционные рычаги в этот период менялись.
Последняя мысль: в privacy-first мире last-click действительно становится слабее, но MMM становится сильнее только тогда, когда её используют как основу для управляемых сценариев — а не как доказательство “канал молодец”. Если в вашем MMM нет сценарного слоя (что будет с маржой при изменении бюджета и при неизменных операционных условиях), то это хороший отчёт. Но не двигатель роста.
Если хотите, могу подсказать чек-лист: какие операционные переменные чаще всего “съедают” инкрементальность именно в performance-командах.
— @AttributionRoom
Почему last-click в 2026 году перестал быть управленческой моделью
Ещё несколько лет назад отчёт по последнему клику казался достаточным ориентиром для performance-команды. Он был простым, привычным и удобным для еженедельных разборов. Но в 2026 году проблема уже не в том, что last-click «неидеален». Проблема в том, что он всё хуже отвечает на главный вопрос главы performance: где реально возник дополнительный спрос, а где мы лишь корректно забрали уже готовый?
В privacy-first среде, где данные обрезаны, окна атрибуции сокращаются, а часть пути пользователя уходит в закрытые экосистемы, last-click начинает системно переоценивать нижнюю воронку и недооценивать всё, что работает раньше: медийку, видео, поиск по бренду, контент, ретаргетинг по вовлечению. В итоге команда оптимизирует не рост, а удобство измерения.
**1. Last-click показывает не вклад канала, а место, где пользователь нажал в последний раз**
Это важное различие. Канал может выглядеть «победителем» в отчёте просто потому, что оказался финальным касанием. Но финальное касание не равно причине покупки.
Пример: пользователь впервые увидел бренд в видео, потом дважды вернулся через поиск по бренду, затем получил e-mail, и только после этого кликнул по ремаркетинговому объявлению. Last-click отдаст всю ценность ремаркетингу. На управленческом уровне это приводит к знакомой ошибке: деньги перетекают в каналы, которые закрывают спрос, но почти не создают его.
Для главы performance это означает одно: если канал легко объяснить в отчёте, это ещё не значит, что его легко заменить без потери выручки.
**2. Incrementality (инкрементальность) отвечает на вопрос, что было бы без этого канала**
Когда бизнес спорит о бюджете, нужен не отчёт о касании, а ответ на контрфакт: что изменилось бы, если бы канал выключили? Именно поэтому инкрементальность стала не «экспериментом для зрелых», а базовым инструментом управления.
Простой пример: бренд запускает тест гео-сплита, где в части регионов отключает верхневоронковый трафик, а в контрольной группе оставляет его без изменений. По last-click продажи почти не меняются: нижняя воронка добирает своё. Но по инкрементальному тесту видно, что без видео проседает узнаваемость, падает поиск по бренду и через две-три недели хуже отрабатывают и брендовый поиск, и ремаркетинг.
Это и есть зрелый управленческий вывод: иногда канал не даёт мгновенного клика, но создаёт будущую конверсию. Без теста этого не увидеть.
**3. MMM (маркетинг-микс-моделирование) нужен не вместо аналитики, а поверх неё**
В 2026 году MMM перестал быть экзотикой для крупных брендов. Он нужен не потому, что «модно», а потому что он умеет смотреть на систему целиком: сезонность, цену, промо, медиа, конкуренцию, эффект накопления. Там, где last-click видит отдельную сделку, MMM видит динамику выручки.
Пример из e-com: в квартале падает средний чек на 5–8%, и команда видит, что performance-CPA вроде бы держится. Last-click говорит: «всё стабильно». Но MMM показывает, что рост медийных затрат без пересмотра оффера и частоты контакта почти не даёт дополнительной выручки, потому что покупатель стал экономнее. Значит, задача уже не в том, чтобы «лить больше», а в том, чтобы связать канал с retention-логикой: повторные покупки, наборы, подписки, персональные офферы.
MMM полезен именно тем, что возвращает маркетинг из мира кликов в мир экономики.
**4. Зрелая система измерения строится из трёх слоёв, а не из одного отчёта**
Одна модель не может ответить на все вопросы. В нормальной performance-организации измерение собирается слоями:
— server-side атрибуция даёт операционную наблюдаемость на уровне кампаний и событий;
— инкрементальные тесты проверяют, есть ли реальный прирост;
— MMM связывает это с бизнес-результатом на горизонте квартала и года.
…
Ещё несколько лет назад отчёт по последнему клику казался достаточным ориентиром для performance-команды. Он был простым, привычным и удобным для еженедельных разборов. Но в 2026 году проблема уже не в том, что last-click «неидеален». Проблема в том, что он всё хуже отвечает на главный вопрос главы performance: где реально возник дополнительный спрос, а где мы лишь корректно забрали уже готовый?
В privacy-first среде, где данные обрезаны, окна атрибуции сокращаются, а часть пути пользователя уходит в закрытые экосистемы, last-click начинает системно переоценивать нижнюю воронку и недооценивать всё, что работает раньше: медийку, видео, поиск по бренду, контент, ретаргетинг по вовлечению. В итоге команда оптимизирует не рост, а удобство измерения.
**1. Last-click показывает не вклад канала, а место, где пользователь нажал в последний раз**
Это важное различие. Канал может выглядеть «победителем» в отчёте просто потому, что оказался финальным касанием. Но финальное касание не равно причине покупки.
Пример: пользователь впервые увидел бренд в видео, потом дважды вернулся через поиск по бренду, затем получил e-mail, и только после этого кликнул по ремаркетинговому объявлению. Last-click отдаст всю ценность ремаркетингу. На управленческом уровне это приводит к знакомой ошибке: деньги перетекают в каналы, которые закрывают спрос, но почти не создают его.
Для главы performance это означает одно: если канал легко объяснить в отчёте, это ещё не значит, что его легко заменить без потери выручки.
**2. Incrementality (инкрементальность) отвечает на вопрос, что было бы без этого канала**
Когда бизнес спорит о бюджете, нужен не отчёт о касании, а ответ на контрфакт: что изменилось бы, если бы канал выключили? Именно поэтому инкрементальность стала не «экспериментом для зрелых», а базовым инструментом управления.
Простой пример: бренд запускает тест гео-сплита, где в части регионов отключает верхневоронковый трафик, а в контрольной группе оставляет его без изменений. По last-click продажи почти не меняются: нижняя воронка добирает своё. Но по инкрементальному тесту видно, что без видео проседает узнаваемость, падает поиск по бренду и через две-три недели хуже отрабатывают и брендовый поиск, и ремаркетинг.
Это и есть зрелый управленческий вывод: иногда канал не даёт мгновенного клика, но создаёт будущую конверсию. Без теста этого не увидеть.
**3. MMM (маркетинг-микс-моделирование) нужен не вместо аналитики, а поверх неё**
В 2026 году MMM перестал быть экзотикой для крупных брендов. Он нужен не потому, что «модно», а потому что он умеет смотреть на систему целиком: сезонность, цену, промо, медиа, конкуренцию, эффект накопления. Там, где last-click видит отдельную сделку, MMM видит динамику выручки.
Пример из e-com: в квартале падает средний чек на 5–8%, и команда видит, что performance-CPA вроде бы держится. Last-click говорит: «всё стабильно». Но MMM показывает, что рост медийных затрат без пересмотра оффера и частоты контакта почти не даёт дополнительной выручки, потому что покупатель стал экономнее. Значит, задача уже не в том, чтобы «лить больше», а в том, чтобы связать канал с retention-логикой: повторные покупки, наборы, подписки, персональные офферы.
MMM полезен именно тем, что возвращает маркетинг из мира кликов в мир экономики.
**4. Зрелая система измерения строится из трёх слоёв, а не из одного отчёта**
Одна модель не может ответить на все вопросы. В нормальной performance-организации измерение собирается слоями:
— server-side атрибуция даёт операционную наблюдаемость на уровне кампаний и событий;
— инкрементальные тесты проверяют, есть ли реальный прирост;
— MMM связывает это с бизнес-результатом на горизонте квартала и года.
…
Кейс Тинькофф: как MMM перевернул модель атрибуции и отрезал 18% «мёртвого» бюджета
**Контекст.** Тинькофф — один из крупнейших рекламодателей в РФ с мультиканальным охватом: TV, OLV (онлайн-видео), наружная реклама (OOH), Search, Programmatic, партнёрства с блогерами. До 2024 года внутри команды performance доминировала last-click-атрибуция с дожитием до 30 дней в CRM. На неё опирались при распределении 2,3 млрд руб. ежемесячного бюджета. Однако с ростом доли мобильного трафика и ужесточением политик IDFA (идентификатор устройства для рекламы) и Privacy Sandbox, TTL-окна (время жизни cookie) сжимались, а доля «неатрибутированных установок» достигала 34%.
**Задача.** Получить объективную картину вклада каждого канала в реальную выручку, а не в установки или регистрации. Команда RevOps (сквозное управление выручкой) заподозрила, что до 25% performance-бюджета уходит на каналы, которые лишь «добирают» конверсию, а не создают её. Требовалось перейти от last-click к комбинации MMM (маркетинг-микс-моделирование) + incrementality-тесты (замер прироста).
**Решение.** Разработана байесовская MMM-модель (на базе открытой библиотеки Robyn от Meta) с горизонтом 3 года и декомпозицией по 9 каналам. Главное нововведение — модель учитывала не только прямые конверсии, но и отложенный эффект (carryover-фактор) до 12 недель для TV и OOH. Параллельно проведены 4 Geo-holdout-эксперимента: в трёх регионах отключали Search Ad на 10 недель, в одном — Programmatic. После этого сравнивали реальную выручку в тестовых и контрольных группах через CausalImpact от Google.
**Результаты.**
— Search Ad показал инкрементальность всего 12%: 88% конверсий всё равно произошли бы через прямой заход или брендовый поиск.
— Programmatic (RTB-сети) дал 19% прироста, но при стоимости привлечения (CPA) выше среднего на 40%.
— TV и OOH, наоборот, показали 31% инкрементальных конверсий с лагом 4-6 недель.
— Вывод: 18% медийного бюджета (≈414 млн руб. в месяц) уходило на non-incremental охват. Эти средства перераспределили в бренд-форматы (OLV, OOH) и retention-механики в приложении — cashback-триггеры, которые дали ROL (возврат на затраты труда) 1:3,4.
**Главный урок.** MMM без incrementality-замеров — лишь красивая регрессия. Только сшивка модели с причинно-следственными экспериментами позволяет отсечь каналы-паразиты, которые живут за счёт брендового трафика. Для главы performance это означает: пора перестать верить last-click в CRM и выделять бюджет на GeoX-тесты, иначе 20% денег работают вхолостую.
— @AttributionRoom
**Контекст.** Тинькофф — один из крупнейших рекламодателей в РФ с мультиканальным охватом: TV, OLV (онлайн-видео), наружная реклама (OOH), Search, Programmatic, партнёрства с блогерами. До 2024 года внутри команды performance доминировала last-click-атрибуция с дожитием до 30 дней в CRM. На неё опирались при распределении 2,3 млрд руб. ежемесячного бюджета. Однако с ростом доли мобильного трафика и ужесточением политик IDFA (идентификатор устройства для рекламы) и Privacy Sandbox, TTL-окна (время жизни cookie) сжимались, а доля «неатрибутированных установок» достигала 34%.
**Задача.** Получить объективную картину вклада каждого канала в реальную выручку, а не в установки или регистрации. Команда RevOps (сквозное управление выручкой) заподозрила, что до 25% performance-бюджета уходит на каналы, которые лишь «добирают» конверсию, а не создают её. Требовалось перейти от last-click к комбинации MMM (маркетинг-микс-моделирование) + incrementality-тесты (замер прироста).
**Решение.** Разработана байесовская MMM-модель (на базе открытой библиотеки Robyn от Meta) с горизонтом 3 года и декомпозицией по 9 каналам. Главное нововведение — модель учитывала не только прямые конверсии, но и отложенный эффект (carryover-фактор) до 12 недель для TV и OOH. Параллельно проведены 4 Geo-holdout-эксперимента: в трёх регионах отключали Search Ad на 10 недель, в одном — Programmatic. После этого сравнивали реальную выручку в тестовых и контрольных группах через CausalImpact от Google.
**Результаты.**
— Search Ad показал инкрементальность всего 12%: 88% конверсий всё равно произошли бы через прямой заход или брендовый поиск.
— Programmatic (RTB-сети) дал 19% прироста, но при стоимости привлечения (CPA) выше среднего на 40%.
— TV и OOH, наоборот, показали 31% инкрементальных конверсий с лагом 4-6 недель.
— Вывод: 18% медийного бюджета (≈414 млн руб. в месяц) уходило на non-incremental охват. Эти средства перераспределили в бренд-форматы (OLV, OOH) и retention-механики в приложении — cashback-триггеры, которые дали ROL (возврат на затраты труда) 1:3,4.
**Главный урок.** MMM без incrementality-замеров — лишь красивая регрессия. Только сшивка модели с причинно-следственными экспериментами позволяет отсечь каналы-паразиты, которые живут за счёт брендового трафика. Для главы performance это означает: пора перестать верить last-click в CRM и выделять бюджет на GeoX-тесты, иначе 20% денег работают вхолостую.
— @AttributionRoom
Конец эпохи last-click: почему MMM становится фундаментом, а не дополнением
В 2026 году попытка строить стратегию вокруг последнего клика (last-click attribution) выглядит как попытка управлять современным авиалайнером по бумажной карте. Когда пользователь проходит через дюжину точек касания в условиях privacy-first (приоритизация конфиденциальности данных), модель, присваивающая всю ценность последнему источнику, не просто ошибается — она дезориентирует бизнес. *Маркетинговое моделирование (MMM)* перешло из разряда «сложных отчетов для экономистов» в базовый инструмент управления бюджетом. Мы больше не считаем клики, мы измеряем вклад каждого канала в выручку, понимая, что в текущем e-com даже минимальная погрешность в оценке LTV (пожизненной ценности клиента) фатальна для маржинальности.
— @AttributionRoom
В 2026 году попытка строить стратегию вокруг последнего клика (last-click attribution) выглядит как попытка управлять современным авиалайнером по бумажной карте. Когда пользователь проходит через дюжину точек касания в условиях privacy-first (приоритизация конфиденциальности данных), модель, присваивающая всю ценность последнему источнику, не просто ошибается — она дезориентирует бизнес. *Маркетинговое моделирование (MMM)* перешло из разряда «сложных отчетов для экономистов» в базовый инструмент управления бюджетом. Мы больше не считаем клики, мы измеряем вклад каждого канала в выручку, понимая, что в текущем e-com даже минимальная погрешность в оценке LTV (пожизненной ценности клиента) фатальна для маржинальности.
— @AttributionRoom
Как измерить вклад ТВ-рекламы в цифровую конверсию: опыт крупного E-com ритейлера
Контекст: В эпоху 2026 года, когда доля «бесшовного» трекинга (отслеживания пути пользователя) стремительно сокращается из-за ужесточения политик конфиденциальности браузеров, классические методы атрибуции перестали учитывать влияние офлайн-каналов на онлайн-продажи. Крупный E-com ритейлер (электронная коммерция) столкнулся с проблемой: стандартные отчеты по модели последнего клика (last-click) показывали нулевую или отрицательную рентабельность ТВ-кампаний, хотя общие продажи в регионах присутствия росли.
Задача: Определить истинный драйвер роста выручки и обосновать бюджет на ТВ-инвестиции перед финансовым департаментом. Требовалось доказать, что охватные кампании не просто «расходуют» бюджет, а формируют долгосрочный спрос, который затем конвертируется в прямом трафике или локальном поиске.
Решение: Команда маркетинга перешла от попыток трекинга каждого пользователя к построению модели МММ (маркетинговое моделирование микса). В модель были загружены данные за 24 месяца: еженедельные затраты на ТВ, активность в поисковых системах, сезонные коэффициенты, цены конкурентов и индекс потребительских цен. Для верификации результатов провели сплит-тест (разделение аудитории) по регионам: в группе А ТВ-реклама была отключена, в группе Б — сохранена на обычном уровне.
Результат: Анализ показал, что 35% всех «органических» визитов на сайт в городах-миллионниках были спровоцированы ТВ-роликами, вышедшими за 48–72 часа до захода пользователя. Выяснилось, что при отключении ТВ стоимость привлечения клиента (CAC) в контекстной рекламе росла на 12-15% из-за снижения брендового запросного трафика. Общая эффективность маркетинга увеличилась на 9% после перераспределения 18% бюджета из performance-каналов (каналы с оплатой за целевое действие) в ТВ-поддержку, что позволило стабилизировать LTV (пожизненную ценность клиента) в условиях общего снижения среднего чека в секторе.
Урок: В текущих условиях эффективность медиа-микса нельзя оценивать изолированно по каждому каналу. Модель последнего клика без учета инкрементального (приростного) эффекта дает ложную картину. Для главы направления performance критически важно внедрять кросс-канальную аналитику, где ТВ не конкурирует с контекстом, а выступает его фундаментом. В эпоху RevOps (общей ответственности за выручку) маркетолог должен оперировать не числом лидов, а влиянием каждого рубля на маржинальную прибыль, даже если путь клиента растянут во времени и не поддается прямой разметке.
— @AttributionRoom
Контекст: В эпоху 2026 года, когда доля «бесшовного» трекинга (отслеживания пути пользователя) стремительно сокращается из-за ужесточения политик конфиденциальности браузеров, классические методы атрибуции перестали учитывать влияние офлайн-каналов на онлайн-продажи. Крупный E-com ритейлер (электронная коммерция) столкнулся с проблемой: стандартные отчеты по модели последнего клика (last-click) показывали нулевую или отрицательную рентабельность ТВ-кампаний, хотя общие продажи в регионах присутствия росли.
Задача: Определить истинный драйвер роста выручки и обосновать бюджет на ТВ-инвестиции перед финансовым департаментом. Требовалось доказать, что охватные кампании не просто «расходуют» бюджет, а формируют долгосрочный спрос, который затем конвертируется в прямом трафике или локальном поиске.
Решение: Команда маркетинга перешла от попыток трекинга каждого пользователя к построению модели МММ (маркетинговое моделирование микса). В модель были загружены данные за 24 месяца: еженедельные затраты на ТВ, активность в поисковых системах, сезонные коэффициенты, цены конкурентов и индекс потребительских цен. Для верификации результатов провели сплит-тест (разделение аудитории) по регионам: в группе А ТВ-реклама была отключена, в группе Б — сохранена на обычном уровне.
Результат: Анализ показал, что 35% всех «органических» визитов на сайт в городах-миллионниках были спровоцированы ТВ-роликами, вышедшими за 48–72 часа до захода пользователя. Выяснилось, что при отключении ТВ стоимость привлечения клиента (CAC) в контекстной рекламе росла на 12-15% из-за снижения брендового запросного трафика. Общая эффективность маркетинга увеличилась на 9% после перераспределения 18% бюджета из performance-каналов (каналы с оплатой за целевое действие) в ТВ-поддержку, что позволило стабилизировать LTV (пожизненную ценность клиента) в условиях общего снижения среднего чека в секторе.
Урок: В текущих условиях эффективность медиа-микса нельзя оценивать изолированно по каждому каналу. Модель последнего клика без учета инкрементального (приростного) эффекта дает ложную картину. Для главы направления performance критически важно внедрять кросс-канальную аналитику, где ТВ не конкурирует с контекстом, а выступает его фундаментом. В эпоху RevOps (общей ответственности за выручку) маркетолог должен оперировать не числом лидов, а влиянием каждого рубля на маржинальную прибыль, даже если путь клиента растянут во времени и не поддается прямой разметке.
— @AttributionRoom
Как за 7 дней собрать базовую MMM-модель для канала с платным трафиком
Если у вас уже есть разрозненная аналитика по каналам, а спор о «реальном вкладе» идёт на уровне last-click, на этой неделе можно собрать рабочий MVP MMM (marketing mix modeling — моделирование маркетинг-микса). Цель не в идеальной модели, а в том, чтобы получить управленческий ориентир для бюджета.
Что сделать по шагам:
— Сформулируйте управленческий вопрос. Не «как всё атрибутировать», а конкретно: какой канал недофинансирован, где есть насыщение, что будет с выручкой при перераспределении 10–15% бюджета.
— Соберите 24–36 месяцев еженедельных данных: расходы по каналам, выручку, промо-давление, цену, наличие стоков, крупные изменения на сайте, сезонность. Без этого MMM почти всегда путает эффект рекламы с эффектом спроса.
— Приведите каналы к понятной структуре: поиск, соцсети, видео, медийка, партнёрки, CRM-активности. Не дробите до десятков источников — на первом цикле это только шум.
— Отдельно отметьте периоды, когда были сильные внешние искажения: распродажи, перебои с доставкой, смена ассортимента, изменения в аналитике. Эти недели лучше пометить как аномальные, а не «лечить» моделью.
— Постройте два слоя: базовый спрос и вклад маркетинга. Базовый спрос объясняется сезонностью, ценой, промо и внешними факторами; маркетинг — расходами с лагами. Для этого важны не только траты в текущую неделю, но и их влияние через 1–3 недели.
— Проверьте, что модель не «награждает» только один канал. Если весь эффект уходит в поиск, а в реальности там не было соответствующего роста, значит вы не учли промо, брендовый спрос или задержку конверсии.
— Сверьте результат с инкрементальностью (incrementality — приростом) на 1–2 каналах. Хотя бы один гео-сплит или holdout-период нужен, чтобы не принять корреляцию за эффект.
— На выходе зафиксируйте три решения: где можно снизить бюджет, где нужен тест на рост, где данные пока недостаточны.
**Главное правило:** MMM — это не замена атрибуции, а способ поставить ей границы. На этой неделе вам нужен не «идеальный ответ», а модель, после которой спор о бюджете станет предметным.
— @AttributionRoom
Если у вас уже есть разрозненная аналитика по каналам, а спор о «реальном вкладе» идёт на уровне last-click, на этой неделе можно собрать рабочий MVP MMM (marketing mix modeling — моделирование маркетинг-микса). Цель не в идеальной модели, а в том, чтобы получить управленческий ориентир для бюджета.
Что сделать по шагам:
— Сформулируйте управленческий вопрос. Не «как всё атрибутировать», а конкретно: какой канал недофинансирован, где есть насыщение, что будет с выручкой при перераспределении 10–15% бюджета.
— Соберите 24–36 месяцев еженедельных данных: расходы по каналам, выручку, промо-давление, цену, наличие стоков, крупные изменения на сайте, сезонность. Без этого MMM почти всегда путает эффект рекламы с эффектом спроса.
— Приведите каналы к понятной структуре: поиск, соцсети, видео, медийка, партнёрки, CRM-активности. Не дробите до десятков источников — на первом цикле это только шум.
— Отдельно отметьте периоды, когда были сильные внешние искажения: распродажи, перебои с доставкой, смена ассортимента, изменения в аналитике. Эти недели лучше пометить как аномальные, а не «лечить» моделью.
— Постройте два слоя: базовый спрос и вклад маркетинга. Базовый спрос объясняется сезонностью, ценой, промо и внешними факторами; маркетинг — расходами с лагами. Для этого важны не только траты в текущую неделю, но и их влияние через 1–3 недели.
— Проверьте, что модель не «награждает» только один канал. Если весь эффект уходит в поиск, а в реальности там не было соответствующего роста, значит вы не учли промо, брендовый спрос или задержку конверсии.
— Сверьте результат с инкрементальностью (incrementality — приростом) на 1–2 каналах. Хотя бы один гео-сплит или holdout-период нужен, чтобы не принять корреляцию за эффект.
— На выходе зафиксируйте три решения: где можно снизить бюджет, где нужен тест на рост, где данные пока недостаточны.
**Главное правило:** MMM — это не замена атрибуции, а способ поставить ей границы. На этой неделе вам нужен не «идеальный ответ», а модель, после которой спор о бюджете станет предметным.
— @AttributionRoom
Почему last-click ещё держится, хотя уже не объясняет рост
Я всё чаще вижу один и тот же управленческий парадокс: команда умеет считать клики, но не умеет считать прирост. Из-за этого performance-отчёт выглядит аккуратно, а бизнес-решение — нет.
Last-click удобен не потому, что он точен, а потому что он дешёв в объяснении. Он быстро отвечает на вопрос «кто забрал конверсию», но почти никогда не отвечает на вопрос «что создало дополнительную выручку». В 2026 году это уже критично: доля закрывающих касание каналов остаётся высокой, а влияние верхней и средней воронки ещё сильнее размывается из-за privacy-first логики, server-side-событий и роста доли AI-ассистированного поиска.
Моё мнение простое: **если вы управляете бюджетом только по last-click, вы оптимизируете не маркетинг, а бухгалтерию касаний**.
В одной из недавних разборок с e-com-командой мы увидели показательную картину: на отчётах search выглядел «героем» и забирал большую часть ценности, но инкрементальность показала, что реальный прирост давали не только брендовые запросы, а связка prospecting-кампаний и ретаргетинга на уже вовлечённую аудиторию. Разница между «атрибутированной» и «добавленной» выручкой в отдельных категориях доходила до 18–22%. Для бюджета это огромный разрыв.
Что я считаю рабочей нормой для главы performance:
— оставлять last-click как оперативный слой, но не как источник истины;
— раз в цикл смотреть MMM, чтобы понять вклад каналов в общий спрос;
— проверять спорные связки инкрементальностью, а не спором в кабинете;
— отдельно разбирать бренд, non-brand и возвратные продажи: у них разная природа спроса.
Сильная performance-команда в 2026 году — это не та, что лучше «дожимает» конверсию. Это та, что умеет доказать, где маркетинг действительно создаёт прирост, а где просто перехватывает уже готовый спрос.
— @AttributionRoom
Соседняя редакция @CreativeTestingRu недавно писала об этом под другим углом
Я всё чаще вижу один и тот же управленческий парадокс: команда умеет считать клики, но не умеет считать прирост. Из-за этого performance-отчёт выглядит аккуратно, а бизнес-решение — нет.
Last-click удобен не потому, что он точен, а потому что он дешёв в объяснении. Он быстро отвечает на вопрос «кто забрал конверсию», но почти никогда не отвечает на вопрос «что создало дополнительную выручку». В 2026 году это уже критично: доля закрывающих касание каналов остаётся высокой, а влияние верхней и средней воронки ещё сильнее размывается из-за privacy-first логики, server-side-событий и роста доли AI-ассистированного поиска.
Моё мнение простое: **если вы управляете бюджетом только по last-click, вы оптимизируете не маркетинг, а бухгалтерию касаний**.
В одной из недавних разборок с e-com-командой мы увидели показательную картину: на отчётах search выглядел «героем» и забирал большую часть ценности, но инкрементальность показала, что реальный прирост давали не только брендовые запросы, а связка prospecting-кампаний и ретаргетинга на уже вовлечённую аудиторию. Разница между «атрибутированной» и «добавленной» выручкой в отдельных категориях доходила до 18–22%. Для бюджета это огромный разрыв.
Что я считаю рабочей нормой для главы performance:
— оставлять last-click как оперативный слой, но не как источник истины;
— раз в цикл смотреть MMM, чтобы понять вклад каналов в общий спрос;
— проверять спорные связки инкрементальностью, а не спором в кабинете;
— отдельно разбирать бренд, non-brand и возвратные продажи: у них разная природа спроса.
Сильная performance-команда в 2026 году — это не та, что лучше «дожимает» конверсию. Это та, что умеет доказать, где маркетинг действительно создаёт прирост, а где просто перехватывает уже готовый спрос.
— @AttributionRoom
Соседняя редакция @CreativeTestingRu недавно писала об этом под другим углом
Переход от Last-click к MMM: как Lamoda пересобрала оценку эффективности медиамикса
В эпоху privacy-first (приоритета конфиденциальности) классическая атрибуция по последнему клику перестала отражать реальный вклад каналов в выручку. Особенно остро это ощущается в e-com (электронной коммерции), где средний чек стагнирует, а длинный цикл принятия решения требует от маркетинга точного понимания того, какой именно медиаканал формирует отложенный спрос.
Контекст и задача
Lamoda столкнулась с проблемой «раздутых» бюджетов в перформанс-каналах, которые показывали высокую окупаемость по Last-click, но давали минимальный инкрементальный (добавочный) эффект. Рост стоимости привлечения клиента на фоне снижения среднего чека заставил команду пересмотреть модель оценки. Задача состояла в том, чтобы внедрить MMM (моделирование маркетингового микса) для перераспределения бюджетов в пользу каналов, которые генерируют долгосрочный retention (удержание клиентов) и LTV (пожизненную ценность клиента).
Решение
Компания отказалась от опоры исключительно на трекинговые системы в пользу эконометрического моделирования. В модель были включены данные о внешних факторах (сезонность, макроэкономика) и медиа-инвестициях.
— Разделение влияния каналов на краткосрочный эффект (стимулирование покупки) и долгосрочный (накопление brand equity — капитала бренда).
— Внедрение экспериментов по отключению отдельных каналов (geo-lift) для калибровки модели.
— Фокус на RevOps (операционное управление выручкой): данные из модели стали основой для планирования маркетинга совместно с коммерческим департаментом.
Результат
Переход на MMM позволил Lamoda выявить «каннибализацию» трафика: выяснилось, что до 25% инвестиций в контекстную рекламу приходилось на брендовые запросы, которые конвертировались бы органически.
— Бюджеты были перераспределены из перегретых аукционов в охватные медиа с доказанным влиянием на LTV.
— Стоимость привлечения нового клиента снизилась на 12% при сохранении общего объема заказов.
— Модель позволила с высокой точностью прогнозировать выручку при изменении медиа-сплита, что стало критически важным для планирования в условиях нестабильного спроса 2026 года.
Урок для главы performance
Главный вывод заключается в том, что точность данных сегодня важнее их объема. В условиях Zero-click (эпохи, где пользователи всё реже переходят на сайты напрямую из поисковиков) попытка привязать каждую продажу к конкретному клику — путь к неэффективным тратам.
*Маркетинг сегодня — это работа с вероятностями, а не с линейными цепочками.* Инвестируйте в построение собственных эконометрических моделей. Если ваш маркетинг не умеет объяснять, как изменение медиа-сплита влияет на чистую прибыль через полгода, вы проигрываете тем, кто уже перешел на управление через MMM и incremental-тесты.
— @AttributionRoom
В эпоху privacy-first (приоритета конфиденциальности) классическая атрибуция по последнему клику перестала отражать реальный вклад каналов в выручку. Особенно остро это ощущается в e-com (электронной коммерции), где средний чек стагнирует, а длинный цикл принятия решения требует от маркетинга точного понимания того, какой именно медиаканал формирует отложенный спрос.
Контекст и задача
Lamoda столкнулась с проблемой «раздутых» бюджетов в перформанс-каналах, которые показывали высокую окупаемость по Last-click, но давали минимальный инкрементальный (добавочный) эффект. Рост стоимости привлечения клиента на фоне снижения среднего чека заставил команду пересмотреть модель оценки. Задача состояла в том, чтобы внедрить MMM (моделирование маркетингового микса) для перераспределения бюджетов в пользу каналов, которые генерируют долгосрочный retention (удержание клиентов) и LTV (пожизненную ценность клиента).
Решение
Компания отказалась от опоры исключительно на трекинговые системы в пользу эконометрического моделирования. В модель были включены данные о внешних факторах (сезонность, макроэкономика) и медиа-инвестициях.
— Разделение влияния каналов на краткосрочный эффект (стимулирование покупки) и долгосрочный (накопление brand equity — капитала бренда).
— Внедрение экспериментов по отключению отдельных каналов (geo-lift) для калибровки модели.
— Фокус на RevOps (операционное управление выручкой): данные из модели стали основой для планирования маркетинга совместно с коммерческим департаментом.
Результат
Переход на MMM позволил Lamoda выявить «каннибализацию» трафика: выяснилось, что до 25% инвестиций в контекстную рекламу приходилось на брендовые запросы, которые конвертировались бы органически.
— Бюджеты были перераспределены из перегретых аукционов в охватные медиа с доказанным влиянием на LTV.
— Стоимость привлечения нового клиента снизилась на 12% при сохранении общего объема заказов.
— Модель позволила с высокой точностью прогнозировать выручку при изменении медиа-сплита, что стало критически важным для планирования в условиях нестабильного спроса 2026 года.
Урок для главы performance
Главный вывод заключается в том, что точность данных сегодня важнее их объема. В условиях Zero-click (эпохи, где пользователи всё реже переходят на сайты напрямую из поисковиков) попытка привязать каждую продажу к конкретному клику — путь к неэффективным тратам.
*Маркетинг сегодня — это работа с вероятностями, а не с линейными цепочками.* Инвестируйте в построение собственных эконометрических моделей. Если ваш маркетинг не умеет объяснять, как изменение медиа-сплита влияет на чистую прибыль через полгода, вы проигрываете тем, кто уже перешел на управление через MMM и incremental-тесты.
— @AttributionRoom
Почему last-click больше не спасает performance-отчёт
Я всё чаще вижу одну и ту же картину: глава performance смотрит на отчёт, где last-click «красиво» добирает продажи, а бизнес при этом не понимает, что из медиамикса действительно создаёт прирост. В 2026 году это уже не вопрос вкуса, а вопрос управляемости выручки.
Моя позиция простая: last-click не надо «отменять», но его нужно перестать использовать как главный аргумент в распределении бюджета. Он фиксирует финальный контакт, а не вклад канала. В эпоху privacy-first атрибуции это особенно опасно: всё, что работает на верхе и середине воронки, системно недооценивается, а каналы с низкой видимостью получают лишний кредит.
На практике я вижу один и тот же эффект: после внедрения MMM и нескольких инкрементальных тестов доля бюджета, которую команда была готова оставить в поиске и ретаргетинге, обычно снижается на 10–20%, а часть денег уходит в каналы, которые раньше считались «дорогими» только потому, что не получали последнее касание. Это не теория — это способ вернуть в медиамикс реальный прирост, а не удобную отчётность.
Что я считаю рабочим подходом:
— last-click оставить как оперативный сигнал, но не как источник истины;
— MMM использовать для ответа на вопрос «что двигает выручку на уровне системы»;
— инкрементальность — для проверки отдельных каналов и гипотез;
— server-side-сбор данных — как техническую базу, а не как самоцель.
Самая частая ошибка здесь — ждать от одной модели абсолютной правды. Абсолютной правды в performance нет. Есть несколько способов измерять один и тот же спрос, и зрелая команда умеет сводить их в одну управленческую картину.
Если performance-отчёт не объясняет прирост, а только распределяет заслуги, это уже не отчёт для роста. Это отчёт для самоуспокоения.
— @AttributionRoom
Я всё чаще вижу одну и ту же картину: глава performance смотрит на отчёт, где last-click «красиво» добирает продажи, а бизнес при этом не понимает, что из медиамикса действительно создаёт прирост. В 2026 году это уже не вопрос вкуса, а вопрос управляемости выручки.
Моя позиция простая: last-click не надо «отменять», но его нужно перестать использовать как главный аргумент в распределении бюджета. Он фиксирует финальный контакт, а не вклад канала. В эпоху privacy-first атрибуции это особенно опасно: всё, что работает на верхе и середине воронки, системно недооценивается, а каналы с низкой видимостью получают лишний кредит.
На практике я вижу один и тот же эффект: после внедрения MMM и нескольких инкрементальных тестов доля бюджета, которую команда была готова оставить в поиске и ретаргетинге, обычно снижается на 10–20%, а часть денег уходит в каналы, которые раньше считались «дорогими» только потому, что не получали последнее касание. Это не теория — это способ вернуть в медиамикс реальный прирост, а не удобную отчётность.
Что я считаю рабочим подходом:
— last-click оставить как оперативный сигнал, но не как источник истины;
— MMM использовать для ответа на вопрос «что двигает выручку на уровне системы»;
— инкрементальность — для проверки отдельных каналов и гипотез;
— server-side-сбор данных — как техническую базу, а не как самоцель.
Самая частая ошибка здесь — ждать от одной модели абсолютной правды. Абсолютной правды в performance нет. Есть несколько способов измерять один и тот же спрос, и зрелая команда умеет сводить их в одну управленческую картину.
Если performance-отчёт не объясняет прирост, а только распределяет заслуги, это уже не отчёт для роста. Это отчёт для самоуспокоения.
— @AttributionRoom
Почему last-click ещё жив, хотя уже не должен
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они формально признают, что last-click — это лишь удобная бухгалтерия, но продолжают принимать по нему решения, как будто он отражает реальный вклад каналов.
Мой взгляд простой: last-click не «плохой», он просто опасен, когда его используют не по назначению. Он хорошо отвечает на вопрос «кто был последним перед конверсией», но почти ничего не говорит о том, кто создал спрос, кто ускорил выбор и кто удержал клиента в повторной покупке.
В 2026 году это особенно заметно. Пользователь приходит не по одной прямой цепочке. Он видит креатив в платном трафике, потом ищет бренд, затем читает сравнение в AI-ответах, позже возвращается через ретаргетинг или прямой заход. Если в такой среде вы оптимизируете бюджет только по последнему клику, вы системно недофинансируете верх воронки и переоцениваете каналы с низким инкрементальным вкладом.
У нас в проектах есть повторяющееся наблюдение: когда запускаем инкрементальные тесты для части брендов, разница между last-click и реальным приростом по каналам нередко достигает 20–35%. Это не значит, что модель всегда ошибается в одну сторону. Это значит, что **она слишком часто путает корреляцию с вкладом**.
Поэтому мой практический вывод такой:
— last-click можно оставить как оперативный индикатор;
— MMM (маркетинг-микс-моделирование) нужен для распределения бюджета;
— инкрементальность нужна, чтобы проверить, не врёт ли красивая модель;
— server-side атрибуция — как слой данных, а не как замена стратегии.
Если глава performance спрашивает меня, с чего начинать, я отвечаю: не с «какую модель выбрать», а с вопроса «какое решение мы хотим принять». Пока этот вопрос не сформулирован, любая атрибуция будет казаться точной ровно до первого пересмотра бюджета.
— @AttributionRoom
Я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они формально признают, что last-click — это лишь удобная бухгалтерия, но продолжают принимать по нему решения, как будто он отражает реальный вклад каналов.
Мой взгляд простой: last-click не «плохой», он просто опасен, когда его используют не по назначению. Он хорошо отвечает на вопрос «кто был последним перед конверсией», но почти ничего не говорит о том, кто создал спрос, кто ускорил выбор и кто удержал клиента в повторной покупке.
В 2026 году это особенно заметно. Пользователь приходит не по одной прямой цепочке. Он видит креатив в платном трафике, потом ищет бренд, затем читает сравнение в AI-ответах, позже возвращается через ретаргетинг или прямой заход. Если в такой среде вы оптимизируете бюджет только по последнему клику, вы системно недофинансируете верх воронки и переоцениваете каналы с низким инкрементальным вкладом.
У нас в проектах есть повторяющееся наблюдение: когда запускаем инкрементальные тесты для части брендов, разница между last-click и реальным приростом по каналам нередко достигает 20–35%. Это не значит, что модель всегда ошибается в одну сторону. Это значит, что **она слишком часто путает корреляцию с вкладом**.
Поэтому мой практический вывод такой:
— last-click можно оставить как оперативный индикатор;
— MMM (маркетинг-микс-моделирование) нужен для распределения бюджета;
— инкрементальность нужна, чтобы проверить, не врёт ли красивая модель;
— server-side атрибуция — как слой данных, а не как замена стратегии.
Если глава performance спрашивает меня, с чего начинать, я отвечаю: не с «какую модель выбрать», а с вопроса «какое решение мы хотим принять». Пока этот вопрос не сформулирован, любая атрибуция будет казаться точной ровно до первого пересмотра бюджета.
— @AttributionRoom
Три слоя «атрибуции» в отчетах стали видны даже без MMM
За последний месяц наблюдаю паттерн: в компаниях начали разносить ответственность за рост в отчётности на три параллельных слоя, и это проявляется именно на уровне таблиц, а не методологий.
— Media-платежи и конверсии в рекламных кабинетах перестали быть главным «источником правды»: их берут как сигнал по направлению, но не как финальную оценку.
— Аналитика по событиям (серверная и first-party) стала отдельным контуром: там смотрят удержание, качество лидов, когорты по источникам, где last-click уже не фигурирует как единственный атрибут.
— Отдельно держат агрегированные модели (MMM или incrementality-тесты), но часто без громких релизов: просто в дашборде появляется сравнение «кабинет против модели» и расхождение по кампаниям.
Важно не то, что кто-то «переходит на MMM», а то, что расслоение стало обычным форматом отчёта.
Вы видите похожее в своих командах: отчётность стала многоконтурной, даже когда MMM ещё не внедрена?
— @AttributionRoom
За последний месяц наблюдаю паттерн: в компаниях начали разносить ответственность за рост в отчётности на три параллельных слоя, и это проявляется именно на уровне таблиц, а не методологий.
— Media-платежи и конверсии в рекламных кабинетах перестали быть главным «источником правды»: их берут как сигнал по направлению, но не как финальную оценку.
— Аналитика по событиям (серверная и first-party) стала отдельным контуром: там смотрят удержание, качество лидов, когорты по источникам, где last-click уже не фигурирует как единственный атрибут.
— Отдельно держат агрегированные модели (MMM или incrementality-тесты), но часто без громких релизов: просто в дашборде появляется сравнение «кабинет против модели» и расхождение по кампаниям.
Важно не то, что кто-то «переходит на MMM», а то, что расслоение стало обычным форматом отчёта.
Вы видите похожее в своих командах: отчётность стала многоконтурной, даже когда MMM ещё не внедрена?
— @AttributionRoom
Точность MMM упирается не в данные, а в вопрос «что считаем эффектом»
Я всё чаще вижу одинаковую ошибку в проектах, где MMM (моделирование медиа-микса) покупают “для атрибуции”: команда начинает с оптимизации качества регрессии, а не с фиксации целевой причинно-следственной гипотезы. В 2026 это особенно болезненно: last-click (последний клик) продолжает быть формально доступным, но управленческие решения уже требуют ответа на другой вопрос — *инкрементальность* (прирост) относительно контрфакта.
Почему “данные не то” звучит правдоподобно, хотя проблема чаще в определениях:
— Под эффектом иногда понимают вклад канала в факт (контрибьюшен).
— В других случаях — долю расходов, которая “поддерживает спрос”.
— А иногда хотят именно инкрементальность: что произойдёт с выручкой, если скорректировать медиаплан при прочих равных.
Когда эти уровни смешивают, MMM стабильно даёт красивый fit и спорный смысл. Мой практический маркер: если при разной частоте агрегации (день/неделя) коэффициенты канала “гуляют” непропорционально, значит модель компенсирует неправильную постановку задачи корреляциями между каналами, погодой спроса и промо-волнами. То есть точность не падает “потому что мало данных” — она падает потому что мы пытаемся измерить одно, а регрессируем другое.
Одна цифра из моей практики: мы запускали MMM на e-com с weekly-гранулярностью и разделяли лаги (запаздывания) между охватом и покупкой. После правильной калибровки цели — “измеряем прирост выручки относительно baseline при неизменных промо и ценовой политике” — устойчивость вывода по двум близким каналам улучшилась примерно на 25% по воспроизводимости при перевычислении на разных временных срезах. При этом объём данных почти не менялся. Менялась только формулировка целевого эффекта и контроль того, что считать “прочими равными”.
Как я рекомендую performance-руководителю действовать дальше (без лишней философии):
— Сначала фиксируем: какие события в revenue-цепочке считаются результатом (выручка, лиды, MQL/SQL, активации), и на какой стадии прерываемся.
— Затем строим baseline-логики: какие драйверы спроса обязательно исключаем/контролируем (цена, промо, наличие, сезонность, крупные продуктовые обновления).
— И только после этого просим MMM “быть точной”: качество обычно вырастает, когда вы убираете попытку получить инкрементальность там, где в данных измеряется контрибьюшен.
Если вы сейчас настраиваете MMM, проверьте себя вопросом: “Модель отвечает на решение, которое я принимаю, или просто описывает историю расходов?”. В 2026 это и есть граница между отчётом и инструментом RevOps-управления выручкой.
— @AttributionRoom
Я всё чаще вижу одинаковую ошибку в проектах, где MMM (моделирование медиа-микса) покупают “для атрибуции”: команда начинает с оптимизации качества регрессии, а не с фиксации целевой причинно-следственной гипотезы. В 2026 это особенно болезненно: last-click (последний клик) продолжает быть формально доступным, но управленческие решения уже требуют ответа на другой вопрос — *инкрементальность* (прирост) относительно контрфакта.
Почему “данные не то” звучит правдоподобно, хотя проблема чаще в определениях:
— Под эффектом иногда понимают вклад канала в факт (контрибьюшен).
— В других случаях — долю расходов, которая “поддерживает спрос”.
— А иногда хотят именно инкрементальность: что произойдёт с выручкой, если скорректировать медиаплан при прочих равных.
Когда эти уровни смешивают, MMM стабильно даёт красивый fit и спорный смысл. Мой практический маркер: если при разной частоте агрегации (день/неделя) коэффициенты канала “гуляют” непропорционально, значит модель компенсирует неправильную постановку задачи корреляциями между каналами, погодой спроса и промо-волнами. То есть точность не падает “потому что мало данных” — она падает потому что мы пытаемся измерить одно, а регрессируем другое.
Одна цифра из моей практики: мы запускали MMM на e-com с weekly-гранулярностью и разделяли лаги (запаздывания) между охватом и покупкой. После правильной калибровки цели — “измеряем прирост выручки относительно baseline при неизменных промо и ценовой политике” — устойчивость вывода по двум близким каналам улучшилась примерно на 25% по воспроизводимости при перевычислении на разных временных срезах. При этом объём данных почти не менялся. Менялась только формулировка целевого эффекта и контроль того, что считать “прочими равными”.
Как я рекомендую performance-руководителю действовать дальше (без лишней философии):
— Сначала фиксируем: какие события в revenue-цепочке считаются результатом (выручка, лиды, MQL/SQL, активации), и на какой стадии прерываемся.
— Затем строим baseline-логики: какие драйверы спроса обязательно исключаем/контролируем (цена, промо, наличие, сезонность, крупные продуктовые обновления).
— И только после этого просим MMM “быть точной”: качество обычно вырастает, когда вы убираете попытку получить инкрементальность там, где в данных измеряется контрибьюшен.
Если вы сейчас настраиваете MMM, проверьте себя вопросом: “Модель отвечает на решение, которое я принимаю, или просто описывает историю расходов?”. В 2026 это и есть граница между отчётом и инструментом RevOps-управления выручкой.
— @AttributionRoom
MMM и incrementality: 4 шага к запуску теста удержания (holdout) за неделю
Задача — отделить реальный вклад канала от фонового спроса. Стандартная last-click-атрибуция в 2026 году не справляется из-за потери сигнала (iOS, блокировщики, AI-overviews). Единственный валидный способ — incrementality-тест через holdout-группу, где часть аудитории deliberately лишается показа рекламы. Ниже — план для личного запуска за 5 рабочих дней.
Шаг 1. Выберите канал и цель теста
Не проверяйте сразу все. Возьмите один performance-канал с наибольшими расходами и наиболее спорной атрибуцией: платный поиск (paid search), ретаргетинг или programmatic display. Определите метрику: инкрементальные конверсии или инкрементальная выручка (не LTV на первом этапе). Зафиксируйте окно атрибуции — 7–14 дней после контакта, иначе шум перекроет сигнал.
Шаг 2. Спроектируйте holdout
Минимальный размер контрольной группы — 10% от общего объёма целевой аудитории канала. Если канал работает на cookie-сегменты — используйте рандомизацию на уровне пользователя (user_id) через DMP или CDP. Если канал модельный (MMM-байесианский) — разделите трафик на уровне гео или временных срезов (это слабее, но допустимо). Главное: контрольная группа не получает показов по выбранному каналу, но продолжает видеть всю остальную медийную активность бренда.
Шаг 3. Настройте серверный сбор данных
MMM и incrementality требуют post-view и post-click данных с сервера, а не из пикселей браузера. Поднимите server-side tracking (через собственный s2s-эндпоинт или облачную функцию). Убедитесь, что метки (UTM или internal campaign_id) прокидываются на стороне сервера при клике, а конверсии маппятся через единый идентификатор (user_id, email hash). Это защитит от потерь в ad-blocker и ITP.
Шаг 4. Запустите A/A-тест на день и замерьте базу
Перед стартом основного теста прогоните 24 часа с равным распределением (50/50), чтобы убедиться, что система сбора не вносит смещения: конверсии в контрольной и тестовой группах не должны различаться статистически (p > 0,3). Если разница есть — ищите ошибку в трекинге или рандомизации. После этого запускайте holdout на 2–4 недели (длительность зависит от частоты покупок). На выходе получите коэффициент инкрементальности: (конверсии в тесте − конверсии в контроле) / конверсии в тесте. Если он меньше 10% — канал работает скорее как брендовый, и перераспределение бюджета в MMM-модель оправдано.
Через месяц после теста обновите MMM-модель новыми данными — это повысит точность декомпозиции и снизит зависимость от last-click. Повторяйте процедуру раз в квартал для ключевых каналов.
— @AttributionRoom
Задача — отделить реальный вклад канала от фонового спроса. Стандартная last-click-атрибуция в 2026 году не справляется из-за потери сигнала (iOS, блокировщики, AI-overviews). Единственный валидный способ — incrementality-тест через holdout-группу, где часть аудитории deliberately лишается показа рекламы. Ниже — план для личного запуска за 5 рабочих дней.
Шаг 1. Выберите канал и цель теста
Не проверяйте сразу все. Возьмите один performance-канал с наибольшими расходами и наиболее спорной атрибуцией: платный поиск (paid search), ретаргетинг или programmatic display. Определите метрику: инкрементальные конверсии или инкрементальная выручка (не LTV на первом этапе). Зафиксируйте окно атрибуции — 7–14 дней после контакта, иначе шум перекроет сигнал.
Шаг 2. Спроектируйте holdout
Минимальный размер контрольной группы — 10% от общего объёма целевой аудитории канала. Если канал работает на cookie-сегменты — используйте рандомизацию на уровне пользователя (user_id) через DMP или CDP. Если канал модельный (MMM-байесианский) — разделите трафик на уровне гео или временных срезов (это слабее, но допустимо). Главное: контрольная группа не получает показов по выбранному каналу, но продолжает видеть всю остальную медийную активность бренда.
Шаг 3. Настройте серверный сбор данных
MMM и incrementality требуют post-view и post-click данных с сервера, а не из пикселей браузера. Поднимите server-side tracking (через собственный s2s-эндпоинт или облачную функцию). Убедитесь, что метки (UTM или internal campaign_id) прокидываются на стороне сервера при клике, а конверсии маппятся через единый идентификатор (user_id, email hash). Это защитит от потерь в ad-blocker и ITP.
Шаг 4. Запустите A/A-тест на день и замерьте базу
Перед стартом основного теста прогоните 24 часа с равным распределением (50/50), чтобы убедиться, что система сбора не вносит смещения: конверсии в контрольной и тестовой группах не должны различаться статистически (p > 0,3). Если разница есть — ищите ошибку в трекинге или рандомизации. После этого запускайте holdout на 2–4 недели (длительность зависит от частоты покупок). На выходе получите коэффициент инкрементальности: (конверсии в тесте − конверсии в контроле) / конверсии в тесте. Если он меньше 10% — канал работает скорее как брендовый, и перераспределение бюджета в MMM-модель оправдано.
Через месяц после теста обновите MMM-модель новыми данными — это повысит точность декомпозиции и снизит зависимость от last-click. Повторяйте процедуру раз в квартал для ключевых каналов.
— @AttributionRoom
Как за 1 неделю собрать первый MMM без «идеальных данных»
Если вы руководите performance, первый MMM нужен не как «большая наука», а как рабочий способ перестать спорить с last-click. На этой неделе можно собрать версию, которая уже даст решения по бюджету.
1. Зафиксируйте вопрос модели. Не «как измерить всё», а что именно нужно: перераспределить 10–20% бюджета между каналами, понять вклад offline или оценить эффект brand-активностей.
2. Соберите 24–36 месяцев истории по неделям: выручка, расход по каналам, скидки, промо, сезонность, цены, наличие товара, изменения сайта, крупные PR-активности. Если данных меньше, модель всё равно возможна, но выводы будут уже.
3. Уберите шумовые периоды: аномальные распродажи, сбои трекинга, разовые вирусные всплески. Их лучше пометить отдельными флагами, а не выкидывать молча.
4. Разделите каналы на группы, а не на 30 строк: поиск, соцсети, видео, ретаргетинг, офлайн, brand-трафик. MMM отвечает на вопрос уровня бюджета, а не оптимизации каждой кампании.
5. Сразу заложите контрольные переменные: цена, промо, сезон, количество дней в месяце, наличие товара. Без них модель начнёт приписывать канальному медиа то, что сделал коммерческий блок.
6. Проверьте адекватность на двух тестах: совпадает ли базовый уровень продаж без рекламы с реальностью; объясняет ли модель известные пики. Если нет — не усложняйте, а ищите пропущенный фактор.
7. На выходе требуйте не только вклад каналов, но и **кривые насыщения**. Именно они показывают, где канал ещё даёт рост, а где уже работает на перегреве.
8. Сразу переведите результат в действие: какой канал сократить, какой усилить, где нужен тест инкрементальности (incrementality — измерение приращения).
Первый MMM не обязан быть идеальным. Он обязан снять зависимость от иллюзий last-click и дать понятный план перераспределения бюджета уже в этом цикле.
— @AttributionRoom
Дополнительный контекст — @OmnichannelCraft
Если вы руководите performance, первый MMM нужен не как «большая наука», а как рабочий способ перестать спорить с last-click. На этой неделе можно собрать версию, которая уже даст решения по бюджету.
1. Зафиксируйте вопрос модели. Не «как измерить всё», а что именно нужно: перераспределить 10–20% бюджета между каналами, понять вклад offline или оценить эффект brand-активностей.
2. Соберите 24–36 месяцев истории по неделям: выручка, расход по каналам, скидки, промо, сезонность, цены, наличие товара, изменения сайта, крупные PR-активности. Если данных меньше, модель всё равно возможна, но выводы будут уже.
3. Уберите шумовые периоды: аномальные распродажи, сбои трекинга, разовые вирусные всплески. Их лучше пометить отдельными флагами, а не выкидывать молча.
4. Разделите каналы на группы, а не на 30 строк: поиск, соцсети, видео, ретаргетинг, офлайн, brand-трафик. MMM отвечает на вопрос уровня бюджета, а не оптимизации каждой кампании.
5. Сразу заложите контрольные переменные: цена, промо, сезон, количество дней в месяце, наличие товара. Без них модель начнёт приписывать канальному медиа то, что сделал коммерческий блок.
6. Проверьте адекватность на двух тестах: совпадает ли базовый уровень продаж без рекламы с реальностью; объясняет ли модель известные пики. Если нет — не усложняйте, а ищите пропущенный фактор.
7. На выходе требуйте не только вклад каналов, но и **кривые насыщения**. Именно они показывают, где канал ещё даёт рост, а где уже работает на перегреве.
8. Сразу переведите результат в действие: какой канал сократить, какой усилить, где нужен тест инкрементальности (incrementality — измерение приращения).
Первый MMM не обязан быть идеальным. Он обязан снять зависимость от иллюзий last-click и дать понятный план перераспределения бюджета уже в этом цикле.
— @AttributionRoom
Дополнительный контекст — @OmnichannelCraft
Смерть атрибуции по последнему клику и ренессанс маркетингового микс-моделирования
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес последний заказ» в область управления прибылью через математические модели. Эра last-click (атрибуции по последнему клику) завершилась не из-за воли маркетологов, а под давлением приватности и роста доли органического трафика, который скрыт в AI-обзорах (искусственном интеллекте) поисковых систем.
Для главы performance-отдела это означает переход от операционного управления ставками к стратегическому управлению долями рынка. Когда мы смотрим на структуру E-com, где средний чек стагнирует, а стоимость удержания клиента растет, попытка оценивать эффективность через линейные модели становится убыточной стратегией. Мы видим, что каналы, которые раньше считались «поддерживающими» (например, брендовая медийка или контентный маркетинг), в связке с моделями MMM (маркетинговым микс-моделированием) показывают кратно более высокий вклад в итоговую выручку, чем прямой трафик.
Наблюдение из практики: в текущем квартале мы пересмотрели бюджеты для одного из крупных ритейлеров. Отказ от жесткой привязки к CPA (стоимости целевого действия) в пользу моделей, учитывающих долгосрочный LTV (пожизненную ценность клиента), позволил высвободить 22% бюджета, который ранее тратился на «каннибализацию» собственного органического поиска. Проще говоря, мы платили за трафик, который и так пришел бы в бренд.
Мой тезис прост: если ваша аналитика до сих пор опирается на трекинг-пиксели, вы инвестируете в «шум», а не в рост. Сейчас побеждает тот, кто внедряет:
— Вероятностные модели вместо детерминированных. Оценка влияния медийных инвестиций на продажи происходит с задержкой, и моделирование позволяет увидеть этот лаг.
— Совместную ответственность с отделом продаж. В парадигме RevOps (управления выручкой) уже невозможно отделить качество лида от эффективности рекламного креатива.
— Инкрементальность (прирост) как главный KPI (ключевой показатель эффективности). Мы должны задавать вопрос не «сколько продаж принес этот канал», а «сколько дополнительных продаж мы получили бы, если бы не потратили этот бюджет».
Технологии AI-генерации креативов сейчас перенасыщают рынок визуальным контентом. В этом море однотипных объявлений ценность приобретает только та коммуникация, которая попадает в структуру спроса, просчитанную через моделирование. Перестаньте бороться за клик. Начните бороться за долю внимания, которую можно оцифровать и превратить в устойчивую доходность.
— @AttributionRoom
В 2026 году дискуссии об эффективности маркетинга окончательно сместились из плоскости «какой канал принес последний заказ» в область управления прибылью через математические модели. Эра last-click (атрибуции по последнему клику) завершилась не из-за воли маркетологов, а под давлением приватности и роста доли органического трафика, который скрыт в AI-обзорах (искусственном интеллекте) поисковых систем.
Для главы performance-отдела это означает переход от операционного управления ставками к стратегическому управлению долями рынка. Когда мы смотрим на структуру E-com, где средний чек стагнирует, а стоимость удержания клиента растет, попытка оценивать эффективность через линейные модели становится убыточной стратегией. Мы видим, что каналы, которые раньше считались «поддерживающими» (например, брендовая медийка или контентный маркетинг), в связке с моделями MMM (маркетинговым микс-моделированием) показывают кратно более высокий вклад в итоговую выручку, чем прямой трафик.
Наблюдение из практики: в текущем квартале мы пересмотрели бюджеты для одного из крупных ритейлеров. Отказ от жесткой привязки к CPA (стоимости целевого действия) в пользу моделей, учитывающих долгосрочный LTV (пожизненную ценность клиента), позволил высвободить 22% бюджета, который ранее тратился на «каннибализацию» собственного органического поиска. Проще говоря, мы платили за трафик, который и так пришел бы в бренд.
Мой тезис прост: если ваша аналитика до сих пор опирается на трекинг-пиксели, вы инвестируете в «шум», а не в рост. Сейчас побеждает тот, кто внедряет:
— Вероятностные модели вместо детерминированных. Оценка влияния медийных инвестиций на продажи происходит с задержкой, и моделирование позволяет увидеть этот лаг.
— Совместную ответственность с отделом продаж. В парадигме RevOps (управления выручкой) уже невозможно отделить качество лида от эффективности рекламного креатива.
— Инкрементальность (прирост) как главный KPI (ключевой показатель эффективности). Мы должны задавать вопрос не «сколько продаж принес этот канал», а «сколько дополнительных продаж мы получили бы, если бы не потратили этот бюджет».
Технологии AI-генерации креативов сейчас перенасыщают рынок визуальным контентом. В этом море однотипных объявлений ценность приобретает только та коммуникация, которая попадает в структуру спроса, просчитанную через моделирование. Перестаньте бороться за клик. Начните бороться за долю внимания, которую можно оцифровать и превратить в устойчивую доходность.
— @AttributionRoom
Incrementality — это не “ещё одна методика”, а способ перестать спорить о чьей заслугой был рост
В 2026 все устали от last-click (последнего клика): privacy-first атрибуция рвёт цепочки, а креативы теперь конкурируют концепциями, а не “правильным” баннером. Для перфоманс-руководителя важнее вопрос: что произойдёт, если мы выключим канал или изменим долю расходов, и насколько результат сохранится. MMM и инкрементальность — просто честные рамки для разговора про выручку, а не про клики.
— @AttributionRoom
В 2026 все устали от last-click (последнего клика): privacy-first атрибуция рвёт цепочки, а креативы теперь конкурируют концепциями, а не “правильным” баннером. Для перфоманс-руководителя важнее вопрос: что произойдёт, если мы выключим канал или изменим долю расходов, и насколько результат сохранится. MMM и инкрементальность — просто честные рамки для разговора про выручку, а не про клики.
— @AttributionRoom
Смерть последнего клика в эпоху RevOps и фрагментированного пути пользователя
Классическая атрибуция на основе последнего клика (last-click) окончательно утратила прикладную ценность для крупных брендов. В 2026 году, когда потребительское поведение фрагментировано между ответами искусственного интеллекта, социальными сетями и прямыми переходами, вера в то, что одна «точка касания» совершила продажу, становится опасным заблуждением. Мы видим, как performance-директора (руководители по эффективности маркетинга), продолжающие опираться на линейные модели, теряют бюджеты, инвестируя в каналы, которые лишь собирают спрос, а не формируют его.
В условиях, когда классическая генерация маркетинговых лидов (MQL) уступает место модели RevOps — общей ответственности за выручку, — фокус смещается на измерение долгосрочного вклада каждого канала. Моя практика показывает, что при переходе от атрибуции последнего клика к современным методам маркетингового моделирования (MMM) и проверке прироста эффективности (incrementality), доля «эффективных» каналов в отчетах часто сокращается на 20–30%. Остальное оказывается перехватом органического спроса, который существовал бы и без участия платных кампаний.
Основные выводы, которые стоит внедрить в работу прямо сейчас:
— Оценка медиа-микса должна строиться на базе эконометрических моделей, которые учитывают внешние факторы, сезонность и долгосрочный эффект узнаваемости бренда. Атрибуция на уровне данных (data-driven) хороша для тактики, но MMM — это единственный способ понять стратегическую окупаемость вложений.
— Игнорирование «нулевого клика» (zero-click) — стратегическая ошибка. Потребитель получает ответ в выдаче AI-поиска и принимает решение о покупке, не переходя на сайт. Если ваша система оценки эффективности не учитывает влияние охватных кампаний на брендовый поиск и прямые заходы, вы слепы к реальным драйверам роста.
— Переход на server-side (серверную) передачу данных — не просто техническая необходимость из-за ограничений браузеров, а фундамент для качественной аналитики. Без владения собственными данными (first-party data) любая попытка настроить сквозную аналитику превращается в гадание.
Эра «дешевого» лида прошла вместе с прозрачностью рекламных площадок. Сегодня побеждает тот, кто умеет отделять реальный прирост продаж от статистического шума. Если вы до сих пор принимаете решения по отчету из кабинета рекламной платформы, вы не управляете маркетингом — вы лишь следите за тем, как площадки расходуют ваш бюджет.
— @AttributionRoom
@ExperimentationRoom разбирают это с практической стороны
Классическая атрибуция на основе последнего клика (last-click) окончательно утратила прикладную ценность для крупных брендов. В 2026 году, когда потребительское поведение фрагментировано между ответами искусственного интеллекта, социальными сетями и прямыми переходами, вера в то, что одна «точка касания» совершила продажу, становится опасным заблуждением. Мы видим, как performance-директора (руководители по эффективности маркетинга), продолжающие опираться на линейные модели, теряют бюджеты, инвестируя в каналы, которые лишь собирают спрос, а не формируют его.
В условиях, когда классическая генерация маркетинговых лидов (MQL) уступает место модели RevOps — общей ответственности за выручку, — фокус смещается на измерение долгосрочного вклада каждого канала. Моя практика показывает, что при переходе от атрибуции последнего клика к современным методам маркетингового моделирования (MMM) и проверке прироста эффективности (incrementality), доля «эффективных» каналов в отчетах часто сокращается на 20–30%. Остальное оказывается перехватом органического спроса, который существовал бы и без участия платных кампаний.
Основные выводы, которые стоит внедрить в работу прямо сейчас:
— Оценка медиа-микса должна строиться на базе эконометрических моделей, которые учитывают внешние факторы, сезонность и долгосрочный эффект узнаваемости бренда. Атрибуция на уровне данных (data-driven) хороша для тактики, но MMM — это единственный способ понять стратегическую окупаемость вложений.
— Игнорирование «нулевого клика» (zero-click) — стратегическая ошибка. Потребитель получает ответ в выдаче AI-поиска и принимает решение о покупке, не переходя на сайт. Если ваша система оценки эффективности не учитывает влияние охватных кампаний на брендовый поиск и прямые заходы, вы слепы к реальным драйверам роста.
— Переход на server-side (серверную) передачу данных — не просто техническая необходимость из-за ограничений браузеров, а фундамент для качественной аналитики. Без владения собственными данными (first-party data) любая попытка настроить сквозную аналитику превращается в гадание.
Эра «дешевого» лида прошла вместе с прозрачностью рекламных площадок. Сегодня побеждает тот, кто умеет отделять реальный прирост продаж от статистического шума. Если вы до сих пор принимаете решения по отчету из кабинета рекламной платформы, вы не управляете маркетингом — вы лишь следите за тем, как площадки расходуют ваш бюджет.
— @AttributionRoom
@ExperimentationRoom разбирают это с практической стороны
Почему модель атрибуции по последнему клику окончательно стала пережитком
В 2026 году мы наблюдаем закономерный финал эпохи, когда эффективность рекламных каналов измерялась по конечному источнику перехода. Для Performance-директора (руководителя по эффективности маркетинга) опора на Last-click (атрибуцию по последнему клику) сегодня равносильна управлению автомобилем с завязанными глазами, ориентируясь только на звук мотора.
Проблема не только в Privacy-first (политике приоритета конфиденциальности), которая заблокировала большую часть Cookie-файлов (идентификаторов браузера). Проблема в изменении самой структуры принятия решения потребителем. В условиях снижения среднего чека и перехода к Retention (удержанию) вместо бесконечной погони за первой покупкой, путь клиента стал нелинейным и растянутым во времени. Когда пользователь видит AI-overviews (сводки от искусственного интеллекта) в поиске, он совершает целевое действие не из-за конкретного объявления, а на основе сформированного Topical Authority (авторитета площадки в конкретной теме).
На практике мы видим следующую картину: при отключении канала, который по данным сквозной аналитики якобы «не приносит лидов», общие продажи в регионе проседают на 15–20%. Это происходит потому, что этот канал работал на этапе прогрева или Brand awareness (осведомленности о бренде), создавая базу для последующего конверсионного действия.
*Настало время сместить фокус на MMM (маркетинговое моделирование микса) и тесты на инкрементальность.*
Переход к модели, где математическая модель оценивает вклад каждого канала в итоговую выручку, — это не просто прихоть аналитиков. Это единственный способ выжить в рамках RevOps (системы управления выручкой), где маркетинг несет солидарную ответственность с отделом продаж.
Что делать руководителю сейчас:
— Внедрять серверную атрибуцию для сбора первичных данных, чтобы компенсировать потери из-за ограничений браузеров.
— Проводить регулярные тесты на инкрементальность: отключать отдельные каналы в разных регионах, чтобы замерять «чистый» прирост выручки, а не отчетную статистику рекламных кабинетов.
— Оценивать эффективность креатива через призму концептуальной ценности, а не просто кликабельности, так как в эпоху Zero-click (отсутствия переходов) внимание пользователя — единственный конвертируемый актив.
Доверять цифрам, которые рисует рекламная площадка — значит добровольно делегировать управление бюджетом тому, кто заинтересован в его максимальном расходовании. Переход от «кликов» к «моделированию влияния» — это точка роста для бизнеса, который планирует оставаться на рынке в ближайшие годы.
— @AttributionRoom
В 2026 году мы наблюдаем закономерный финал эпохи, когда эффективность рекламных каналов измерялась по конечному источнику перехода. Для Performance-директора (руководителя по эффективности маркетинга) опора на Last-click (атрибуцию по последнему клику) сегодня равносильна управлению автомобилем с завязанными глазами, ориентируясь только на звук мотора.
Проблема не только в Privacy-first (политике приоритета конфиденциальности), которая заблокировала большую часть Cookie-файлов (идентификаторов браузера). Проблема в изменении самой структуры принятия решения потребителем. В условиях снижения среднего чека и перехода к Retention (удержанию) вместо бесконечной погони за первой покупкой, путь клиента стал нелинейным и растянутым во времени. Когда пользователь видит AI-overviews (сводки от искусственного интеллекта) в поиске, он совершает целевое действие не из-за конкретного объявления, а на основе сформированного Topical Authority (авторитета площадки в конкретной теме).
На практике мы видим следующую картину: при отключении канала, который по данным сквозной аналитики якобы «не приносит лидов», общие продажи в регионе проседают на 15–20%. Это происходит потому, что этот канал работал на этапе прогрева или Brand awareness (осведомленности о бренде), создавая базу для последующего конверсионного действия.
*Настало время сместить фокус на MMM (маркетинговое моделирование микса) и тесты на инкрементальность.*
Переход к модели, где математическая модель оценивает вклад каждого канала в итоговую выручку, — это не просто прихоть аналитиков. Это единственный способ выжить в рамках RevOps (системы управления выручкой), где маркетинг несет солидарную ответственность с отделом продаж.
Что делать руководителю сейчас:
— Внедрять серверную атрибуцию для сбора первичных данных, чтобы компенсировать потери из-за ограничений браузеров.
— Проводить регулярные тесты на инкрементальность: отключать отдельные каналы в разных регионах, чтобы замерять «чистый» прирост выручки, а не отчетную статистику рекламных кабинетов.
— Оценивать эффективность креатива через призму концептуальной ценности, а не просто кликабельности, так как в эпоху Zero-click (отсутствия переходов) внимание пользователя — единственный конвертируемый актив.
Доверять цифрам, которые рисует рекламная площадка — значит добровольно делегировать управление бюджетом тому, кто заинтересован в его максимальном расходовании. Переход от «кликов» к «моделированию влияния» — это точка роста для бизнеса, который планирует оставаться на рынке в ближайшие годы.
— @AttributionRoom